جزوه «داده‌کاوی؛ مدل‌ها، الگوریتم‌ها و کاربردها»

• ۰
• جزوات, کارشناسی ارشد

مدرس جزوه: خانم دکتر گماسائی (عضو هیئت علمی دانشکده مهندسی صنایع و سیستم‌های مدیریت دانشگاه صنعتی امیرکبیر)

این جزوه دوزبانه (فارسی و انگلیسی) در دو بخش با خطی خوانا و با کیفیت محتوایی و نوشتاری مطلوب آماده شده است. بخش اول شامل مقدمات داده‌کاوی و روش‌های خوشه‌بندی است، بخش دوم شامل رگرسیون، روش‌های طبقه‌بندی، روش‌های کاهش ابعاد و قواعد انجمنی است.

فهرست مطالب جزوه درس داده‌کاوی – بخش اول شامل مقدمات داده‌کاوی و روش‌های خوشه‌بندی در ۹۸ صفحه:

بخش مقدمات داده‌کاوی

• معرفی اولیه درس و بیان اهداف درس
• معرفی منابع و مراجع درس
• تعریف داده‌کاوی و بیان کاربردهای متنوع آن (Data Mining Definition)
• کاربردهای مختلف داده‌کاوی در کسب‌وکار
• الزامات اجرای فرآیند داده‌کاوی
• ویژگی‌های ابزارهای داده‌کاوی
• مقدمه‌ای بر نرم‌افزارهای داده‌کاوی (Data Mining Software)
• مقدمه‌ای بر دو فرآیند استاندارد اجرای داده‌کاوی (Data Mining Standard Processes) 
  • تشریح متدولوژی CRISP-DM
    • مرحله درک کسب‌وکار (Business Understanding)
    • مرحله درک داده‌ها (Data Understanding)
    • مرحله آماده‌سازی داده‌ها (Data Preparation)
    • مرحله ساخت مدل (Model Building)
    • مرحله تست کردن و ارزیابی مدل (Testing & Evaluation)
    • مرحله توسعه مدل (Deployment)
  • بحث تبدیل داده‌ها (Data Transformation)
  • تشریح مقدماتی متدولوژی SEMMA
• انواع داده‌ها و نحوه طبقه‌بندی و کدگذاری آن‌ها
• بحث مصیبت ابعاد در داده‌ها (Curse of Dimensionality)
• بحث یکپارچه‌سازی داده‌ها (Data Integration)
• روش‌های پیدا کردن ویژگی‌های مشابه در داده‌ها (Finding Redundant Attributes)
  • تشریح روش مربع کای به همراه مثال
  • تشریح روش ضریب همبستگی و کوواریانس داده‌ها
• روش‌های نرمال‌سازی داده‌ها به همراه مثال (Data Normalization)
  • روش حداقل-حداکثر
  • روش انحراف معیار
• هموارسازی داده‌ها و پاکسازی داده‌ها (Data Smoothing & Data Cleaning)
• تجزیه و تحلیل نقاط پرت (Outlier Analysis)
  • تکنیک‌های مصورسازی یا گرافیکی مانند نمودارهای دوبعدی، سه بعدی و نمودار جعبه‌ای
  • تکنیک‌های آماری مانند روش حد آستانه یا روش MAD
  • تکنیک‌های مبتنی بر فاصله مانند فاصله اقلیدسی یا فاصله Mahalanobis
  • تکنیک‌های مبتنی بر مدل

بخش روش‌های خوشه‌بندی (Data Clustering)

• مقدمه‌ای بر انواع روش‌های یادگیری در فاز مدل‌سازی داده‌ها
  • یادگیری بانظارت (Supervised Learning)
  • یادگیری بدون نظارت (UnSupervised Learning)
  • یادگیری نیمه نظارتی (Semi-Supervised Learning) 
  • یادگیری تقویتی (Reinforcement Learning)
• تشریح مفهوم خوشه‌بندی و کاربردهای مختلف آن
• روش خوشه‌بندی K-Means به همراه مثال حل شده
• روش خوشه‌بندی FCM به همراه مثال حل شده
• روش خوشه‌بندی سلسله مراتبی (Hierarchical Clustering) به همراه دو مثال حل شده
• روش خوشه‌بندی GMM به همراه مثال حل شده
• تشریح اندیس‌های اعتبارسنجی و پنج شاخص جهت تعیین تعداد خوشه بهینه

 

420.000 ریال – خرید و دریافت بخش اول جزوه نهایی کردن خرید مورد به سبد خرید اضافه شد

 

فهرست مطالب جزوه درس داده‌کاوی – بخش دوم شامل رگرسیون، روش‌های طبقه‌بندی، روش‌های کاهش ابعاد و قواعد وابستگی/انجمنی در ۱۰۴ صفحه:

• بخش رگرسیون خطی (Linear Regression)
  • رگرسیون خطی تک متغیره به همراه مثال حل شده و تحلیل کامل
  • تشریح شاخص‌های تعیین دقت مدل رگرسیون خطی تک متغیره
  • رگرسیون خطی چندمتغیره به همراه مثال حل شده و تحلیل کامل
  • تشریح شاخص‌های تعیین دقت مدل رگرسیون خطی چندمتغیره
• روش‌های طبقه‌بندی داده‌ها (Data Classification)
  • روش بیز ساده (Naive Bayes) به همراه مثال حل شده
  • روش درخت تصمیم (Decision Tree) به همراه مثال حل شده
  • روش K نزدیک‌ترین همسایگی (KNN) به همراه مثال حل شده
• روش‌های کاهش ابعاد داده‌ها (Dimension Reduction Methods)
  • مقدمه‌ای بر مفاهیم جبرخطی (مانند بردار ویژه و مقدار ویژه)
  • روش تحلیل مؤلفه‌های اصلی (PCA) به همراه چند مثال حل شده
  • روش تجزیه مقدار واحد (SVD) به همراه چند مثال حل شده
• مقدمه‌ای بر قواعد وابستگی/انجمنی (Association Rules)
  • قواعد همبستگی و تحلیل سبد بازار
  • تشریح الگوریتم Apriori به همراه چند مثال حل شده
  • نحوه ساخت قواعد وابستگی با اطمینان بالا براساس مجموعه اقلام پرتکرار
  • تشریح الگوریتم FPGrowth به همراه مثال حل شده

 

430.000 ریال – خرید و دریافت بخش دوم جزوه نهایی کردن خرید مورد به سبد خرید اضافه شد