كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة

تجميع العملاء

متوسطتجميع Clustering

وصف المشكلة

تقسيم العملاء إلى شرائح متشابهة السلوك (الإنفاق، الزيارات، الحداثة) دون تسميات مسبقة، واختيار عدد المجموعات بمؤشر Silhouette. البيانات اصطناعية.

الأهداف

  • تطبيع الخصائص قبل التجميع
  • اختيار k بمؤشر Silhouette
  • تفسير ملامح كل مجموعة

نوع المشكلة

تجميع Clustering

مجموعة البيانات

الأدوات المستخدمة

الخوارزميات

خطوات التنفيذ

  1. افتح customer-segmentation.ows في Orange.
  2. في k-Means اختر Normalize واجعل k من 2 إلى 7 وراجع Silhouette.
  3. صل النتائج بـ Scatter Plot ولوّن حسب المجموعة.
  4. استبعد customer_id من الخصائص (عنصر Select Columns أو دوره meta).

مخطط سير العمل

قراءة البياناتمعالجة وتحويلنموذج / خوارزميةتقييمعرض وتصوير

Orange

FileFileData TableData TableSelect ColumnsSelect Columnsk-Meansk-MeansScatter PlotScatter PlotSilhouette PlotSilhouette PlotBox PlotBox Plot
مرسوم من ملف سير العمل بصيغة OWS المرفق بالمشروع: افتحه في Orange لتجد العناصر (Widgets) والاتصالات نفسها.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (6)
  • File → Data Table
  • File → Select Columns
  • Select Columns → k-Means
  • k-Means → Scatter Plot
  • k-Means → Silhouette Plot
  • k-Means → Box Plot

KNIME

CSV ReaderCSV ReaderColumn FilterColumn FilterNormalizerNormalizerk-Meansk-MeansScatter PlotScatter PlotSilhouette CoefficientSilhouetteCoefficient
مخطط توضيحي بأسماء عُقد KNIME (Nodes) كما تظهر في مستودع العُقد، لتبنيه بنفسك بالترتيب نفسه؛ وليس ملف KNIME بصيغة KNWF.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (5)
  • CSV Reader → Column Filter
  • Column Filter → Normalizer
  • Normalizer → k-Means
  • k-Means → Scatter Plot
  • k-Means → Silhouette Coefficient

ملفات المشروع

ملفات KNIME Workflow بصيغة KNWF غير مرفقة في هذا الإصدار لأننا لم نبنها ونختبرها داخل KNIME نفسها؛ مخطط عُقد KNIME مرسوم أعلاه لتبنيه بنفسك.

النتائج

نتائج فعلية محسوبة على الملفات المرفقة

k-Means (scikit-learn 1.9.1) على خصائص مطبّعة. Silhouette حسب k: k=2: 0.566، k=3: 0.652، k=4: 0.771، k=5: 0.638، k=6: 0.486، k=7: 0.383
أفضل k = 4. ملامح المجموعات (المتوسطات):
• المجموعة 0 (63 عميلاً): إنفاق 842.6، زيارات 2.4/شهر، آخر زيارة قبل 60.5 يوماً
• المجموعة 1 (82 عميلاً): إنفاق 2,583.3، زيارات 19.9/شهر، آخر زيارة قبل 3.3 يوماً
• المجموعة 2 (90 عميلاً): إنفاق 1,197.6، زيارات 3.8/شهر، آخر زيارة قبل 9.9 يوماً
• المجموعة 3 (65 عميلاً): إنفاق 5,230.4، زيارات 11.8/شهر، آخر زيارة قبل 4.5 يوماً

مقاييس التقييم

  • Silhouette
  • أحجام المجموعات وملامحها

تفسير النتائج

أربع شرائح واضحة: عملاء كبار الإنفاق، وعملاء كثيرو الزيارة، وعملاء عاديون نشطون، وعملاء خاملون لم يزوروا منذ شهرين (مرشحون لحملة استعادة). أرقام المجموعات تعسفية؛ المهم هو الملامح.

أسئلة للمناقشة

  • ماذا يحدث لو لم نطبّع الإنفاق السنوي؟
  • كيف تسمي كل شريحة لفريق التسويق؟
  • متى تفضل DBSCAN على k-Means؟

جرّبه في مختبر التجميع

مشاريع مشابهة