آپلود ویدئو | ورود | ثبت نام


فرادرس-

"آموزش ​اصول و روش‌های داده‌کاوی درس دوم: کلیات، مفاهیم و اصول پایه داده‌کاوی (الف)"


Embed گزارش تخلف

مشاهده 1393

دریافت ویدئو: حجم کم کیفیت بالا
توسط فرادرس در 05 Feb 2017
توضیحات:

برای کسب اطلاعات بیشتر، به این لینک مراجعه نمایید:
#http://www.faradars.org/fvdm9505

در اغلب مسائل، وجود حجم زیاد داده ها، منجر به ایجاد اشکالات جدی در امر شناسایی و کشف روابط و الگوهای پنهان در این داده ها شده است. دانش داده کاوی با هدف فراهم آوردن روش هایی برای پردازش هوشمند حجم زیاد داده ها و استخراج روال ها و قوانین حاکم بر آنها، مطرح شده است. روش های داده کاوی در گستره وسیعی از کاربردهای مختلف و اصولاً در هر جا که با مسئله تجزیه و تحلیل اطلاعات مواجه هستیم، قابل استفاده می باشد.

در این دوره به بیان اصول و روش های مطرح در طی گام های مختلف فرآیند داده کاوی، پرداخته خواهد شد. همچنین به منظور بهره گیری بیشتر محققین، رویکردهای نوین تحقیقاتی در حوزه داده کاوی مورد بررسی قرار خواهند گرفت. در عین حال معرفی مختصری نیز از برخی از ابزارهای مطرح در زمینه داده کاوی، صورت گرفته است.

سرفصل های مورد بحث در این فیلم آموزشی عبارتند از:
درس یکم: مقدمه ای بر داده کاوی
درس دوم: کلیات، مفاهیم و اصول پایه داده کاوی
بیان تعاریف و مفاهیم پایه، ضرورت ها، مزایا و گستره کاربرد
درس سوم: معرفی روش های پیش پردازش داده ها (Data Preprocessing)
پاک سازی (Data Cleaning)
تجمیع (Data Integration)
خلاصه سازی (Data Summarization)
کاهش ابعاد (Dimensionality Reduction)
گسسته سازی (Discretization)
درس چهارم: انبارش داده ها (Data Warehousing) و تحلیل برخط اطلاعات (OLAP)
مدل سازی داده های چند بعدی
معرفی تکنولوژی OLAP (On-Line Analytical Processing)
معماری سیستم های انبارش داده ها
تکنیک های پیاده سازی سیستم های انبارش داده ها
معرفی روش های پردازش مکعب داده ای (Data Cube)
روش های محاسباتی در مکعب داده ای
روش های پردازش پرس وجوها در مکعب داده ای
بررسی روش های تحلیل چند بعدی داده ها در مکعب داده ای
درس پنجم: روش های پایه در کاوش الگوهای مکرر (Frequent Pattern Mining)
بیان تعاریف و مفاهیم پایه
معرفی روش های پایه در کاوش الگوهای مکرر
الگوریتم Apriori و نمونه های گسترش یافته آن
الگوریتم FPGrowth
بررسی شاخص های بررسی کیفیت الگوهای مکرر کشف شده
درس ششم: روش های پیشرفته در کاوش الگوهای مکرر
روش های مبتنی بر قیود (Constraint-Based)
روش های کشف الگوهای حجیم (Colossal Patterns)
روش های کشف الگوهای مکرر در داده های با ابعاد زیاد
روش های کشف الگوهای مکرر در داده های ترتیبی (Sequential Pattern Mining)
روش های کشف الگوهای مکرر در گراف (Graph Pattern Mining)
درس هفتم: روش های پایه رده بندی (Classification) و پیش بینی داده ها (Prediction)
معرفی مفاهیم پایه و شاخص های ارزیابی فرآیند رده بندی
معرفی روش های پایه رده بندی
درخت تصمیم (Decision Tree)
رده بندی بیزین (Bayesian)
رده بندی مبتنی بر قواعد (Rule-based)
روش های تجمیع (Ensemble)
درس هشتم: روش های پیشرفته رده بندی
روش های رده بندی مبتنی بر الگوهای معرفی شده (Pattern-Based)
روش نزدیک ترین همسایه ها (K-Nearest Neighbors) و روش یادگیرنده های تنبل (Lazy Learners)
شبکه های عصبی مصنوعی (Artificial Neural Networks)
الگوریتم های ژنتیک (Genetic Algorithms)
روش های مبتنی بر منطق فازی (Fuzzy Logic)
روش های نیمه نظارتی (Semi-Supervised)
روش های یادگیری فعال (Active Learning)
روش های شبکه های باور بیزین (Bayesian Belief Networks)
ماشین بردار پشتیبان (Support Vector Machines)
درس نهم: روش های پایه خوشه بندی
معرفی مفاهیم پایه و شاخص های ارزیابی فرآیند خوشه بندی
معرفی روش های پایه خوشه بندی
روش های مبتنی بر افزاز (Partitioning)
روش های سلسله مراتبی (Hierarchical)
روش های مبتنی بر چگالی (Density-Based)
روش های مبتنی بر ساختار Grid
درس دهم: معرفی روش های پیشرفته خوشه بندی
خوشه بندی داده های با ابعاد زیاد (High-Dimensional Data)
خوشه بندی مبتنی بر قیود (Constraint-Based)
خوشه بندی مبتنی بر مدل احتمالاتی
خوشه بندی داده های گراف و شبکه
درس یازدهم: تحلیل داده های پرت (Outlier Analysis)
معرفی مفاهیم و تعاریف پایه و نیز انواع داده های پرت
بررسی روش های تشخیص و تحلیل داده های پرت
روش های آماری
روش های مبتنی بر مجاورت (Proximity)
روش های مبتنی بر خوشه بندی
روش های مبتنی بر رده بندی
روش های تشخیص و تحلیل داده های پرت برای داده های با ابعاد زیاد (High-Dimensional Data)
درس دوازدهم: بررسی رویکردهای نوین تحقیقاتی در حوزه داده کاوی
روش های کاوش داده های پیچیده
بررسی کاربردهای داده کاوی
داده کاوی و اجتماع
رویکردهای نوین در داده کاوی
درس سیزدهم: معرفی برخی از ابزارهای داده کاوی
Orange
R Programming Language
Weka
RapidMiner
SPSS
مدرس: دکتر امیر حسین کیهانی پور

لغات کلیدی:

آموزش, ​اصول, و, روش, های, داده, کاوی, (Data, Mining)


comments powered by Disqus

درباره ما | تماس با ما | قوانین تخته سفید