شما در دوره مقدماتی داده کاوی با مفاهیم و اصول داده کاوی در SQL آشنا می شوید و متوجه می شوید که برای ساخت یک داشبورد در هر نرم افزاری نیاز به چه مراحل و اصول و پایه هایی دارید همچنین با سیستم های هوش تجاری بزرگ آشنا شده و خود را برای تحلیل طراحی و پیاده سازی یک سامانه هوش تجاری آماده می کنید همچنین به صورت تئوری مفاهیم و مبانی ساخت انباره داده را فرا می گیرید و دو نمونه را پیاده سازی و استفاده می کنید.

آشنایی مختصر با داده کاوی

تجزیه و تحلیل داده کاوی (Data Mining) ها فرایندی برای بازرسی ، پاکسازی ، تبدیل و مدل سازی داده ها با هدف کشف اطلاعات مفید ، اطلاع رسانی در مورد نتیجه گیری و حمایت از تصمیم گیری است. تجزیه و تحلیل داده ها دارای چندین جنبه و رویکرد است که تکنیک های متنوعی را تحت نام های مختلفی شامل می کند و در حوزه های مختلف تجاری ، علمی و علوم اجتماعی مورد استفاده قرار می گیرد. در دنیای تجارت امروز ، تجزیه و تحلیل داده ها در تصمیم گیری علمی تر و کمک به مشاغل موثرتر عمل می کند.

داده کاوی (Data Mining) یک تکنیک تجزیه و تحلیل داده خاص است که در مدل سازی آماری و کشف دانش برای اهداف پیش بینی و نه صرفاً توصیفی تمرکز دارد ، در حالی که هوش تجاری تجزیه و تحلیل داده ها را که به شدت به تجمیع متکی است ، متمرکز می کند و عمدتا بر اطلاعات تجاری متمرکز است. در برنامه های آماری ، تجزیه و تحلیل داده ها را می توان به آمار توصیفی ، تجزیه و تحلیل داده های اکتشافی (EDA) و تجزیه و تحلیل داده های تأییدی (CDA) تقسیم کرد. EDA در کشف ویژگی های جدید در داده ها متمرکز است در حالی که CDA بر تأیید یا جعل فرضیه های موجود تمرکز دارد. تجزیه و تحلیل پیش بینی تمرکز بر استفاده از مدل های آماری برای پیش بینی پیش بینی یا طبقه بندی ، در حالی که تجزیه و تحلیل متن از تکنیک های آماری ، زبانی و ساختاری برای استخراج و طبقه بندی اطلاعات از منابع متنی ، گونه ای از داده های غیرساختار استفاده می کند. همه موارد فوق انواع مختلفی از تجزیه و تحلیل داده ها است.

جلسه مقدماتی آموزش مقدماتی داده کاوی
  • هدف از داده کاوی
  • ابزارهای کار با داده کاوی
  • مراحل کلی هر پروژه داده کاوی
  • داده یا دیتا چیست؟
  • انواع داده
  • آماده سازی داده ها
  • پیش پردازش یا پاکسازی داده چیست؟
  • نویز و مقادیر Missing
  • یکپارچه سازی داده ها
  • کاهش ابعاد داده ها
  • تغییر شکل داده ها
  • گسسته سازی داده ها
  • مدل سازی داده ها
  • آموزش مدل
  • تست مدل
  • کراس ولیدیشن
  • ارزیابی مدل
  • ماتریس در هم ریختگی
  • بهینه سازی مدل
  • سری های زمانی
  • طبقه بندی
  • خوشه بندی
  • قوانین انجمنی
جلسه اول آموزش مقدماتی داده کاوی
  • چرا داده‌کاوی مهم است؟
  • مراحل استخراج دانش
  • ویژگی‌های داده‌های باکیفیت
  • پیش‌پردازش داده‌ها شامل چه مراحلی است؟
جلسه دوم آموزش مقدماتی داده کاوی
  • رگرسیون چیست؟
  • رگرسیون خطی ساده (simple linear regression)
  • رگرسیون خطی چندگانه (multiple linear regression)
  • رگرسیون چندجمله‌ای (polynomial regression)
جلسه سوم آموزش مقدماتی داده کاوی
  • نزدیک‌ترین همسایه
  • درخت تصمیم (Decision tree)
جلسه چهارم آموزش مقدماتی داده کاوی
  • Support vector machine (SVM)
  • Kernel SVM
  • Naïve Bayes
جلسه پنجم آموزش مقدماتی داده کاوی
  • آیا مدل کلاس‌بندی ما مناسب است؟
  • Underfitting vs overfitting
جلسه ششم آموزش مقدماتی داده کاوی
  • K-means
  • خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
جلسه هفتم آموزش مقدماتی داده کاوی
  • چطور تعداد خوشه‌ها مشخص کنیم؟
جلسه هشتم آموزش مقدماتی داده کاوی
  • Apriori
جلسه نهم آموزش مقدماتی داده کاوی
  • روش‌های مبتنی بر آمار
  • روش‌های مبتنی بر خوشه‌بندی
  • روش‌های مبتنی بر کلاس‌بندی
جلسه دهم آموزش مقدماتی داده کاوی
  • بررسی اجمالی پروسه‌ی انجام یک پروژه‌ی متن‌کاوی
  • توضیح الگوریتم‌ها و ابزار مطرح در متن‌کاوی

دیدگاه‌ها (1)

1 دیدگاه برای آموزش کامل دوره مقدماتی داده کاوی

  1. مهدي مقيمي

    تشکر

دیدگاه خود را بنویسید

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


پاسخ من را به ایمیلم ارسال کن