دوره ۴۰ ساعته

آموزش جامع داده کاوی در spss modeler

 بخش اول: آشنایی با داده کاوی و ضرورت آن به عنوان یک روش حل مساله 

• ضرورت، پیشینه، تعاریف
  • چرا داده کاوی؟
  • جایگاه داده کاوی نسبت به سایر متدها
  • ویژگی های داده کاوی و عوامل موفقیت آن
  • کاربردهای بالقوه داده کاوی
• مروری بر ادبیات داده کاوی و وظایف آن
  • روش های یادگیری با راهنما و بدون راهنما
  • وظایف شش گانه داده کاوی
• آشنایی با نرم افزار های داده کاوی؛ تفاوت ها و نقاط قوت و ضعف هر کدام
• معرفی استانداردهای موجود در داده کاوی
• داده کاوی چگونه کار می کند؟  آشنایی با فرآیند استاندارد داده کاوی CRISP-DM
• ارائه نمونه های موردی از پروژه های داده کاوی

بخش دوم: شناسایی و آماده سازی مقدماتی داده ها

• جمع آوری داده ها در محیط نرم افزار
  • فراخوانی داده ها در محیط SPSS Modeler14.2
  • یکپارچه سازی داده ها
• بررسی کیفیت داده ها و پاکسازی
  • بررسی شاخص های کیفی داده ها و نحوه برخورد با آنها
  • تشخیص رکوردهای پرت با استفاده از آنالیز چندمتغیره Anomaly Detection
• کاهش ابعاد داده ها و ساخت شاخص ها
  • کاهش ابعاد سطری داده ها
  • انتخاب ویژگی های موثر (Feature Selection)
  • تعریف شاخص های مرتبط و ایجاد آنها

بخش سوم: مدل های پیش بینی کننده 

• مدل های مبتنی بر قانون
  • طبقه بندی: انواع درخت های تصمیم
  • استفاده از درخت های رگرسیونی به منظور پیش بینی
• مدل های جعبه سیاه
  • ساخت مدل های پیش بینی کننده با شبکه های عصبی مصنوعی
• استنتاج مبتنی بر مورد
  • بررسی مدل K- نزدیکترین همسایگی (KNN)
• مدل های تجمیعی (Bagging, Boosting, Ensemble)
• استفاده از ابزار مدلسازی پیش بینانه اتوماتیک و رتبه بندی مدل ها
• ارزیابی پیشرفته مدل های پیش بینی کننده (بررسی شاخص های ماتریس پریشانی و نمودارها)

بخش چهارم: مدل های بدون راهنما

• انواع تکنیک های خوشه بندی ( بررسی الگوریتم های K-Means و Two-Step)
• ارزیابی مدل های خوشه بندی
• استفاده از ابزار مدلسازی خوشه بندی اتوماتیک و رتبه بندی مدل ها
• قوانین پیوند (بررسی الگوریتم Apriori و استفاده از گراف Web)

برای مشاهده برنامه زمانی این دوره در تقویم آموزشی دایکه کلیک کنید.