R программын өгөгдөл тандалт, машин сургалтын аргуудаар өгөгдөл боловсруулах

Бүх сургалт ХУГАЦААГҮЙ буюу НАСАН ТУРШИЙН!

1900 оны үед Buckminster Fuller-ийн тооцоолсноор хүний мэдлэг нэг зуун өнгөрөхөд хоёр дахин нэмэгдэж байгааг гаргасан байна.

Харин орчин үед мэдээллийн хэмжээ 13 сар тутамд хоёр дахин өсч байгааг тооцоо гарсан бол тун удалгүй 12 цаг тутамд бүх мэдээлэл хоёр дахин нэмэгдэх эринд ирснийг IBM мэдэгджээ. Өдөр бүр цаг цагаар нийгэм, техник, байгаль, эрүүл мэнд, цаг уур гэх мэт олон шинжлэх ухааны салбарт өдөр бүр хурдацтай өсөн нэмэгдсээр байна.

Энэхүү асар ихээр цугларсан мэдээллийг боловсруулах, шинжлэх, зүй тогтлыг илрүүлэн загварчлах, дүгнэх, урьдчилан таамаглах шинэ арга технологийг хөгжүүлэх зайлшгүй шаардлагатай болсон бөгөөд дэлхий даяаар судлаачид энэ чиглэлд ихээхэн анхаарал тавьж байна.

Энэ талын судалгааны нэг чиглэл бол англиар “Data mining” буюу “Өгөгдлийн тандалт” юм. “Өгөгдлийн олборлолт” гэж нэрлэх тохиолдол бас байдаг. Өөрөөр хэлбэл их хэмжээний өгөгдлөөс мэдлэг, дүгнэлт гаргаж авах, олборлох, тандах гэж тайлбарлаж болно.

Мөн мэдлэг олборлолт (knowledge extraction), өгөгдөл эсвэл загварын шинжилгээ (data, pattern, model analysis), өгөгдлийн археологи (data archaeology), өгөгдөл ухах (data dredging), өгөгдлөөс мэдлэг илрүүлэх, нээх (Knowledge Discovery from Data) гэх мэт олон нэр байдаг.

Машин сургалт (machine learning) нь дадлага, туршлагаар дамжин автоматаар сайжрах компъютерын алгоритмуудын судладаг бөгөөөд олон шинжлэх ухааны салбаруудад ашиглагдаж байгаа бөгөөд хиймэл оюуны дэд салбар юм. Машин сургалтын алгоритмууд нь тодорхой программчлалгүйгээр сургалтын өгөгдөлд тулгуурлан шийдвэр гаргах, урьдчилан таамаглах математик загвар байгуулдаг.

Харин өгөгдлийн тандалт нь хяналтгүй, хяналттай судалгааны аргаар өгөгдлийг шинжлэн машин сургалттай нилээд хамааралтай салбар юм. Бизнесийн асуудлыг шийдэхийн тулд энэ арга нь урьдчилан таамаглах шинжилгээ хийдэг.

Иймд энэхүү сургалтаар сүүлийн үед тренд болоод байгаа өгөгдлийг цэгцлэн урьдчилан боловсруулж, шинжилж, машин сургалтын аргуудаар түүний ирээдүйн төлөвийг илэрхийлэх загвар (pattern), мэдлэг (knowledge) үүсгэн, тайлбарлаж чаддаг болох юм.

Орчин үед хамгийн эрэлттэй, хамгийн өндөр цалинтай мэргэжлийн эхэнд өгөгдөл боловсруулах, машин сургалтаар загвар гаргадаг мэргэжил орж ирсэн байна. Тиймээс энэ сэдэв нь өөрийн каррерийг өсгөх, бизнесийг шинэ технологиор хурдасгах, хиймэл оюуны гайхалтай технологи бүтээх хүсэлтэй хүн бүрийн сурах зүйлийн эхний жагсаалтанд орж байгаа билээ.

Ингээд сургалт дээрээ уулзацгаая!

Доорхи видеог тоглуулж эхний видео хичээлийг үзнэ үү

Үнэгүй видеонуудыг үзэх

Хичээлүүд :

17:50

R программын товч танилцуулга, сонгох шалтгаан, судлах сэдвүүд
12:48

R программ суулгах, цэсүүдтэй танилцах, энгийн жишээ турших
18:19

Тайлбар мөр хийх, Вектор, жагсаалт, массив, хүчин зүйлс, өгөгдлийн хүрээ зэрэг өгөгдлийн объекттой ажиллах
19:20

Хувьсагчид утга олгох, төрлийг тодорхойлох, устгах функцууд, арифметик, харьцуулах, логик, шилжүүлэх зэрэг үйлдлүүдийг турших
15:10

Repeat loop, while loop, for loop зэрэг давталтыг энгийн жишээ ашиглан турших
14:31

Тэмдэгт мөрийн paste(), format(), nchar(), toupper(), tolower(), substring() функцуудыг ажиллуулах
18:36

Багц шинээр суулгах, харах, шалгах, ажлын бэлэн горимд оруулах тухай
13:27

Ажлын хавтас харах, тохируулах, CSV файл оруулах, унших, шинжлэх, шинээр үүсгэн бичих
15:02

Функцын нэр, төрөл, аргументуудыг тодорхойлон, үүсгэх, урьдчилан тодорхойлогдсон функцуудыг ажиллуулах, тэмдэгт мөрийн тухай
09:30

Өгөгдлийн эх үүсвэр Excel файлтай R програм ашиглан ажиллах
20:00

Өгөгдөл, их өгөгдөл, өгөгдлийн шинжилгээ, өгөгдлийн сангийн тухай
22:39

Өгөгдөл тандалт, машин сургалтын тухай
18:01

Ангиллын аргын шийдвэрийн модны үндсэн ойлголт, аргууд, түүний дотор шийдвэрийн модны C5, CART, CHAID алгоритмын тухай
13:40

Ангиллын мод үүсгэх зүрхний өвчний өгөгдөл, өгөгдлийн сан, түүний атрибутууд, гарал үүслийн тухай
11:00

Машин сургалтын ангиллын модны алгоритмаар зүрхний өвчний өгөгдлийн сангийн хэв шинжийн тооцооллын тухай
10:09

Машин сургалтын ангиллын модны алгоритмаар зүрхний өвчний өгөгдлийн сангийн хэв шинжийн тооцоолол хийх
16:26

Зүрхний өвчний төлөвийг илэрхийлэх хэв шинж, ангилагчийг тайрах, үнэлгээ хийх
10:47

Зүрхний өвчинг таамаглах модыг тайлбарлах
12:13

Регресс модны үндсэн ойлголт, байгуулах үйл ажиллагаа, тайрахын аргын онолыг товч тайлбарлах болно.
09:14

Регресс модоор зүрхний өвчний хэв шинжийг тооцоолох, rpart функцаар тооцоолон, rpart, plot функцаар график байгуулна
18:17

Зүрхний цохилтын хэмжээнээс хамаарах зүрхний өвчин таамаглах регресс модыг тайлбарлах
12:35

С5.0 алгоритмын тухай үндсэн ойлголт, түүний математик загвар, C4.5 хуваилбараас ялгагдах ялгаа
11:56

C5 алгоритмаар мод үүсгэх
09:36

C5 алгоритмаар мод үүсгэх, сайжруулна, багасгана (үргэлжлэл)
15:33

C5.0 алгоритмаар үүссэн загварыг тайлбарлах, CART алгоритмын загвартай харьцуулан тайлбарлах болно
16:54

C5 алгоритмаар байгуулсан модыг туршилтын багцаар таамаглах, үнэлэх
15:41

Кредит картны мэдээлэлд боловсруулалт хийн, ерөнхий чиг хандлагыг тодорхойлох
08:37

C5.0 функцын дүрэм (rules), сайжруулалт (boost) зэрэг аргументын тухай
10:48

CHAID алгоритмын тухай
17:40

CHAID алгоритмаар зүрхний өвчин таамаглах
13:06

Байесын аргын тухай (Naive Bayes)
19:44

Байес аргаар зүрхний өвчин таамаглах
15:44

Байесын аргаар үүссэн загварыг тайлбарлах, харьцуулах
11:05

Дүрэмд үндэслэсэн ангиллын арга (Rule-Based Classification )
11:05

C5 алгоритмаар зүрхний өвчин таамаглах дүрэм үүсгэх
17:11

Дүрэмд үндэслэсэн ангиллын Sequential Covering алгоритмын тухай
09:06

JRip функцаар зүрхний өвчин таамаглах дүрэм үүсгэх
12:07

Ангиллын аргуудын үр дүнг харьцуулах
13:56

Загварын үнэлгээ
15:02

confusionMatrix() функцын тухай
06:45

confusionMatrix() функцын тухай (үргэлжлэл)
18:51

Загварын үнэлгээ, Holdout & Random Subsampling, Cross-Validation аргууд, train() функц, зээлийн хэрэглэгчийн мэдээлэл
21:33

trainControl(), train() функцаар зээлийн хэрэглэгчийн өгөгдөлтэй ажиллах
14:14

trainControl(), train() функцаар зээлийн хэрэглэгчийн өгөгдөлтэй ажиллах (үргэлжлэл)
09:33

Repeated cross validation аргыг trainControl(), train() функцаар дамжуулан зээлийн хэрэглэгчийн өгөгдөлд турших (үргэлжлэл)
10:39

Загварын үнэлгээний Bootstrap арга, машины хурд ба замын тэмдэглэгээний өгөгдлийн багцын тухай
14:11

Загварын үнэлгээний Bootstrap аргаар машины хурд ба замын тэмдэглэгээний өгөгдлийн багцыг шинжлэх
11:10

Загварын үнэлгээний Bootstrap аргаар машины хурд ба замын тэмдэглэгээний өгөгдлийн багцыг шинжлэх (үргэлжлэл)