#نرم_افزار_جدید_ما
#از_R_لذت_ببریم

پکیج نرم‌افزاری جدید آزمایشگاه در زبان R با نام NIMAA (Nominal data Mining and Analysis) هم‌اکنون به‌صورت یک وب‌اپلیکیشن تعاملی در دسترس است.

NIMAA: Unveiling Hidden Insights in Nominal Variables

با استفاده از این اپلیکیشن، کاربران می‌توانند شبکه‌های دوبخشی وزنی و بدون وزن بسازند، شباهت برچسب‌ها در متغیرهای اسمی را تحلیل کنند، برچسب‌ها را به اَبَربرچسب خوشه‌بندی کنند، نتایج خوشه‌بندی را اعتبارسنجی نمایند، یال‌های شبکه را با درون‌یابی وزن‌های مفقوده پیش‌بینی کنند، و از طیف متنوعی از ابزارهای بصری‌سازی بهره ببرند.

در این پلتفرم، کاربردهای داده‌کاوی اسمی روی مجموعه‌داده‌های متنوعی با متغیرهای اسمی غنی نمایش داده شده است، از جمله:

مثال ۱: beatAML – حساسیت دارویی در نمونه‌های ex-vivo بیماران برای ارزیابی مهارکننده‌ها و داروها

مثال ۲: DrugComb – پلتفرم جامعه‌محور برای استانداردسازی نتایج غربالگری ترکیبات دارویی در رده‌های سلولی سرطانی

مثال ۳: Robertson – داده‌های بلندمدت گونه‌های گیاهی و حشرات در یک مکان مشخص

مثال ۴: herbIngredient – نسخه دوم TCMID برای گیاهان دارویی طب سنتی چینی

مثال ۵: Annual Nominal Fish Catches – آمار صید سالانه بیش از ۲۰۰ نوع ماهی و آبزی در اقیانوس اطلس شمال‌شرقی (۲۰۰۶–۲۰۱۴)

مثال ۶: HR Analytics Job Change – عوامل مؤثر بر تمایل دانشمندان داده به ماندن یا تغییر شغل پس از دوره‌های آموزشی

مثال ۷: Student Discussion – داده‌های آموزشی ۴۸۰ دانشجو از دانشگاه اردن با ویژگی‌های جمعیت‌شناختی، تحصیلی و رفتاری

مثال ۸: Online Retail – تراکنش‌های یک فروشگاه آنلاین هدایای خاص در بریتانیا (۲۰۰۹–۲۰۱۱) برای خوشه‌بندی مشتریان و طراحی استراتژی‌های بازاریابی

👇👇👇
https://ehsan-zangene.shinyapps.io/nimaa_app/

برای جزییات بیشتر، پیشنهاد می‌شود به مخزن کیس‌ها، صفحه CRAN و مقاله روش‌شناختی NIMAA مراجعه کنید:

👇👇👇
مخزن کیس‌ها: https://version.helsinki.fi/ehzange/nimaa
NIMAA CRAN: https://cran.r-project.org/web/packages/NIMAA/index.html
مقاله NIMAA: https://spj.science.org/doi/full/10.34133/csbj.0099

@JafaRiLab