پیدا کردن مقدار دقیق یک عدد یا کلمه در اکسل

شاید بر ای شما هم پیش آمده باشد که بخواهید عدد یا کلمه ای را در اکسل به کمک ctrl+F پیدا کنید ولی اکسل هم عدد(کلمه) مورد نظر شما را پیدا می کند و هم اعدادی (کلماتی) را که شامل عدد مورد نظر شما می شوند. مثلا فرض کنید می خواهید عدد صفر را در یک جدول پیدا کنید در این حالت اکسل هم عدد صفر و هم اعدادی مانند 20، 302، 1000 و غیره می یابد. برای رفع این مشکل به طریق زیر عمل کنید. با فشردن کلیدهای ترکیبی Ctrl+F به صورت همزمان کادری باز می شود. با فشردن کلید Option در این کادر عکس زیر را خواهید داشت:

حالا برای اینکه اکسل دقیقا و فقط سراغ صفرها برود تیک Match entire cell contents را بزنید. به این ترتیب مشکل شما حل می شود و می توانید با صفرها هر کاری می خواهید بکنید. مثلا می توانید تمامی آنها را با مقدار خالی جایگزین کنید.

مرتضی علیاری

1398/03/28

تفاوت میان YTD و MAT در گزارشهای آماری

شاید تاکنون به گزارشهایی برخورده باشید که در آنها نمودارها را با عنوان YTD یا MAT ارائه کرده اند. در این پست به تفاوت این دو شاخص خواهیم پرداخت. YTD و MAT به ترتیب خلاصه عبارتهای Year to Date و Moving Annual Total است. YTD در واقع نمایشگر دوره زمانی از ابتدای سال تا لحظه گزارشگیری است. مثلا سهم بازار YTD 1398 یعنی سهم بازار محصول x از ابتدای سال 1398 تاکنون.

همجنین MAT نمایشگر میزان فروش یک متغیر، مثلا فروش، در مدت زمان یک ساله گذشته. مثلا اگر هم اکنون در اردیبهشت ماه هستیم میزان فروش از اردیبهشت 1397 تا اردیبهشت 1398 مورد محاسبه قرار می گیرد.

مزتضی علیاری

1398/02/29

تفاوت الگوریتمهای k نزدیکترین همسایگی و K-means

در پستهای قبلی در مورد تفاوت میان طبقه بندی و خوشه بندی بحث کردیم. در مورد سوال این پست نیز اولین پاسخی که می توان داد این است که الگوریتم K نزدیکترین همسایگی (KNN) یک الگوریتم طبقه بندی و الگوریتم k-means یک الگوریتم خوشه بندی است. منطق الگوریتم KNN به زبان ساده این است که اگر شما شبیه به همسایگانتان باشید، آنگاه شما یکی از آنها خواهید بود. یا اگر سیب شباهت بیشتری به موز، پرتقال و ملون (میوه) نسبت به یک میمون، گربه یا موش (حیوان) دارد، آنگاه به احتمال قوی سیب یک میوه است. در ادامه مثالی آورده شده است. فرض کنید سه کلاس داریم و هدف پیدا کردن کلاس مناسب یرای مثال ناشناخته x_j است. بعبارت دیگر می خواهیم بدانیم برای مثال ناشناخته x_j  ، کدام برچسب کلاس مناسبتر است. در این مورد  از فاصله اقلیدسی و k=5 همسایه استفاده کرده ایم. از میان 5 تا از نزدیکترین همسایه ها، 4 تا متعلق به w₁  و یکی متعلق بهw₃  است بنابراین x_j  به w₁ ، کلاس غالب، تخصیص داده خواهد شد.

در مورد K-means هم که شما باید با داشتن تعدادی داده، آنها را در K  خوشه، خوشه بندی کنید. روش K-means متعلق به خانواده الگوریتمهای مرکز متحرک است به این معنا که مرکز خوشه در هر تکرار به آهستگی به سمت مینیمم کردن تابع هدف پیشروی می کند. در شکل زیر شما با یک حدس اولیه برای میانگینهای خوشه های m₁  و m₂  شروع می کنید و از این میانگینها برای گروه بندی هدف هایتان استفاده می کنید، سپس میانگینها را بروز می کنید  و دوباره گروه بندی می کنید و این کار را تا جایی ادامه می دهید که میانگینهای m₁  و m₂  تغییر یا حرکت نکنند یا اینکه عملیات تکرار را تا دستیابی به یک حد آستانه (بعنوان مثال تعداد تکرارها) ادامه می دهید.

یادگیری ماشین چیست و انواع آن کدامند؟

در این پست شما را با مبحث یادگیری ماشین یا Machine Learning که یکی از مباحث پایه علم هوش مصنوعی است آشنا خواهم کرد. 

مغز شما به صورت ناخود آگاه در طول روز بارها و بارها با استفاده از روش یادگیری ماشین در تمیز دادن چیزهای مختلف از یکدیگر به شما کمک می کند. فرض کنید در کودکی به شما گفته شده نام حیوانی با این شکل خاص و با این قد مثلا اسب است. از آن زمان تاکنون مغز شما به صورت کاملا دقیق تمام حیواناتی را که ویژگی هایی نزدیک به ویژگی های گفته شده را دارند به عنوان اسب می شناسد.

به عنوان مثالی دیگر فرض کنید تعدادی شکل هندسی به شما داده اند و نام آنها را به شما نگفته اند و از شما خواسته اند که آنها را در دسته های جدا قرار دهید. در اینجا کاری که مغز شما می کند به این صورت است که  ویژگی های مشابهی را در اشکال پیدا می کند و در نهایت اشکال شبیه به هم را در یک دسته قرار می دهد. 

  در اینجا شما با دو گونه از یادگیری آشنا شدید که در ادامه توضیح داده ام:

نوع اول زمانی است که به شما الگویی مانند اسب را نشان می دهند و از آن پس مغز شما دیگر تمامی اسب ها را خواهد شناخت. به این نوع از یادگیری، یادگیری با ناظر یا Supervised Learning گفته می شود. 

در نوع دوم بدون اینکه آموزشی داده شود به شما تعدادی شکل داده می شود و  خواسته می شود که آنها را در دسته های جدا گانه قرار دهید. مغز شما اشکال را با استفاده از شباهت هایی که با هم دارند در دسته های مختلف دسته بندی می کند. به این نوع از یادگیری، یادگیری بدون ناظر یا Unsupervised Learning کفته می شود.

البته یادگیری ترکیبی نیز وجود دارد که در اینجا به آن پرداخته نشده است.

کامپیوترها نیز درست مشابه مغز انسان با استفاده از مثالهایی که به آنها ارائه می شود و یا با استفاده از ویژگی های مشترک اقدام به یادگیری می کنند که به این فرآیند یادگیری ماشین گفته می شود.

در پایان این پست، امیدوارم که این مطلب برای شما مفید بوده باشد. منتظر پست بعدی باشید که در مورد انواع تکنیکهای یادگیری ماشین خواهد بود.

مرتضی علیاری

98/01/21