Back Propagation םתירוגלא

: ןויערה

םייארקא

תולקשמ הלחתהב *

תואמגוד

םיגיצמ ןומיאה בלשב * םאות

טלפו טלק

הליכמ אמגוד לכ *

תולקשמה יוניש בוט הזוח

תשרה ןומיא רחאל * * • 1

היצקינומוקלטה םוחתב תואנוה רותיא : אמגוד :

ןומיאה בלש ירקמ

תוגציימה ןופלט תוחיש תומושר ףסוא ונביי *

האנוה יאו האנוה

ןומיאה תצובק תא תווהמ הלא תומושר * טלפה ינתשמ םהמו טלקה ינתשמ םהמ םינייצמ םיטלק : לשמל * *

החיש ךשמ

*

םידעי

*

החיש ןמז

* • 2

3 היצקינומוקלטה םוחתב תואנוה רותיא םתירוגלאה תא םיליעפמ *

4 היצקינומוקלטה םוחתב תואנוה רותיא ?

תאצומ תשרה ןומיאה רחאל ?

:

שומישה בלש

• •

5

” רוחאל הרבעה “ : םתירוגלאל אמגוד (Backward Propagation Algorithm)

Repeat For each e in example do O Neural Network Output for e T Target Output value from e Update the weights (Wj) in the network based on T - O End Until Stopping condition is reached • • • • • • • •

6

” רוחאל הרבעה “ : םתירוגלאל אמגוד (Backward Propagation Algorithm

: תולקשמה ןוכדע Err = T - O (Wj = Wj + a * (Ij * Err) • • • הדימלה בצק םדקמ ונה a רשאכ •

ליג פ " ע לגר תטישפ יוזיח אמגוד להנמה

ל " כנמה ליג ס " ע הזוח תשרה ) ןקז + 41 , רגוב 40-26 , ריעצ 25-0 ( ) 0 ( אל וא ) 1 ( לגר תטישפ היהת םאה טלק ינוריונ 3 הצקנ " ליג " טלקה הנתשמ רובע ןוילעה ןוריונב יעצמאה ןוריונב ןותחתה ןוריונב 1 1 : : 1 ריעצ רגוב : ןקז * * * 7 דיחיו דחא ןוריונ הצקנ טלפה הנתשמ רובע 1 וא ) לגר תטישפ ןיא ( 0 ךרע : לבקיש ) לגר תטישפ שי ( • • •

ליג פ " ע ל

גר

תטישפ להנמה יוזיח אמגוד

: תמיוסמ תחא ןומיא תצובק םע תשרה תא ןמאנ ןיא : טלפה רשאכ ) 0,1,0 ( ) רגוב ( 38 ליגב להנמ : טלק ) 0 ( לגר תטישפ 0 אלו 1 " הרי " טלפה תבכשב ןוריונהו רחאמ Err=0-1=-1 : הניה האיגשה האיגשל םאתהב תולקשמה תא הנשמ םתירוגלאה תעכ • • • 8

פ " ע לגר תטישפ יוזיחב םיתמצב תולקשמה תמאתהל אמגוד להנמה ליג ליג 0 1 0

W 1 = 1 W 2 =2 W 3 =1 Activation Power =0*1 + 1*2 + 0*1 = 2 T=1.95

Activation Power =1*0.5 + 1*0.5 = 1 Out=1 W 7 =0.5

T=0.5

Out=1 W 5 =1 W 4 =0.5

Out=1 W 6 =0 W 8 =0.5

Activation Power =0*0.5 + 1*1 + 0*0 = 1 T=0.5

1

בצמ האיגש

9

ןומיא תצובק – םיתמצב תולקשמ תמאתה תחא (W j = W j + a * (I j * Err)

•

a = 0.1 : הדימלה םדקמ

W 1 =1+0.1*(0*(-1))=1 W 2 =2+0.1*(1*(-1))=

1.9

W 3 =1+0.1*(0*(-1))=1 W 4 =0.5+0.1*(0* (-1))=0.5

W 5 =1+0.1*(1*(-1))=

0.9

W 6 =0+0.1*(0*(-1))=0 W 7 =0.5+0.1*(1*(-1))=

0.4

W 8 =0.5+0.1*(1*(-1))=

0.4

• • • • • • • • • 10

פ " ע לגר תטישפ יוזיחב םיתמצב תולקשמה תמאתהל אמגוד להנמה ליג ליג 0

W 1 = 1 Activation Power =0*1 + 1*1.9 + 0*1 = 1.9

T=1.95

Activation Power =0*0.4 + 1*0.4 = 0.4

Out=0 W 7 =0.4

T=0.5

1

W 2 =1.9

0

W 3 =1 Out=0 W 5 =0.9

W 4 =0.5

Out=1 W 6 =0 W 8 =0.4

Activation Power =0*0.5 + 1*0.9 + 0*0 = 0.9

T=0.5

0

בצמ ןיקת

11

12

תוינוכמ ישכור גוויסל תיבצע תשר

תוינוכמ ישכור גוויסל תיבצע תשר

הזיא ונקי תוחוקל וליא תובנל : תשרה תרטמ תינוכמ : םירטמרפ 4 לע ססבתמ גוויסה ) םיחווט 3 ( ליג * תינוכמ םויק ) אל / ןכ ( תימדקא הלכשה * * ) םיחווט 2 ( הסנכה תמר * • • 13

14

תמוצב םיטלקה לולקש

15

דודיק בצמב תיבצע תשר

16

תיבצע תשרב שמתשנ יתמ

היצקנופכ טלפה הנתשמ תא אטבל ןתינ אל Y = aX1 + bX2 + cX3 … : אמגודל

תיראיניל םינימא אל

םינותנ

םירסח

םינותנ

קוידל ועיגה אל תוקינכטה ראש

• • • •

תשרב שומישב תונורסחו תונורתי תיבצע

תובוט גוויס / יוזיח תואצות

: ןורתי

•

: תונורסח

רבסהל תושק תואצות " הרוחש אספוק * " * ךורא ןומיאה ךילהת * • 17

18 Clustering

19 K-Means Node

20 Clusters Generation

21 Clusters Generation

22 Clusters Generation

Attributing each customer to a cluster 23

Distribution of each cluster overlay age 24

25 תולוכשא תריציל םתירוגלא

26 ךשמה

27 Association Rules

28 םינותנ ץבוק תרדגה

29 Apriori Node

30 Association Rules

31 Generate Rule Set

32 Rule set for Sour_Cream

33 Rule set for Sour_Cream

34 ליג פ " ע תנמשה ינכרצ תוגלפתה

35 ליג פ " ע תנמשה ינכרצ תוגלפתה

36

םילדומ / תוקינכט לש תונורסחו תונורתי

37

םינותנה תיירכ ךילהת

םינותנה תנכהב ץמאמ 80% ומצע םינותנה תיירכ ךילהתב ץמאמ 20% • •

38

םינותנה תיירכ ךילהת

םינותנ תיירכ ךילהתב םיבלש

היעבה בחרמ תרדגה .

1

(Problem Formulation) 39

םינותנ תיירכ ךילהתב םיבלש הדובעה תביבס תנכה .

2

(Data Mining Environment Setup) אדוו הרמוחה תונימז הנכותה תונימז תרושקתה תשר תונימז םינותנה תיירכ ילכ תונימז * * * * 40

םינותנ תיירכ ךילהתב םיבלש

םינותנה תריזגו רותיא .

3

(Data Selection) תוכרעמ / ןסחמ םימייקה םינותנ יופימ * תוילועפת םינותנה תונימזו תוכיא תכרעה * הנשמ ןסחמל הריזגה תוינכות תנכה * 41

םינותנ תיירכ ךילהתב םיבלש

םינותנה יוקינ

.

4

(Data Cleaning)

םינותנה תרשעה .

5

(Data Enrichment) 42

43

םינותנ תיירכ ךילהתב םיבלש םינותנה דודיק .

6

(Data Coding)

?

יולת הז המב

םינותנ תיירכ ךילהתב םיבלש

(Data Mining)

םינותנה תיירכ .

7

ךילהתה בל * יוליג * טילחהל שי * הקינכט םתירוגלא םייבושחמ םילכ 44

םינותנ תיירכ ךילהתב םיבלש

(Reporting)

חוויד .

8

םיאצממ תואצות הגצה יכרד תוטלחה ילבקמל חותינ םוכיס שוביג הגצה 45

46

תיירכל םינותנה ןסחמ ןיב היצרגטניא םינותנה

47

םינותנ תיירכב תויעב

–

םינותנ תוכיאל תושיגר

םינותנב שומיש םינימא אל * םימלש אל * םייתוכיא אל *

םינותנ תיירכב תויעב

– םיקיפסמ םינותנ רדעה

• תוינוציח תוכרעממ הגשה םד תוירודכ תריפס ינותנ : אמגוד תומודא הסנכה ינותנ 48

49

םינותנ תיירכב תויעב תא ריבסהל תלוכיה רדעה תואצותה

•

50

םינותנה תיירכב תוירקיע תויעב – ידוחיי םינותנ הנבמ

• ןסחמ לע תורישי לעופ אל םילכ

-

םידחוימ םינבמל תוקקדזה

-

51

תויעב

םיעוציב

טלקה יצבק לדוגב םילבגומ םילכ קויד יאל איבמ ןטק םגדמ -

52

תויעב

טקיורפה תולע תקדצהב ישוק

• תואצות יבגל שארמ בייחתהל ישוק ךילהתה

רבד ףוס

דובכ םוקמ םינותנ תיירכ םיכילהתה תגספב ךרוצה לדגי ךכ םינותנ תיירכ םייטילנאה לדגי םינותנה חפנש לככ םינותנ תיירכב 53 תוקינכט תא המילשמ םינותנה תיירכ תותליאש יללוחמ OLAP ירצומו חותינ תלוכיל ףיסומ םינותנ תיירכ עדימה • • • • •