داده کاوی مقدماتی (Data Mining)

معرفی دوره داده کاوی مقدماتی (Data Mining)

معرفی دوره داده کاوی مقدماتی (Data Mining)

دانشجویان عزیز توجه داشته باشید دوره ها شامل پشتیبانی نمی باشد و  بخش گفتگو برای چت بین دانشجویان می باشد .
به مجموعه‌ای از روش‌های قابل استفاده بر پایگاه داده‌های بزرگ و پیچیده به منظور شناسایی الگوهای پنهان و جالب توجه نهفته در میان داده‌ها، داده‌کاوی گفته می‌شود. روش‌های داده‌کاوی تقریبا همیشه به لحاظ محاسباتی پر هزینه هستند. تکنیک های داده‌کاوی، پیرامون ابزارها، متدولوژی‌ها و تئوری‌هایی است که برای آشکارسازی الگوهای موجود در داده‌ها مورد استفاده قرار می‌گیرند و گامی اساسی در راستای کشف دانش محسوب می‌شود. ضرورت های چرایی مبدل شدن داده‌کاوی به چنین حوزه مهمی از مطالعات وجود دارد. برخی از این موارد در ادامه بیان شده‌اند.
در این دوره قصد داریم یاد بگیریم که چطور یک پروژه داده کاوی را پیاده سازی کنیم، چطور داده های مربوطه را جمع آوری کنیم و پس از پردازش داده ها، تجزیه و تحلیل لازم را انجام دهیم.
گذراندن دوره داده کاوی برای همه کسانی که در پروژه های علمی، فنی و صنعتی مشغول به کار هستند و یا تمایل دارند در این زمینه ها فعالیت نمایند میتواند مفید باشد.
مهدی یوسفی نژاد عطاری در مجموعه فیلم آموزش داده کاوی تلاش کرده تا به دور از اصطلاحات و تعاریف پیچیده، با زبانی ساده و به شکلی کاربردی شما را با داده کاوی و حوزه های مختلف آن آشنا کند.
آموزش داده کاوی پیش نیازی ندارد و همه افراد می توانند در این دوره آموزشی شرکت کرده و از طریق مجموعه فیلم آموزش داده کاوی، مفاهیم و حوزه های مختلف این استاندارد داده کاوی را بیاموزند.

سرفصل ها و زمانبندی دوره داده کاوی مقدماتی (Data Mining)

هفته

نام درس

بخش ها

هفته اول

درس اول: مقدمه

کلیات

ادامه کلیات

انواع داده‌ها

ویژگی داده‌ها

اشیاء و ویژگی داده‌ها

انواع ویژگی داده‌ها

ویژگی‌های گسسته و پیوسته

توصیفات آماری داده‌ها

پراکندگی داده‌ها

درس دوم: شباهت داده‌ها

شباهت داده‌های اسمی

شباهت داده‌های باینری

شباهت داده‌های عددی

شباهت داده‌های ترتیبی

شباهت داده‌ها با تنوع ویژگی‌ها

شباهت کسینوسی

مصورسازی داده‌ها

هفته دوم

درس سوم : شباهت داده‌ها

پیش پردازش داده ها

پاکسازی داده‌ها

تجمیع داده‌ها

کاهش داده‌ها

تبدیل و گسسته سازی داده‌ها

درس چهارم: انبار داده

مفاهیم انبار داده

پایگاه داده عملیاتی و تحلیلی

مفاهیم پایگاه داده تحلیلی

عملیات مرسوم در انبار داده

مدلسازی انبار داده

هفته سوم

درس پنجم : قواعد انجمنی

قوانین انجمنی

مثال برای قوانین پایه

چالش در قواعد انجمنی

الگوریتم Apriori

مثال الگوریتم Apriori

بهبود الگوریتم Apriori

الگوریتم FP-Growth

الگوریتم ECLAT

قوانین جذاب

آزمون میان ترم (تاریخ آزمون باز هست)

هفته چهارم

درس ششم : خوشه بندی

مقدمه خوشه‌بندی

الگوریتم K-Means

مثال دوبعدی برای الگوریتم K-Means

الگوریتم K-mediod

مثال دوبعدی برای الگوریتم K-mediod

روش خوشه بندی سلسله مراتبی

فاصله در خوشه بندی سلسله مراتبي

هفته پنجم

درس هفتم: دسته‌بندی

دسته بندی

درس هشتم: درخت تصمیم

درخت تصمیم

الگوریتم‌های درخت تصمیم

شاخص Gini

شاخص Gini Spilt

آنتروپی

شاخص بهره اطلاعاتی

شاخص نسبت بهره

شاخص خطای طبقه بندی

مثال Gini Index

مباحث تکمیلی

هفته ششم

درس نهم: نزدیکترین همسایگی

نزدیکترین همسایگی

درس دهم: شبکه های بیزین

دسته‌بندی بیزین

مدل احتمالاتی

استقلال

استقلال شرطی

مثال شبکه‌های بیزین

مدل گرافی

شبکه‌های بیز

استقلال در شبکه‌های بیز

استنتاج در شبکه‌های بیز

فاکتورها

حذف متغیر

نمونه برداری

آزمون پایان ترم (تاریخ آزمون باز هست)

 

+نمایش

معرفی استاد دوره


مهدی یوسفی نژاد عطاری

مهدی یوسفی نژاد عطاری مدرس دوره آموزش PMBOK و داده کاوی، کارشناس مهندسی صنایع و کارشناس ارشد مهندسی صنایع  و دارای مدرک دکتری مهندسی صنایع می باشد. او بیش از سیزده سال سابقه فعالیت در حوزه مدیریت پروژه را داراست و در سال های اخیر به تدریس در حوزه های مختلف مدیریت پروژه و زنجیره تامین مشغول بوده است.

16 نظر در مورد "داده کاوی مقدماتی (Data Mining)"

  1. سلام از اینترنت دنبال یک آموزش خوب برای داده کاوی میگشتم که این سایت رو پیدا کردم، در مقایسه با سایر سایت های آموزشی به نظرم روان تر و کامل تر هستش و متناسب با نیازم
    لطفا اگر فیلم ها ضبط شده و امکان تهیه دوره به صورت آفلاین وجود داره اطلاع بدید
    ممنون

    1. سلام
      ویدیو ها از پیش ضبط شده هستند و شما بعد از ثبت نام میتونید در زمان های مشخص از طریق سایت فیلم ها رو مشاهده کنید

  2. آیا فیلم کلاسها قابلیت بازپخش خواهند داشت؟ با توجه به اینکه هفته ی اول کلاس هم تمام شده

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *