دوره‌ مستقلمحتوای آفلاین

داده کاوی و حل مساله (IBM SPSS)

مدرس زهرا ذوالقدر
آخرین بروزرسانی ۱۱ دی ۱۴۰۴
۰ دیدگاه

این دوره با هدف آشنایی دانشجویان و محققان با چگونگی پیاده سازی فرآیند داده کاوی از قبیل آماده‌سازی داده ها و ساخت مدل های پیشبینانه در نرم افزارهای تخصصی داده کاوی طراحی شده است. درک درست از صورت مساله های مختلف این حوزه و دستیابی به یک بینش جامع نسبت به روش حل مساله، شما را آماده میکند تا در تحلیل داده محور با نگاه بازتری گام بردارید. ابزار IBM SPSS Modeler برای پیاده سازی عملی این کورس مورد استفاده قرار گرفته است.

دوره آفلاین داده کاوی و حل مسئله چطور برگزار می شود؟

محتوای ویدئویی: در دوره آفلاین، تمامی محتوا و متریال آموزشی ارائه شده (اعم از صدا و تصویر مدرس، صفحه دسکتاپ مدرس و مباحثی که روی تخته ارائه می شود)، بصورت فیلم استدیویی ضبط و تدوین شده و در اختیار متقاضیان قرار میگیرد.

گروه پشتیبانی تلگرامی: تمام شرکت کنندگان دوره های آفلاین در این گروه عضو خواهند شد. به اشتراک گذاری منابع و اطلاعات مرتبط با محتوای دوره ها، طرح سوالات و اشکالات فردی و مباحثه بر روی اونها رو می توانید در این گروه پشتیبان داشته باشید. ضمن اینکه مدرسین دوره ها هم در این گروه هستند و در حد ممکن پاسخگو خواهند بود.

آیا در پایان دوره به شرکت کنندگان آفلاین گواهینامه ارائه می شود؟

دوره های آفلاین، شامل صدور گواهینامه نمی شوند.

هفته اول
مقدمه و کلیات
۴۹:۴۰
مقدمه ای بر داده کاوی
پخش رایگان ۴۳:۰۲
معرفی مباحث دوره
پخش رایگان ۰۶:۳۸
توصیف و کاوش در داده ها
۳:۰۳:۳۳
روش های توصیف و کاوش در داده
۴۶:۲۲
آشنایی با نرم افزار SPSS Modeler
۱:۰۵:۵۸
ورود داده و توصیف آن در نرم افزار
۱:۱۱:۱۳
هفته دوم
کیفیت داده ها
۳:۰۷:۰۳
مقدمه ای بر کیفیت داده ها
۱۱:۵۳
داده های خارج از بازه و ناسازگار
۱۰:۴۵
داده های پرت
۳۱:۵۳
مقادیر گمشده
۳۱:۴۳
بررسی کیفیت داده ها در نرم افزار
۱:۴۰:۴۹
هفته سوم
تبدیل داده ها
۴:۴۰:۲۴
نرمال سازی داده ها
۲۰:۲۳
ساخت ویژگی
۲۹:۲۲
گسسته سازی
۴۸:۳۸
اجرای تبدیل داده ها در نرم افزار
۱:۲۹:۱۵
تجمیع داده ها
۳۲:۱۲
پیاده سازی تجمیع داده ها در نرم افزار
۳۸:۲۲
هموارسازی داده ها (اختیاری: مطالعه بیشتر)
۲۲:۱۲
هفته چهارم
کاهش ابعاد و انتخاب نمونه – بخش اول
۱:۴۳:۳۸
انتخاب ویژگی
۱:۱۰:۰۴
پیاده سازی انتخاب ویژگی در نرم افزار
۳۳:۳۴
کاهش ابعاد و انتخاب نمونه – بخش دوم
۲:۳۴:۵۰
استخراج ویژگی
۱:۰۷:۰۵
استخراج ویژگی در نرم افزار
۳۰:۰۷
نمونه گیری (اختیاری: مطالعه بیشتر)
۳۶:۴۷
اجرای نمونه گیری در نرم افزار (اختیاری: مطالعه بیشتر)
۲۰:۵۱
یکپارچه سازی داده ها
۳۷:۰۱
مفاهیم یکپارچه سازی داده
۱۳:۳۷
اجرای یکپارچه سازی داده در نرم افزار
۲۳:۲۴
پیاده سازی عملی فاز آماده سازی داده (اختیاری: مطالعه بیشتر)
۱:۵۱:۳۶
پیاده سازی عملی فاز آماده سازی داده (اختیاری: مطالعه بیشتر)
۱:۵۱:۳۶
هفته پنجم
فاز مدلسازی – مدلهای پیش بینانه مبتنی بر قانون
۲:۵۹:۲۵
مقدمه ای بر مدلهای پیش‌بینانه
۴۹:۵۹
الگوریتم درخت تصمیم
۲۶:۵۱
آموزش و توسعه درخت تصمیم
۱:۲۲:۱۵
تفسیر و ارزیابی قوانین
۲۰:۲۰
روش های ارزیابی
۱:۳۴:۱۰
ارزیابی مدل های دسته بندی – بخش ۱
۳۷:۰۳
ارزیابی مدل های دسته بندی – بخش ۲ (اختیاری: مطالعه بیشتر)
۴۱:۴۰
ارزیابی مدل های رگرسیون
۱۵:۲۷
هفته ششم
چالش ها و روش برخورد با داده های نامتوازن
۵۰:۲۱
چالش ها و روش برخورد با داده های نامتوازن
۵۰:۲۱
پیاده سازی و ارزیابی درخت تصمیم در نرم افزار
۲:۵۷:۳۹
پیاده سازی درخت تصمیم در نرم افزار
۱:۴۳:۱۱
ماتریس درهم ریختگی و داده های نامتوازن
۴۴:۰۹
درخت های رگرسیونی و ارزیابی در نرم افزار
۳۰:۱۹
هفته هفتم
فاز مدلسازی – مدلهای پیش‌بینانه آماری
۴:۳۵:۱۷
الگوریتم بیز ساده Naive Bayes
۵۳:۰۲
مقدمه ای بر رگرسیون خطی
۲۶:۲۵
برآورد ضرایب مدل
۲۷:۱۹
آزمون های فرض مدل
۲۹:۴۲
بررسی مفروضات مدل (اختیاری: مطالعه بیشتر)
۲۴:۱۵
پیاده سازی رگرسیون خطی
۴۲:۱۰
رگرسیون لجستیک
۱۷:۴۵
آزمون های فرض رگرسیون لجستیک
۲۶:۱۷
پیاده سازی رگرسیون لجستیک
۲۸:۲۲
هفته هشتم
فاز مدلسازی – مدلهای پیش‌بینانه جعبه سیاه – بخش اول
۳:۰۹:۳۰
معرفی الگوریتم k-نزدیک ترین همسایه (KNN)
۳۱:۲۳
پیاده سازی الگوریتم KNN – بخش اول
۱۲:۴۳
پیاده سازی الگوریتم KNN – بخش دوم
۳۹:۳۸
معرفی الگوریتم شبکه عصبی ANN
۱۸:۰۸
فرایند یادگیری در شبکه های عصبی
۳۹:۱۵
پیاده سازی شبکه عصبی در نرم افزار
۴۸:۲۳
هفته نهم
فاز مدلسازی – مدلهای پیش‌بینانه جعبه سیاه – بخش دوم
۱:۵۲:۰۶
معرفی الگوریتم ماشین بردار پشتیبان SVM
۱:۰۸:۳۱
پیاده سازی مدل SVM در نرم افزار
۴۳:۳۵
فاز مدلسازی – مدلهای پیش‌بینانه مبتنی بر یادگیری گروهی
۱:۵۶:۴۸
مبانی یادگیری گروهی
۳۰:۰۵
رویکرد Stacking در یادگیری گروهی
۰۸:۲۳
رویکرد Bagging در یادگیری گروهی
۱۱:۳۰
رویکرد Boosting در یادگیری گروهی
۲۲:۰۰
پیاده سازی یادگیری گروهی در مساله دسته بندی
۲۵:۰۸
پیاده سازی یادگیری گروهی در مساله رگرسیون
۱۹:۴۲
هفته دهم
فاز مدلسازی: مدلهای اکتشافی بدون نظارت – خوشه بندی
۲:۳۰:۲۰
معرفی تکنیک خوشه بندی
۰۸:۰۸
خوشه بندی سلسله مراتبی
۱۹:۲۱
الگوریتم خوشه بندی K-Means
۲۶:۵۴
ارزیابی مدل خوشه بندی
۱۸:۳۳
پیاده سازی مدل خوشه بندی (۱)
۲۵:۳۸
پیاده سازی مدل خوشه بندی (۲)
۳۶:۰۰
الگوریتم مبتنی بر چگالی DB-Scan
۱۵:۴۶
فاز مدلسازی: مدلهای اکتشافی بدون نظارت – قوانین انجمنی
۱:۰۲:۰۲
مقدمه ای بر قوانین انجمنی – Association Rules
۱۳:۰۱
معرفی الگوریتم Apriori
۲۶:۴۹
پیاده سازی قوانین انجمنی در نرم افزار
۲۲:۱۲
دکتر زهرا ذوالقدر

مدیر بخش آمار و داده کاوی دایکه
دکترای آمار زیستی . فارغ‌التحصیل از دانشگاه تهران و شهید بهشتی

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می‌نویسد.

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

این دوره بخشی از گام مهارتی زیر است

تحلیلگر داده محور
۲۲ هفته
مدرس ها

محمد روزبه و ...

۰ دیدگاه

امتیاز 0 از 5

تحلیلگر داده محور

تشکیل شده از ۳ دوره مهارتی

گزینه‌های ثبت‌نام

داده کاوی و حل مساله (IBM SPSS)

در حال ثبت نام

در حال ثبت نام

  • *انتخاب روش برگزاری کلاس

ویژگی

درخواست مشاوره رایگان ×

    Call Center
    سبد خرید شما
    هیچ محصولی در سبد خرید نیست.

    ورود به حساب کاربری

    ساخت حساب کاربری