כריית נתונים - אשכול ביקורות

כריית נתונים - אשכול ביקורות

• נושא: אשכול ביקורות
• מגיש: סהר יעקב
• מס' קבוצה: 10
• תאריך הגשה: 28.2.2025
• מטרת הסמינר: כריית נתונים
• מטרת העבודה: ניתוח ביקורות משתמשים
• קבצי הגשה: מצגת 1, מצגת 2, עבודה סמינריונית, קוד ונתונים
• כלי: KMeans Clustering (אשכולות)
• נתונים: ביקורות משתמשים בפורמט טקסטואלי, אלפי רשומות
• מטרות עסקיות: שיפור חוויית הלקוח, זיהוי בעיות במוצרים, הצעות מותאמות אישית, שיפור תהליכי העסק
• מודלים: KMeans, LDA (Latent Dirichlet Allocation), Decision Trees
• פונקציית מרחק: מרחק אוקלידי
• דרכי אסיפת נתונים: ממאגרי נתונים קיימים, כגון Kaggle
• פורמט קבצי נתונים: CSV
• הערכת איכות הנתונים: בדיקה וניפוי של ערכים חסרים בדירוגים ובטקסט.
• הערכת המודל: חישוב אחוז שגיאה, מדדים כמו Silhouette Score ו-SSE (Sum of Squared Errors), Davies--Bouldin Index, Calinski-Harabasz Index.
• כלי עזר: ספריות פייתון כמו scikit-learn, numpy
• הצגת תוצאות: גרפים ויזואליים (כגון Elbow Method), קובץ CSV
• הטמעת המודל: שילוב המודל במערכת ניהול הביקורות של הארגון, ממשק משתמש להצגת תוצאות.
• דרישות הגשה: קובץ ZIP הכולל מצגות, עבודה סמינריונית, קבצי נתונים, וקוד.

תוכן עניינים

• מבוא
• התחום ממנו הגיעה הבעיה
• תיאור הבעיה מבחינה עסקית
• תיאור הבעיה במונחים עסקיים
• תיאור המצב הקיים בעסק
• המטרות העסקיות
• בינה מלאכותית
• תיאור הבעיה במונחים של כריית נתונים/בינה מלאכותית
• הפלטים של המערכת
• הנתונים
• תיאור מפורט של דרכי אסיפת הנתונים
• הערכת איכות הנתונים
• מודלים
• תיאור האלגוריתם שנבחר
• סיבת הבחירה באלגוריתם זה
• קביעת הפרמטרים של המודל
• קביעת/תיאור פונקציית מרחק
• מימוש האלגוריתם
• הערכת המודל (Silhouette Score, SSE, Davies-Bouldin Index, Calinski-Harabasz Index)
• תצוגה ויזואלית של ההערכה (גרף Elbow Method)
• תיקונים במודל המוצע
• כיצד ניתן להטמיע את המודל במערכת האמיתית של הארגון