رفتن به محتوا
داده‌کاوی و حل مساله (IBM SPSS)
هفته اول
کیفیت داده ها
مقدمه ای بر کیفیت داده ها
داده های خارج از بازه و ناسازگار
داده های پرت
مقادیر گمشده
بررسی کیفیت داده ها در نرم افزار
مقدمه و کلیات درس نمونه
مقدمه ای بر داده کاوی
معرفی مباحث دوره
هفته دوم
توصیف و کاوش در داده ها
روش های توصیف و کاوش در داده
آشنایی با نرم افزار SPSS Modeler
ورود داده و توصیف آن در نرم افزار
هفته سوم
تبدیل داده ها
نرمال سازی داده ها
ساخت ویژگی
گسسته سازی
اجرای تبدیل داده ها در نرم افزار
تجمیع داده ها
پیاده سازی تجمیع داده ها در نرم افزار
هموارسازی داده ها (اختیاری: مطالعه بیشتر)
هفته چهارم
کاهش ابعاد و انتخاب نمونه – بخش اول
انتخاب ویژگی
پیاده سازی انتخاب ویژگی در نرم افزار
کاهش ابعاد و انتخاب نمونه – بخش دوم
استخراج ویژگی
استخراج ویژگی در نرم افزار
نمونه گیری (اختیاری: مطالعه بیشتر)
اجرای نمونه گیری در نرم افزار (اختیاری: مطالعه بیشتر)
یکپارچه سازی داده ها
مفاهیم یکپارچه سازی داده
اجرای یکپارچه سازی داده در نرم افزار
پیاده سازی عملی فاز آماده سازی داده (اختیاری: مطالعه بیشتر)
پیاده سازی عملی فاز آماده سازی داده (اختیاری: مطالعه بیشتر)
هفته پنجم
فاز مدلسازی – مدلهای پیش بینانه مبتنی بر قانون
مقدمه ای بر مدلهای پیش‌بینانه
الگوریتم درخت تصمیم
آموزش و توسعه درخت تصمیم
تفسیر و ارزیابی قوانین
روش های ارزیابی
ارزیابی مدل های دسته بندی – بخش 1
ارزیابی مدل های دسته بندی – بخش 2 (اختیاری: مطالعه بیشتر)
ارزیابی مدل های رگرسیون
هفته ششم
چالش ها و روش برخورد با داده های نامتوازن
چالش ها و روش برخورد با داده های نامتوازن
پیاده سازی و ارزیابی درخت تصمیم در نرم افزار
پیاده سازی درخت تصمیم در نرم افزار
ماتریس درهم ریختگی و داده های نامتوازن
درخت های رگرسیونی و ارزیابی در نرم افزار
هفته هفتم
فاز مدلسازی – مدلهای پیش‌بینانه آماری
الگوریتم بیز ساده Naive Bayes
مقدمه ای بر رگرسیون خطی
برآورد ضرایب مدل
آزمون های فرض مدل
بررسی مفروضات مدل (اختیاری: مطالعه بیشتر)
پیاده سازی رگرسیون خطی
رگرسیون لجستیک
آزمون های فرض رگرسیون لجستیک
پیاده سازی رگرسیون لجستیک
هفته هشتم
فاز مدلسازی – مدلهای پیش‌بینانه جعبه سیاه – بخش اول
معرفی الگوریتم k-نزدیک ترین همسایه (KNN)
پیاده سازی الگوریتم KNN – بخش اول
پیاده سازی الگوریتم KNN – بخش دوم
معرفی الگوریتم شبکه عصبی ANN
فرایند یادگیری در شبکه های عصبی
پیاده سازی شبکه عصبی در نرم افزار
هفته نهم
فاز مدلسازی: مدلهای اکتشافی بدون نظارت – خوشه بندی
معرفی تکنیک خوشه بندی
خوشه بندی سلسله مراتبی
الگوریتم خوشه بندی K-Means
ارزیابی مدل خوشه بندی
پیاده سازی مدل خوشه بندی (1)
پیاده سازی مدل خوشه بندی (2)
الگوریتم مبتنی بر چگالی DB-Scan
فاز مدلسازی: مدلهای اکتشافی بدون نظارت – قوانین انجمنی
مقدمه ای بر قوانین انجمنی – Association Rules
معرفی الگوریتم Apriori
پیاده سازی قوانین انجمنی در نرم افزار
هفته دهم
فاز مدلسازی – مدلهای پیش‌بینانه مبتنی بر یادگیری گروهی
مبانی یادگیری گروهی
رویکرد Stacking در یادگیری گروهی
رویکرد Bagging در یادگیری گروهی
رویکرد Boosting در یادگیری گروهی
پیاده سازی یادگیری گروهی در مساله دسته بندی
پیاده سازی یادگیری گروهی در مساله رگرسیون
فاز مدلسازی – مدلهای پیش‌بینانه جعبه سیاه – بخش دوم
معرفی الگوریتم ماشین بردار پشتیبان SVM
پیاده سازی مدل SVM در نرم افزار
موضوع قبلی
موضوع بعدی

مقدمه و کلیات

  1. داده‌کاوی و حل مساله (IBM SPSS)
  2. مقدمه و کلیات
  • محتوای اسلاید دوره: بخش آماده سازی داده ها
  • محتوای اسلاید دوره: بخش مدل های پیش بینانه
  • محتوای اسلاید دوره: بخش مدل های اکتشافی
  • دیتاست های مورد استفاده در کورس داده کاوی
  • فایل های اجرایی (Stream) در کورس داده کاوی

نرم افزار IBM SPSS Modeler v.18:

  • نسخه Win64: لینک دانلود
  • نسخه Win32: لینک دانلود
  • نسخه MacOS: لینک دانلود پارت اول + لینک دانلود پارت دوم
محتوای درس
0% تکمیل‌شده 0/2 مرحله
مقدمه ای بر داده کاوی
معرفی مباحث دوره
موضوع قبلی
بازگشت به دوره
موضوع بعدی
درخواست مشاوره رایگان ×

برای دریافت مشاوره رایگان، فرم زیر را پر کنید تا کارشناسان ما با شما تماس بگیرند.

    Call Center