داده‌کاوی و حل مساله (IBM SPSS)

هفته اول
مقدمه و کلیات
2 موضوع‌ها
مقدمه ای بر داده کاوی
معرفی مباحث دوره
توصیف و کاوش در داده ها
3 موضوع‌ها
روش های توصیف و کاوش در داده
آشنایی با نرم افزار SPSS Modeler
ورود داده و توصیف آن در نرم افزار
هفته دوم
کیفیت داده ها
5 موضوع‌ها
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
هفته سوم
تبدیل داده ها
7 موضوع‌ها
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
2 موضوع‌ها
انتخاب ویژگی
پیاده سازی انتخاب ویژگی در نرم افزار
کاهش ابعاد و انتخاب نمونه – بخش دوم
4 موضوع‌ها
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
2 موضوع‌ها
مفاهیم یکپارچه سازی داده
اجرای یکپارچه سازی داده در نرم افزار
پیاده سازی عملی فاز آماده سازی داده (اختیاری: مطالعه بیشتر)
1 موضوع
پیاده سازی عملی فاز آماده سازی داده (اختیاری: مطالعه بیشتر)
پروژه عملی کورس داده کاوی
پروژه عملی: تحلیل رفتار مشتریان
هفته پنجم
فاز مدلسازی – مدلهای پیش بینانه مبتنی بر قانون
4 موضوع‌ها
مقدمه ای بر مدلهای پیش‌بینانه
الگوریتم درخت تصمیم
آموزش و توسعه درخت تصمیم
تفسیر و ارزیابی قوانین
روش های ارزیابی
3 موضوع‌ها
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
1 موضوع
چالش ها و روش برخورد با داده های نامتوازن
پیاده سازی و ارزیابی درخت تصمیم در نرم افزار
3 موضوع‌ها
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
9 موضوع‌ها
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
6 موضوع‌ها
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 پیش‌بینانه جعبه سیاه – بخش دوم
2 موضوع‌ها
معرفی الگوریتم ماشین بردار پشتیبان SVM
پیاده سازی مدل SVM در نرم افزار
فاز مدلسازی – مدلهای پیش‌بینانه مبتنی بر یادگیری گروهی
6 موضوع‌ها
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
هفته دهم
فاز مدلسازی: مدلهای اکتشافی بدون نظارت – خوشه بندی
7 موضوع‌ها
معرفی تکنیک خوشه بندی
خوشه بندی سلسله مراتبی
الگوریتم خوشه بندی K-Means
الگوریتم مبتنی بر چگالی DB-Scan
ارزیابی مدل خوشه بندی
پیاده سازی مدل خوشه بندی (1)
پیاده سازی مدل خوشه بندی (2)
فاز مدلسازی: مدلهای اکتشافی بدون نظارت – قوانین انجمنی
3 موضوع‌ها
مقدمه ای بر قوانین انجمنی – Association Rules
معرفی الگوریتم Apriori
پیاده سازی قوانین انجمنی در نرم افزار
فرم نظرسنجی و درخواست گواهینامه (داده کاوی – IBM SPSS)
موضوع بعدی

مقدمه ای بر داده کاوی

مقدمه ای بر داده کاوی مقدمه و کلیات داده‌کاوی و حل مساله (IBM SPSS)
پیشرفت درس
0% تکمیل‌شده
بازگشت به درس
موضوع بعدی

دانلود ویدئو

مطالعه بیشتر این موضوع
در ویکی علم داده دایکه