داده کاوی با هدف اصلی کشف الگوها در بین حجم وسیعی از دادهها و همچنین تبدیل دادهها به اطلاعات تمیز شده و کاربردیتر استفاده میشود. ابزارهاي داده کاوي بطور گسترده براي حل مشکلات دنیاي واقعی در شاخه هاي مهندسی، علوم و تجارت مورد استفاده قرار می گیرد. امروزه ابزار های زیادی برای داده کاوی موجود هست و روز به روز نیز تعدادشان رو به گسترش است. در این مقاله سعی شده است ابزار های مشهور و پرطرفدار داده کاوی از نظر امکانات، مزایا، معایب و ... بررسی و با یکدیگر مقایسه شوند؛ با توجه به کاربرد روز افزون داده کاوی هرچقدر با ابزار های مختلف آشنا باشیم ،هر کدام از آنها میتواند ما را در شناخت بهتر دادههای موجود و کشف هر چه بهتر روابط میان آنها یاری کند.
داده ها تا زمانی که روی آنها پردازشی نشده است بصورت خام هستند و تنها پس از پردازش هست که این داده ها به الگو و اطلاعات مهم و قابل استفاده تبدیل میشوند؛ داده کاوی یا استخراج دانش از داده ها، به تجزیه و تحلیل دادهها و کشف الگوهای مفیدی در یک مجموعهی داده گفته میشود . داده کاوی فرآیندی است که برای مدیریت داده ها و کسب کار بسیار مهم هست و در حوزه ها مختلف اعم از دانشگاه تا صنعت مورد استفاده قرار میگیرد.
امروزه اطلاعات بسیار برای ما ارزشمند شده اند و بیشتر آنها ساختار به خصوصی ندارند. در واقع، داده ها حقایقی هستند که معنای خاصی را منتقل نمیکنند اما ما با استفاده از داده کاوی میتوانیم آنها را به اطلاعات با ارزش و معنا دار تبدیل کنیم به همین دلیل نیاز به روشی هست که با استفاده از اطلاعات خام و تبدیل آن به الگوهای با ارزش به کمک ما بیاید زیرا ما به تصمیم گیری های کاربردی نیاز داریم تا الگو های لازم را از این داده ها استخراج کنیم. در این جا نقش نرم افزار های داده کاوی پررنگ میشود.
ابزار های مختلفی برای داده کاوی وجود دارند و روز به روز گسترش پیدا میکنند، این ابزارها با استفاده از مدل پردازش داده، تصویر سازی و ... فرایند داده کاوی را برای ما راحت تر و سریعتر میکنند. بیشتر تفاوت این ابزار ها در نوع روش کار و تکنیک های بکار گرفته شده ، نوع آنالیز و حجم داده ها و ... است .
ابزار های داده کاوی با استفاده از تکنیک های پیشرفته همچون یادگیری ماشین، هوش مصنوعی، الگوریتم های خاص و آنالیز آماری به کمک شما می آیند.
شناخت خصوصیات هر یک از این ابزار ها به شما کمک میکند که در مواجهه با داده های مختلف، تصمیم گیری بهتر و در نتیجه در کشف الگوها ، روندها و گروه بندی های خاص موفق تر عمل کنید.
این نرمافزار یک ابزار دادهکاوی متن باز است که با زبان جاوا نوشته شدهاست که به دو صورت رایگان و تجاری در اختیار کاربر قرار میگیرد و از سال 2001 تا به حال، توسعه داده شدهاست، امکان استفاده از این نرم افزار در سیستمهای عامل مختلف از جمله ویندوز، لینوکس و سیستمهای مکینتاش وجود دارد. میتوان گفت یکی از بهترین مزایای آن عدم نیاز آن به دانش کد نویسی است و استفاده از آن را برای کاربر بسیار آسان نموده است که آنرا بسیار محبوب و پرطرفدار کرده است؛ توسعه دهنده های این نرم افزار سعی کرده اند کتابخانه ای کامل برای آن بوجود بیاورند و تمام الگوریتمهای رایج دادهکاوی و همچنین یادگیری ماشین در آن پوشش داده بشود . رابط گرافیکی زیبا و کاربرپسند نرمافزار نیز از دیگر ویژگی های این نرم افزار به شمار می رود.
گارتنر موسسه پژوهشی معروف این ابزار را در حوزه دادهکاوی پیشنهاد میکند. این نرم افزار به عنوان پرکاربردترین نرم افزار داده کاوی در سال 2014 شناخته شده است
مزایا
- ارائه گزارش و رونوشت از مراحل اجرای الگوریتم.
- رابط گرافیکی زیبا و کاربرپسند
- قابلیت تطابق با فایلهای خروجی بسیاری از نرمافزارها مانند Excel.
- امکان اتصال به زبانهای برنامهنویسی مختلف مانند Python ، Wekaو R
- امکانات متن کاوی
- امکان تصحیح و خطایابی بسیار سریع.
- آموزش آسان
- داشتن مستندات راهنما .
- امکان اجرای همزمان الگوریتمهای یادگیری متفاوت در نرمافزار و مقایسه آنها با یکدیگر در ابزار در نظر گرفته شدهاست.
معایب
- رایگان نبودن نسخه کامل آن
- این زبان در سال 1990 ساخته شدهاست و در مقایسه با سایر ابزارها نسبتا قدیمی است.
این نرمافزار متن باز بوده و و بر پایه زبانهای Sو Scheme پیادهسازی شدهاست . این نرمافزار متن باز، حاوی تکنیکهای آماری مانند مدلسازی خطی و غیرخطی، آزمونهای کلاسیک آماری، تحلیل سریهای زمانی، دسته بندی، خوشهبندی و همچنین برخی قابلیتهای گرافیکی است. Rرا میتوان در محاسبات ماتریسی نیز به کار برد که این امر منجر به استفاده از آن در عملیات دادهکاوی نیز میشود.
مزایا
- شامل توابع بسیار گسترده آماری است.
- در برابر سایر نرمافزارهای مرسوم کار با آرایه مانند MATLAB، PL و Mathematica نرمافزار قدرتمندی است.
- طی چند خط دستور قابل نصب است و شامل دستورات دادهکاوی و همچنین یادگیری ماشین است.
- با استفاده از ویژگی Pipeline، قابلیت ترکیب بالایی را با سایر ابزارها و نرمافزارها دارا است.
- توابع نموداری مناسبی دارد.
معایب
- فقدان واسط کاربری گرافیکی.
- فقدان سفارشیسازی لازم جهت دادهکاوی.
- ساختار زبانی آن کاملا با ساختارهای مرسوم زبانهای برنامهنویسی مانند C++، C#، C، PHP، Java و VB متفاوت است.
- یادگیری نسبتا سخت.
در سال ۱۹۹۷ نیز این برنامه از پایه با زبان برنامه نویسی JAVA نوشته شد و توسعه یافت. نرم افزار Weka یک نرم افزار متن باز جهت پیاده سازی الگوریتمهای یادگیری ماشین و داده کاوی است. وکا را میتوان روی سیستم عاملهای مختلف مانند ویندوز، لینوکس و مکینتاش نصب و اجرا کرد.
میتوانید از قابلیتهای یادگیری عمیق (Deep Learning) نرم افزار وکا مانند شبکهعصبی عمیق (Deep neural networks)، شبکه عصبی پیچشی (Convolutional neural network) و شبکه عصبی بازگشتی (Recurrent neural network) و از طریق رابط کاربر گرافیکی این نرم افزار استفاده کنید.
در سال ۲۰۰۵، نرمافزار WEKA که مخفف Waikato Environment for Knowledge Analysis به معنی «محیط وایکاتو برای تحلیل دانش» است، جایزه بهترین خدمات دادهکاوی و کشف دانش (SIGKDD) را گرفت.
مزایا
- وجود رابط کاربر گرافیکی مناسب
- میتوانید از محبوبترین زبانهای برنامه نویسی علم دادهها (Data science) مانند R، پایتون و اسپارک در این نرم افزار استفاده کنید.
- یادگیری نسبتا آسان و وجود آموزش های فراوان برای این نرم افزار.
- بدون نیاز به یک خط برنامه نویسی میتوانید از قابلیتهای این نرم افزار استفاده کنید.
- نرم افزار وکا با با فرمتهای مختلف داده مانند اکسل، CSV و Arff کار میکند.
معایب
- زمانبر بودن اجرای مدلها به علت عدم بهینه بودن برخی از آنها (در برخی موارد زمان اجرای یک الگوریتم در این نرم افزار در مقایسه با نرم افزاری مانند IBM modeler حتی به ۵برابر نیز می رسد)
- محدودیت در روش های خوشه بندی و قواعد انجمنی
- محدودیت شدید در مصورسازی داده ها
نرم افزار SPSS Modeler که از سال 1994 کار ساخت و توسعه اش توسط کمپانی IBM شروع شده است،.یک نرم افزار کاربردی برای داده کاوی و تجزیه و تحلیل متن هاست که برای ایجاد مدل های پیش بینی کننده و انجام سایر امور مرتبط با تجزیه و تحلیل مورد استفاده قرار می گیرد. نام اولیه این نرم افزار کلمنتاین Clementineبود که بعده ها به SPSS Clementineمعروف شد و در نهایت به IBM SPSS Modeler تغییر نام پیدا کرد.
دارای رابط کاربری ساده و مناسبی است و به کاربر این امکان را می دهد که بدون داشتن دانش برنامه نویسی، الگوریتم های داده کاوی و آماری را در پژوهش های خود به کار گیرد
اگر در مقیاس گستردهای از پروژههایی مانند آنالیز متنی کار میکنید حتما میز کار IBM SPSS و رابط تصویری آن را کشف خواهید کرد. این ابزار شما را قادر میسازد طیف گستردهای از الگوریتمهای داده کاوی را بدون داشتن اطلاعاتی در مورد برنامه نویسی تولید کنید.
اگر شما در حال کار با یک مجموعه دادهی عظیم هستید، این نرم افزار میتواند به شما در تجزیه و تحلیل دادههایتان کمک کند.
مزایا
- رابط کاربری ساده و مناسب
- عدم نیاز آنچنانی به دانش برنامه نویسی
- نرم افزاری حرفه ای برای انجام محاسبات پیچیده و آنالیزهای آماری به صورت سرور و کلاینت میباشد.
- دارای قابلیت پیشبینی برای تشخیص گروهها مانند تحلیل عاملی، تحلیل خوشه ای و … میباشد.
- برآمدهای عددی مانند برگشت خطی میتود پیشبینی کند.
معایب
- گراف ها میتوانستند بهتر باشند
متلب یک نرم افزار تجاری بوده و انتشار ابتدایی آن به سال ۱۹۸۴ برمیگردد و توسط زبان های C/C++، جاوا پیاده سازی شده است در سیستمعامل های ویندوز، مکاواس، و لینوکس قایل استفاده است. متلب نیاز به دانش کد نویسی دارد به همین دلیل برای استفاده افراد تازه کار زیاد توصیه نمی شود.
مزایا
- وجود آموزش های زیاد
معایب
- تجاری بودن
- توسعه شده خصوصا برای حل مسائل ریاضی
- عدم یکپارچگی متلب با سایر نرم افزارهای داده کاوی
- سختی کار با داده های بزرگ
پایتون زبان برنامه نویسی ساده و کاربردی ظهور یافته در سال 1991 که در علم داده کاوی بسیار کاربرد دارد زیرا این زبان به دلیل چند منظوره و سادگی آن مورد استفاده همه افراد قرار گرفته است و همچنین این زبان با داشتن کتابخانه های مختلف موجب شده است که اکثر برنامه نویسان از این زبان استفاده کنند..
مزایا
- پرکاربرد بودن و مناسب بودن برای کاربرد های ریاضی
- سادگی
-کاربری آسان
-قابلیت پیاده سازی و استفاده از آن در انواع سیستم عامل ها
معایب
- الگوریتمهای یادگیری مدل در این کتابخانه هنوز به بلوغ کامل نرسیدهاند و در حال تکامل هستند.
- الگوریتمهای دادهکاوی معمولا از اجزای کاملا متفاوتی تشکیل شدهاند و یکپارچه نیستند. برای پیادهسازی آنها توسط این ابزار میبایست از ترکیبهای متفاوت آنچه در اختیار ما قرار دارد، استفاده کنیم.
برای پیادهسازی الگوریتمهای دادهکاوی توسط این Python، میبایست از ترکیبهای متفاوت آنچه در اختیار ما قرار دارد، استفاده کنیم.
این ابزار متن باز و رایگان است که در عین حال نسخه تجاری آن نیز موجود میباشد و نسبت به سایر ابزار ها جدید است. زبان برنامهنویسی استفاده شده جهت توسعه این ابزار Java بوده است و پلتفرمی است که بر سه چیز تمرکز دارد: ادغام، تجزیهوتحلیل و گزارش دهی.
بررسی انجام شده از سوی گارتنر نشان میدهد مشتریان به واسطه انعطافپذیر بودن، ادغام روان و متنباز بودن از این ابزار راضی بودهاند
این ابزار همچنین به شما اجازه میدهد از طریق بهکارگیری افزونههایی به قابلیتهای بیشتری همچون متنکاوی و عکسکاوی دسترسی پیدا کنید.
مزایا
- امکان اتصال به برنامههای مشابه مانند Weka و یا زبان R
- متنکاوی و عکسکاوی
- مقیاسپذیری بالا از طریق مدیریت دادهها و catching خودکار آنها
- از طریق API خیلی ساده میتوان آن راتوسعه داد.
- در این نرم افزارم امکان ورودی و خروجی از طریق Workflowوجود دارد.
- میتوان به صورت موازی روی سیستمهای چند هستهای آن را اجرا کرد.
معایب
- کند بودن نسبت به سایر ابزار ها
- نامنظم بودن گزارشات
همانطور که در بررسی تک به تک هر نرم افزار دیده شد هر نرم افزار دارای مزایا و معایب بخصوصی هست و نمی توان به صورت دقیق رتبه بندی کرد این که چه نرم افزاری مناسبتر از بقیه در علم داده کاوی هست باید با توجه به پروژه موجود طرح شود به طور مثال چه بسا در داده های کوچک یک نرم افزار میتواند موفق تر عمل کند و در داده های بزرگ نرم افزار دیگر ؛ پس باید با خصوصیات هر نرم افزار آَشنا بود و در مواجهه با داده های پیش رو مناسب ترین نرم افزار را انتخاب نمود.
منابع و مراجع
https://www.trustradius.com/products/ibm-spss-modeler/reviews?qs=pros-and-cons
https://en.wikipedia.org/wiki/SPSS_Modeler
https://blog.faradars.org/weka-introduction/
https://tik4.com/articles/machine-learning/data-mining/weka-software.html
https://danup.ir/courses/data-mining-and-machine-learning-with-ibm-spss-modeler/
https://maktabkhooneh.org/mag/what-is-data-mining-with-python/
https://www.itcentralstation.com/products/knime-pros-and-cons
https://dataak.com/blog/معرفی-نرم-افزار-داده-کاوی-وکا-weka/
https://fa.wikipedia.org/wiki/متلب
https://dataak.com/blog/معرفی-ابزارهای-رایگان-داده-کاوی/
https://keysun-co.com/بزارهای-برتر-داده-کاوی-در-سال-2018/
https://sokanacademy.com/blog/1773/معرفی-لیستی-از-ابزارهای-اپن-سورس-برای-داده-کاوی
. https://mfta.ir/oldposts/معرفی-بیش-از-25-ابزار-مجانی-داده-کاوی-برا
https://zerotohero.ir/article/data-science/معرفی-ابزارهای-داده-کاوی/
http://www.modir1.com/تحلیل-داده/داده-کاوی/340-نرم-افزار-RapidMiner
https://fa.wikipedia.org/wiki/دادهکاوی_با_پایتون
https://andishino.com/نرم-افزارهای-داده-کاوی-را-بیشتر-بشناسی/
https://assessment.blogsky.com/1395/12/25/post-119/معرفی-نرم-افزار-SPSS-Modeler
https://iran-matlab.ir/product/آموزش-استفاده-از-weka-در-matlab/