دیتاست‌ها (مجموعه داده) به چند گروه تقسیم می‌شوند؟

دیتاست‌ها می‌توانند از منابع مختلفی مانند پایگاه‌های داده، فایل‌های متنی، فرمت‌های خاص مانند CSV سرنام (Comma-Separated Values) و JSON سرنام (JavaScript Object Notation) و حتی از سنسورها و دستگاه‌های مرتبط با اینترنت اشیا (IoT) جمع‌آوری شوند. دیتاست‌ها معمولا برای آموزش الگوریتم‌های یادگیری ماشین استفاده می‌شوند و با تجزیه و تحلیل داده‌ها، الگوها و اطلاعات مفیدی را برای انجام وظایف خاصی مانند پیش‌بینی، تصمیم‌گیری یا استنتاج استخراج می‌کنند.

انواع دیتاست چیست؟

انواع دیتاست‌ها می‌توانند براساس مجموعه‌ ویژگی‌ها و خصوصیات مختلف تقسیم‌بندی شوند. از انواع رایج دیتاست‌ها به موارد زیر باید اشاره کرد:

دیتاست عددی (Numeric Dataset)

دیتاست عددی (Numeric Dataset) شامل مجموعه‌ای از اعداد است که برای مسائل محاسباتی و تحلیل عددی استفاده می‌شود. در این نوع دیتاست، هر نمونه یا رکورد معمولا شامل یک سری از اعداد است که ویژگی‌های مختلف را نمایان می‌سازند. این اعداد می‌توانند مقادیر پیوسته (مانند اعداد حقیقی یا عدد صحیح) یا مقادیر گسسته (مانند شمارش محصولات یا دسته‌بندی‌ها) باشند. به عنوان مثال، فرض کنید که یک شرکت تجارت الکترونیکی دارای دیتاست عددی است که شامل اطلاعات مربوط به سفارشات مشتریان است. هر رکورد در این دیتاست ممکن است شامل ویژگی‌هایی مانند مبلغ سفارش، تعداد محصولات خریداری شده، تخفیف دریافتی، تاریخ و زمان سفارش و سایر ویژگی‌های مرتبط با سفارش باشد. این داده‌ها می‌توانند به صورت اعداد حقیقی (مثل 120.50 دلار) یا اعداد صحیح (مثل 5 محصول) باشند.

استفاده از دیتاست عددی در تحلیل داده و مسائل مرتبط با آن، مزایای درخشانی در اختیار ما قرار می‌دهند. با استفاده از الگوریتم‌های محاسباتی و تحلیلی، می‌توان الگوها، روابط و اطلاعات مفیدی را در این دیتاست‌ها شناسایی کرد. به عنوان مثال، با استفاده از دیتاست عددی سفارشات مشتریان، می‌توان الگوهای خریداری مشتریان را تشخیص داد، رفتار خریداری را پیش‌بینی کرد، تأثیر تخفیف‌ها را بر روی مبلغ سفارش بررسی کرد و تصمیم‌گیری‌های استراتژیک مبتنی بر داده‌ها را انجام داد.

به طور کلی، دیتاست عددی زیرساختی را برای انجام محاسبات، تحلیل، استنتاج و پیش‌بینی‌های مبتنی بر داده فراهم می‌کند و در بسیاری از زمینه‌ها مانند علم مهندسی، علوم طبیعی، علوم اجتماعی و مالی، پرکاربرد است.

دیتاست دسته‌بندی (Categorical Dataset)

دیتاست دسته‌بندی (Categorical Dataset) شامل متغیرهای کیفیتی یا دسته‌ای است که به عنوان برچسب‌ها یا دسته‌بندی‌ها برای نمونه‌ها استفاده می‌شوند. در این نوع دیتاست، ویژگی‌ها به صورت دسته‌بندی‌های مشخص و محدود تعریف می‌شوند و مقادیر آنها متعلق به یک مجموعه متناهی از دسته‌ها یا برچسب‌ها هستند. برای مثال، فرض کنید که یک شرکت بیمه دارای دیتاست دسته‌بندی است که شامل اطلاعات مربوط به بیمه‌های خودرو مشتریان است. هر رکورد در این دیتاست ممکن است شامل ویژگی‌هایی مانند نوع خودرو و ویژگی‌های آن، سال ساخت، منطقه ترافیکی در حال تردد (شهری، برون شهری) و سابقه رانندگی (بدون تصادف، تصادف کم، تصادف زیاد) باشد. این ویژگی‌ها برای هر نمونه به صورت دسته‌بندی‌ها تعریف می‌شوند و مقادیر آنها متعلق به مجموعه‌ای از دسته‌های محدود است.

استفاده از دیتاست دسته‌بندی در تحلیل داده و مسائل مرتبط با آن، امکاناتی را فراهم می‌کند. با استفاده از الگوریتم‌های دسته‌بندی و تحلیل دسته‌بندی، می‌توان الگوها، روابط و ویژگی‌های مشترک میان دسته‌ها را شناسایی کرد. به عنوان مثال، با استفاده از دیتاست دسته‌بندی بیمه خودرو، می‌توان الگوهای رفتاری بین انواع خودروها، تأثیر سال ساخت بر قیمت بیمه، رابطه بین منطقه ترافیک و سابقه رانندگی را بررسی کرد و به تصمیم‌گیری‌های استراتژیک در زمینه بیمه‌های خودرو کمک کرد. دیتاست‌های دسته‌بندی در زمینه‌های مختلف مانند علوم اجتماعی، بازاریابی، طبقه‌بندی متن، تشخیص الگو و تصمیم‌گیری‌های مبتنی بر داده بسیار کاربرد دارند. این دیتاست‌ها به ما امکان می‌دهند الگوها و ویژگی‌های مشترک میان دسته‌ها را شناسایی کرده و درک کنیم.

دیتاست زمانی (Time-Series Dataset)

دیتاست زمانی (Time-Series Dataset) شامل مجموعه‌ای از داده‌ها است که به ترتیب زمانی مشخص شده‌اند. در این نوع دیتاست، هر نمونه یا رکورد دارای یک مقدار عددی یا مجموعه اعداد در زمان مشخص است. این داده‌ها ممکن است در طول زمان به صورت منظم یا نامنظم جمع‌آوری شده باشند.

برای مثال، فرض کنید که یک شرکت مالی دارای دیتاست زمانی است که شامل اطلاعات روزانه قیمت بورس اوراق بهادار است. هر رکورد در این دیتاست ممکن است شامل ویژگی‌هایی مانند تاریخ، قیمت بازار، حجم معاملات و سایر اطلاعات مرتبط با اوراق بهادار در آن روز باشد. این داده‌ها بر اساس تاریخ زمانی مشخص شده‌اند و ما می‌توانیم الگوها، تغییرات و روند قیمت اوراق بهادار را در طول زمان بررسی کنیم.

استفاده از دیتاست زمانی در تحلیل داده و مسائل مرتبط با آن، امکاناتی را فراهم می‌کند. این دیتاست‌ها به ما اجازه می‌دهند تغییرات زمانی را در یک سری داده مشاهده کنیم، الگوها، فصلیت‌ها و روندهای متنوع را شناسایی کنیم و پیش‌بینی‌های مبتنی بر زمان را انجام دهیم. به عنوان مثال، با استفاده از دیتاست زمانی قیمت بورس، می‌توانیم الگوهای روزانه، هفتگی یا فصلی را تشخیص دهیم، تغییرات ناگهانی و رویدادهای خاص را تحلیل کنیم و با استفاده از مدل‌های پیش‌بینی، قیمت‌های آینده را تخمین بزنیم.

دیتاست‌های زمانی در حوزه‌های مختلفی مانند آب و هواشناسی، مالی، ترافیک، سلامتی و غیره کاربرد دارند. این دیتاست‌ها به ما امکان می‌دهند روندها و الگوهایی که در طول زمان تکرار می‌شوند را شناسایی کنیم و بر اساس آن‌ها تحلیل‌ها و تصمیم‌گیری‌های مبتنی بر داده انجام دهیم.

دیتاست مکانی (Spatial Dataset)

دیتاست مکانی (Spatial Dataset) شامل مجموعه‌ای از داده‌ها است که اطلاعات مکانی را در بر می‌گیرد. این نوع دیتاست، ارتباط مکانی بین داده‌ها را نشان می‌دهد و معمولا شامل اطلاعاتی مانند طول جغرافیایی (Longitude) و عرض جغرافیایی (Latitude) برای هر نمونه است.

برای مثال، فرض کنید که یک شرکت مسافرتی دارای دیتاست مکانی است که شامل اطلاعات مکانی مکان‌های دیدنی در یک شهر است. هر رکورد در این دیتاست ممکن است شامل ویژگی‌هایی مانند نام مکان، طول و عرض جغرافیایی، نوع مکان (مثلاً پارک، موزه، رستوران و غیره) و سایر اطلاعات مرتبط با آن مکان باشد. با استفاده از این دیتاست مکانی، می‌توانیم مکان‌های دیدنی را روی نقشه مشاهده کنیم، الگوها و توزیع مکانی را تحلیل کنیم و اطلاعات مکانی را برای مسائل مرتبط با مسافرت، مسکن و جغرافیا بهره‌برداری کنیم. با استفاده از این دیتاست‌ها، می‌توانیم الگوهای مکانی، توزیع جغرافیایی و روابط مکانی را شناسایی کنیم. علاوه بر این، می‌توانیم با استفاده از تحلیل‌های مکانی مانند تجزیه و تحلیل خوشه‌بندی مکانی، پیش‌بینی توزیع مکانی و مسائل مکانی دیگر را مورد بررسی قرار دهیم. دیتاست‌های مکانی در حوزه‌های مختلفی مانند جغرافیا، محیط زیست، تجارت و حمل و نقل استفاده می‌شوند. این دیتاست‌ها به ما امکان می‌دهند الگوها و توزیع‌های مکانی را درک کرده و از آنها برای تصمیم‌گیری‌ها و برنامه‌ریزی‌های مرتبط با مکان بهره‌برداری کنیم.

دیتاست‌های مبتنی‌بر تصویر (Image-based)

دیتاست‌های مبتنی بر تصویر (Image-based Datasets) شامل مجموعه‌هایی از تصاویر دیجیتالی هستند که به عنوان داده‌های ورودی در تحلیل و پردازش تصویر استفاده می‌شوند. این دیتاست‌ها ممکن است شامل تصاویر دو بعدی با فرمت‌های مختلف مانند JPEG یا PNG باشند.

در دیتاست‌های مبتنی بر تصویر، هر تصویر به عنوان یک نمونه محسوب می‌شود و می‌تواند شامل اطلاعات چند کاناله مانند رنگ، شدت نور، عمق و غیره باشد. همچنین، هر تصویر می‌تواند اندازه و ابعاد مختلفی داشته باشد و معمولاً با استفاده از پیکسل‌ها (نقاط تصویر) تشکیل می‌شود. این دیتاست‌ها در بینایی ماشین، تشخیص الگو، تشخیص اشیا، تحلیل صورت، بازشناسی متن، رباتیک و بسیاری از برنامه‌های هوش مصنوعی دیگر استفاده می‌شوند. به عنوان مثال، در بینایی ماشین، دیتاست‌های مبتنی بر تصویر به ما امکان می‌دهند الگوها و ویژگی‌های تصویری را شناسایی کنیم و از آنها برای دسته‌بندی تصاویر، تشخیص اشیا، تشخیص چهره و دیگر وظایف مرتبط استفاده کنیم.

برای استفاده از دیتاست‌های مبتنی بر تصویر، معمولا نیاز به روش‌های پیش‌پردازش تصویری مانند تغییر اندازه، استخراج ویژگی‌ها و نرمال‌سازی داده‌ها وجود دارد.

دیتاست‌های ترتیبی (Ordered)

دیتاست‌های ترتیبی (Ordered Datasets) شامل مجموعه‌هایی از داده‌ها هستند که ترتیب مشخصی بین عناصر آنها وجود دارد. در این دیتاست‌ها، ترتیب معنایی و مرتبط با عناصر داده حائز اهمیت است و معمولا داده‌ها به عنوان یک سری زمانی یا توالی مورد استفاده قرار می‌گیرند.

عناصر دیتاست ترتیبی می‌توانند متغیرهای عددی، متنی، زمانی و یا هر نوع داده دیگری باشند. برخی مثال‌های رایج از دیتاست‌های ترتیبی، شامل سری‌های زمانی مشاهدات جو، داده‌های مربوط به مسیر حرکت یک شیء، داده‌های مربوط به روند تاریخچه فروش یک محصول و غیره می‌شوند. استفاده از دیتاست‌های ترتیبی در تحلیل داده و برنامه‌ریزی معمولا به منظور استخراج الگوها، پیش‌بینی رویدادها، تحلیل روند و شناسایی رفتارهای مشترک صورت می‌گیرد. با استفاده از تحلیل‌های متنوع مانند تحلیل زمانی، مدل‌های پیش‌بینی زمانی، روش‌های استنباط زمینه‌ای و دیگر روش‌های مرتبط، می‌توان از دیتاست‌های ترتیبی برای استنباط اطلاعات مفید و ارائه تصمیمات بهتر استفاده کرد.

به عنوان مثال، در حوزه سرمایه‌گذاری، دیتاست‌های ترتیبی مربوط به قیمت سهام یک شرکت در طول زمان می‌توانند به ما کمک کنند تا الگوهای قیمتی را تحلیل کرده، روند رشد یا نزول بازار را پیش‌بینی کنیم و تصمیمات سرمایه‌گذاری بهتری بگیریم.

دیتا‌ست‌های بخش‌بندی شده (Partitioned)

دیتاست‌های بخش‌بندی شده (Partitioned Datasets) شامل مجموعه‌هایی از داده‌ها هستند که به صورت معنادار به بخش‌های جداگانه تقسیم شده‌اند. در این دیتاست‌ها، داده‌ها بر اساس یک معیار مشخص، مانند ویژگی‌ها، برچسب‌ها، زمان یا هر معیار دیگری، به گروه‌ها یا بخش‌های مختلف تقسیم می‌شوند. بخش‌بندی شده دیتاست‌ها به ما امکان می‌دهند داده‌های مرتبط را در یک بخش قرار داده و به طور مستقل بر روی هر بخش عملیات و تحلیل‌های مختلفی انجام دهیم. این بخش‌بندی به صورت تصادفی، مستندات مشابه، زمان یا هر معیار دیگری که باعث تمایز و تفکیک داده‌ها می‌شود، انجام می‌شود.

استفاده از دیتاست‌های بخش‌بندی شده در تحلیل داده و یادگیری ماشین بسیار مفید است. با تقسیم دیتاست به صورت بخش‌های جداگانه، می‌توانیم الگوها و ویژگی‌های مشترک در هر بخش را تحلیل کرده و مدل‌های مختلف را بر روی هر بخش اعمال کنیم. این امر می‌تواند بهبود قابل توجهی در دقت و کارایی مدل‌ها و الگوریتم‌های یادگیری ماشین داشته باشد.  به عنوان مثال، در بررسی اثربخشی یک روش درمانی، می‌توان دیتاست را به دو بخش آزمایشی و کنترل تقسیم کرده و سپس روش درمانی را بر روی بخش آزمایشی اعمال کرده و نتایج را با بخش کنترل مقایسه کرد. این روش به ما امکان می‌دهد تا تأثیر روش درمانی را بدون تداخل با دیگر عوامل ممکن در دیتاست بررسی کرده و نتایج را به صورت قابل اعتماد ارزیابی کنیم.

دیتاست‌های دو متغیره (Bivariate)

دیتاست‌های دو متغیره (Bivariate Datasets) شامل مجموعه‌هایی از داده‌ها هستند که بر اساس دو متغیر یا ویژگی مختلف ساخته شده‌اند و ارتباط بین این دو متغیر مورد بررسی قرار می‌گیرد. در این دیتاست‌ها، هر داده شامل دو مقدار برای دو ویژگی مختلف است و ارتباط و تغییرات میان این دو متغیر مورد تحلیل قرار می‌گیرد. دیتاست‌های دو متغیره می‌توانند به صورت جفت داده‌ها نمایش داده شوند، به طوری که هر جفت داده شامل مقدار دو متغیر مورد بررسی است. این متغیرها می‌توانند به طور کلی از هر نوع داده‌ای باشند، مانند متغیرهای عددی، دسته‌ای، باینری و غیره.

دیتاست‌های دو متغیره می‌تواند به ما کمک کند تا ارتباط و تعامل بین دو متغیر را بررسی کنیم و الگوها و سازوکارهای مشترک را شناسایی کنیم. با استفاده از تحلیل آماری و داده‌کاوی می‌توانیم روابط میان داده‌ها را به صورت کمی و کیفی تحلیل کنیم. این تحلیل می‌تواند شامل محاسبه ضریب همبستگی، رگرسیون، تجزیه و تحلیل تفاوت‌ها بین گروه‌ها و دیگر روش‌های مورد استفاده در تحلیل دو متغیره باشد.

به عنوان مثال، در یک دیتاست دو متغیره می‌توانیم ارتباط بین سن و درآمد را بررسی کنیم. با تحلیل داده‌ها، می‌توانیم ببینیم که آیا وجود رابطه‌ای بین سن و درآمد وجود دارد و چگونه این دو متغیر تأثیر متقابل دارند. این اطلاعات می‌تواند به تصمیم‌گیری‌های مرتبط با بازاریابی، تحلیل دموگرافیک و سایر حوزه‌های ارتباطی کمک کند.

دیتاست‌های چند متغیره (Multivariate)

دیتاست‌های چند متغیره (Multivariate Datasets) شامل مجموعه‌هایی از داده‌ها هستند که بر اساس بیش از دو متغیر یا ویژگی ساخته شده‌اند. در این دیتاست‌ها، هر داده شامل مقادیر برای چندین متغیر مختلف است و ارتباط‌ها و الگوهای بین این متغیرها مورد بررسی قرار می‌گیرد.

دیتاست‌های چند متغیره در واقع یک ماتریس داده‌ها هستند که برای هر داده سطری و برای هر ویژگی یا متغیر ستونی را نمایش می‌دهد. این متغیرها می‌توانند از هر نوع داده‌ای باشند، مانند متغیرهای عددی، دسته‌ای، باینری و غیره. با تحلیل این داده‌ها، ما قادر هستیم تا الگوها، تعاملات و ارتباطات بین متغیرها را بررسی و تحلیل کنیم.

دیتاست‌های چند متغیره به ما امکان می‌دهد تا به طور همزمان بر روی چندین متغیر تحلیل انجام دهیم و روابط پیچیده و تعاملات بین آنها را بررسی کنیم. این تحلیل ممکن است شامل محاسبه میانگین، واریانس، همبستگی، تجزیه و تحلیل عوامل، کاهش بعد و سایر روش‌های مورد استفاده در تحلیل چند متغیره باشد.

به عنوان مثال، در یک دیتاست چند متغیره می‌توانیم ارتباط بین سن، درآمد و سطح تحصیلات را بررسی کنیم. با تحلیل داده‌ها، می‌توانیم ببینیم که آیا رابطه‌ای بین این سه متغیر وجود دارد و چگونه این متغیرها تأثیر متقابل دارند. این اطلاعات می‌تواند در تحلیل اثرات اجتماعی، مدل‌سازی پیش‌بینی و سایر حوزه‌های مرتبط با داده‌های چند متغیره کاربرد داشته باشد.

تقسیم بندی‌های ارائه شده تنها چند نمونه از انواع دیتاست‌ها هستند، هرچند در عمل می‌توان ترکیبی از این دسته‌بندی‌ها و ویژگی‌های دیگر را داشت. همچنین، در بسیاری از موارد، دیتاست‌ها می‌توانند شامل ترکیبی از انواع مختلف داده باشند، مانند دیتاست‌هایی که همزمان داده‌های عددی و تصویری را شامل می‌شوند.