‫تمرین اول‬
‫شناخت و کسب اطالعات درباره داده‬
‫داده پیش رو بخش کوچکی از مجموعه داده ‪ Stackoverflow‬می باشد‪ .‬از این مجموعه داده بر مبنای معیار های خاصی‪ ،‬مجموعه داده ای‬
‫برای هر گروه استخراج شده است‪ .‬الزم به ذکر است که معیارهای استخراج هر مجموعه داده با سایرین متفاوت می باشد ‪ .‬در نتیجه مجموعه‬
‫داده های هر گروه متفاوت از سایرین می باشد!‬
‫در نخستین مرحله از پ روژه به تحلیل داده پرداخته می شود‪ .‬انتظار می رود با انجام این مرحله دیدی ابتدایی از داده حاصل گردد‪ .‬بدین منظور‬
‫با مشاهده مجموعه داده‪ ،‬ویژگی ها و مقادیر آن را استخراج و شرح دهید‪ .‬برای مثال گزارش شما می بایست شامل نوع‪ ،‬ویژگی های مقادیر و‬
‫تفسیری از مفهوم هر قسمت از داده باشد‪.‬‬
‫چه ویژگی هایی از داده را جزء مهم ترین و تاثیرگذارترین ویژگی ها میدانید؟ ارتباط آنها با هم و با سایرین را بدست آورید‪.‬‬
‫مجموعه داده را میتوان بر چه اساسی دسته بندی نمود؟ کدام ویژگی برای دسته بندی داده‪ ،‬مناسب ترین ویژگی می باشند؟ ارتباط سایر ویژگی‬
‫ها را با این ویژگی بدست آورید‪.‬‬
‫داده شما از نظر مقادیر گمشده به چه صورت است؟ آیا می توان این مقادیر را پر کرد؟ چگونه؟‬
‫آیا ناسازگاری در مقادیر داده مشاهده می شود؟‬
‫آیا مقادیری را در ویژگی ها مشاهده می نمایید که با سایر اطالعاتی که از داده بدست می آورید متفاوت باشد؟‬
‫همچنین تحلیل های زیر را بر مجموعه داده انجام دهید‪:‬‬
‫‪ ‬مدت زمان بین مطرح نمودن پرسش تا تخستین پاسخ‬
‫‪ ‬مدت زمان بین مطرح نمودن پرسش تا تخستین پاسخ صحیح‬
‫‪ ‬ارتباط امتیاز پرسش با شهرت کاربر‬
‫‪ ‬ارتباط امتیاز پرسش با تعداد پاسخ‬
‫‪ ‬رابطه امتیاز پرسش و تعداد نظرات‬
‫‪ ‬رابطه امتیاز نظر با شهرت کاربر‬
‫‪ ‬استخراج پرسش های با کیفیت باال با استفاده از ‪ bagde‬ها و بررسی خواص آنها‬
‫‪ ‬استخراج پاسخ های با کیفیت باال با استفاده از ‪ bagde‬ها و بررسی خواص آنها‬
‫نکات‪:‬‬
‫مجموعه داده به صورت فایل های ‪ mdf‬و ‪ ldf‬از ‪ sql server 2008‬می باشد بنابراین نصب ‪ sql server 2008‬ضروری می باشد‪.‬‬
‫در گزارش خود از نمودار های مناسب و گویا استفاده نمایید و تحلیلی درباره آنها ارائه نمایید‪ .‬همچنین می بایست کد های به کار رفته همراه با‬
‫توضیحات کافی در گزارش موجود باشد‬
‫انتظار می رود در گزارش شما‪ ،‬معیارهایی هایی که برای مجموعه داده تان در نظر گرفته شده بود‪ ،‬نهفته باشد‪.‬‬
‫استفاده از ‪ R‬برای این تمرین اختیاری می باشد و دارای نمره مثیت می باشد‪.‬‬
‫با هر گونه تقلب برخورد جدی صورت خواهد گرفت‪.‬‬
‫زمان تحویل‪:‬‬
‫سه شنبه ‪ 5‬آبان‬