مجموعه آموزش های داده کاوی یا Data Mining در متلب

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها

درباره ناشر

فرادرس
فرادرس

فرادرس بزرگ‌ترین ناشر دیجیتال آموزش‌های تخصصی، دانشگاهی و مهندسی است.

درباره مدرس

دکتر سیدمصطفی کلامی هریس
دکتر سیدمصطفی کلامی هریس

عضو هیأت علمی فرادرس

دکترای تخصصی مهندسی برق-کنترل


دکتر سیدمصطفی کلامی هریس یکی از بنیانگذاران و مدیران کنونی فرادرس و از اعضای هیأت علمی آن است. تا کنون، محتوای آموزشی ارائه شده توسط وی بر روی فرادرس، یکی از مراجع اصلی آموزشی دانشجویان و دانش پژوهان علاقه مند به یادگیری حوزه های مختلف مرتبط با هوش مصنوعی و برنامه نویسی بوده است. (+)



مجموعه فرادرس های داده کاوی یا Data Mining در متلب عنوان مجموعه ای از فیلم های آموزشی است، که در مجموع شامل بیست و چهار ساعت برنامه آموزشی تخصصی در زمینه داده کاوی و مباحث آن، پیاده سازی آن ها در محیط متلب و کاربردهای آن ها می باشد. 

👤 مدرس: دکتر سیدمصطفی کلامی هریس
🕓 مدت زمان: ۲۴ ساعت و ۲ دقیقه
🎓 تعداد دانشجو: ۱۸۸۷ نفر این آموزش را تهیه کرده اند. — ۱۶ نفر در دو هفته اخیر
روش دریافت: لینک دانلود و/یا ارسال فیزیکی

هزینه آموزش: ۳۵,۰۰۰ تومان


آنچه شما در این فرادرس خواهید دید:
آموزش ویدئویی مورد تایید فرادرس
فایل برنامه ها و پروژه های اجرا شده در حین آموزش
فایل PDF یادداشت های مدرس در حین آموزش

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • به صورت رایگان یک یا چند آموزش معادل دیگر دریافت می کنید.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می شود.
    (توضیحات بیشتر +)
دانلود آنی و ارسال سریع
فعال‌سازی آنی لینک دانلود، بلافاصله پس از ثبت سفارش
ارسال پستی به همراه کد رهگیری مرسوله در اولین ساعت اداری روز
ارسال پیک موتوری در تهران، در همان روز ثبت سفارش

(توضیحات بیشتر +)



    توضیحات

    در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است.

    اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند،و آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.

    مجموعه فرادرس های داده کاوی یا Data Mining در متلب، عنوان مجموعه ای از فیلم های آموزشی است، که در مجموع شامل بیست و چهار ساعت برنامه آموزشی تخصصی در زمینه داده کاوی و مباحث آن، پیاده سازی آن ها در محیط متلب و کاربردهای آن ها می باشد
    .

     

    درس یکم: مبانی داده کاوی یا Data Mining

    در فیلم آموزشی مبانی داده کاوی، با مروری بر مفاهیم پایه داده کاوی و مسائلی که در این حوزه مطرح است، تصویری جامع از عملیات داده کاوی و کاربردهای آن در زمینه های مختلف ارائه شده است. این موضوع، به ویژه با طرح مثال های متنوع از حوزه های مختلف، این فیلم آموزشی را تبدیل به یک مرجع آموزشی جامع و کاربردی برای اکثر مخاطبین کرده است. تمامی برنامه های این فیلم آموزشی، همچون سایر محصولات آموزشی ارائه شده در فرادرس (فرادرس)، به صورت گام به گام و به ساده ترین شکل ممکن ارائه شده اند.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • تعریف مسأله داده کاوی و استخراج دانش از داده یا KDD
    • تاریخچه پایگاه های داده و روش های داده کاوی
    • مراحل موجود در مسیر کشف و استخراج دانش یا Knowledge Discovery
    • معرفی انواع داده ها و پایگاه های داده که می توان بر روی آن ها داده کاوی انجام داد
    • بررسی انواع الگوهای قابل شناسایی در داده ها
    • بررسی روش های موجود برای حل انواع مسائل داده کاوی
    • معرفی ویژگی های مهم و مطلوب در الگوهای کاوش پذیر
    • بررسی دشواری ها و مشکلات موجود در مسیر داده کاوی

     

    درس دوم: روش های پیش پردازش داده ها

    در فیلم آموزشی روش های پیش پردازش داده ها برای شروع فرایند داده کاوی مورد بررسی واقع شده اند. برای نتیجه گیری بهتر از بسیاری از الگوریتم های داده کاوی، لازم است تغییرات و یا اصلاحاتی بر روی داده های خام انجام شوند، تا کیفیت الگوها و قواعد کاوش شده از داده ها، به بیشترین حد ممکن افزایش یابد.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مروری بر لزوم پیش پردازش و آماده سازی داده ها
    • روش های پاک سازی داده ها یا Data Cleaning
    • پاک سازی داده های آلوده به نویز یا Noisy Data
    • برخورد با داده های ناموجود یا Missing Data
    • روش های تجمیع داده ها یا Data Integration
    • روش های کاهش داده ها یا Data Reduction
    • کاهش ابعاد یا Dimensionality Reduction
    • کاهش تعداد یا Numerosity reduction
    • فشرده سازی داده ها یا Data Compression
    • روش های تبدیل داده ها یا Data Transformation
    • هموار سازی یا Smoothing
    • استخراج ویژگی یا Feature Extraction
    • نرمال سازی یا Normalization
    • و ده ها مبحث دیگر …

     

    درس سوم: طبقه بندی یا Classification

    بسیاری از مسائل داده کاوی را می توان به صورت یک مسأله طبقه بندی یا Classification بیان نمود، که در آن در نهایت یک عامل پیش بین تربیت می شود که می تواند با در دست داشتن دانش موجود برای طبقه بندی یک مجموعه از موارد، آن دانش را به طبقه بندی سایر موارد تعمیم دهد. در واقع مسأله طبقه بندی، یک مسأله یادگیری نظارت شده است. در فیلم آموزشی جامع طبقه بندی یا Classification، پس از مرور کلی بر مفاهیم طبقه بندی و شیوه تربیت یک عامل طبقه بندی کننده یا Classifier، چند روش پر کاربرد معرفی و در محیط متلب پیاده سازی شده اند.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مفاهیم پایه طبقه بندی یا Classification
    • کاربرد درخت تصمیم یا Decision Tree در طبقه بندی
    • پیاده سازی طبقه بندی درخت تصمیم باینری در متلب
    • مفاهیم تقسیم بندی اطلاعات به سه گروه آموزش یا Train، آزمایش یا Test و اعتبارسنجی یا Validation
    • بررسی مفهوم Overtraining
    • روش اعتبارسنجی چند لایه ای یا k-Fold Cross-Validation
    • طبقه بندی کننده پایه بیزی یا Naive Bayesian Classifier
    • پیاده سازی طبقه بندی پایه بیزی در متلب
    • الگوریتم k-Nearest Neighbors یا KNN
    • پیاده سازی KNN (یا k نزدیک ترین همسایه) در محیط متلب
    • معرفی روش پیشرفته تر حل مسائل طبقه بندی

     

    درس چهارم: خوشه بندی یا Clustering (الف)

    بسیاری از مسائل داده کاوی را می توان به صورت یک مسأله خوشه بندی یا Clustering بیان نمود، که در آن یک عامل هوشمند یا نیمه-هوشمند باید بتواند بدون در دست داشتن هیچ اطلاعات زمینه ای، طبقه بندی منطقی از یک سری موارد در دسترس را داشته باشد. در واقع مسأله خوشه بندی، یک مسأله یادگیری غیر نظارت شده است. در فیلم آموزشی جامع خوشه بندی یا Clustering، پس از مرور کلی بر مفاهیم پایه خوشه بندی و تفاوت های آن با مسأله طبقه بندی یا Classification، چندین روش مهم و پرکاربرد در حوزه آنالیز خوشه معرفی و به صورت عملی در محیط متلب پیاده سازی شده اند.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مروری بر مفاهیم پایه خوشه بندی یا Clustering
    • مروری بر تفاوت های خوشه بندی و طبقه بندی
    • ارائه چند مثال از کاربردهای خوشه بندی در داده کاوی و مسائل عملی
    • بررسی انواع روش های خوشه بندی
    • روش های خوشه بندی مبتنی بر تقسیم بندی یا Partitioning Methods
    • بررسی روش k-Means (الگوریتم Lloyd) به همراه پیاده سازی در متلب
    • بررسی روش k-Medoids به همراه پیاده سازی در متلب
    • بررسی روش Fuzzy C-Means یا FCM و پیاده سازی آن در متلب

     

    درس پنجم: خوشه بندی یا Clustering (ب)

    بسیاری از مسائل داده کاوی را می توان به صورت یک مسأله خوشه بندی یا Clustering بیان نمود، که در آن یک عامل هوشمند یا نیمه-هوشمند باید بتواند بدون در دست داشتن هیچ اطلاعات زمینه ای، طبقه بندی منطقی از یک سری موارد در دسترس را داشته باشد. در واقع مسأله خوشه بندی، یک مسأله یادگیری غیر نظارت شده است. در فیلم آموزشی جامع خوشه بندی یا Clustering، پس از مرور کلی بر مفاهیم پایه خوشه بندی و تفاوت های آن با مسأله طبقه بندی یا Classification، چندین روش مهم و پرکاربرد در حوزه آنالیز خوشه معرفی و به صورت عملی در محیط متلب پیاده سازی شده اند.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • معرفی نگاشت های خود سازمان ده یا SOM و پیاده سازی آن ها در محیط متلب
    • روش های خوشه بندی سلسله مراتبی یا Hierarchical Clustering
    • بررسی روش های بالارونده یا AGNES و پایین رونده یا DIANA
    • پیاده سازی رویکرد AGNES در محیط متلب
    • روش های خوشه بندی مبتنی بر چگالی یا توزیع
    • بررسی الگوریتم DBSCAN یا Density-Based Spatial Clustering of Applications with Noise
    • پیاده سازی الگوریتم DBSCAN در محیط متلب
    • روش های خوشه بندی جدولی یا Grid-based Clustering
    • بررسی مروری رویکردهای استفاده از الگوریتم های تکاملی و بهینه سازی در خوشه بندی

     

    درس ششم: رگرسیون یا Regression

    بسیاری از مسائل داده کاوی را می توان به صورت یک مسأله رگرسیون یا Regression بیان نمود، که در آن در نهایت یک یک مدل پیش بینی کننده تربیت و طراحی می شود که می تواند با در دست داشتن نقاطی از یک رابطه ریاضی مخفی یا موجود، تمامی آن رابطه را بازسازی و یا شبیه سازی کند، و به ما در یافتن ارتباطهای موجود میان متغیرها و خروجی ها، کمک کند. در فیلم آموزشی جامع رگرسیون یا Regression، پس از مرور کلی بر مفاهیم رگرسیون و مدل سازی، تعدادی از روش های پر کاربرد معرفی و در محیط متلب پیاده سازی شده اند.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • بررسی مفاهیم بنیادی رگرسیون و مدل سازی و رویکردهای کلی حل این مسائل
    • بررسی ساختار مسأله یادگیری نظارت شده برای مدل سازی و رگرسیون
    • بررسی و معرفی انواع روش های رگرسیون
    • روش کمترین مربعات یا Least Squares (به اختصار LS) و پیاده سازی آن در محیط متلب
    • تعمیم روش کمترین مربعات برای مدل سازی غیر خطی
    • مروری بر شبکه های عصبی پرسپترون چند لایه یا MLP
    • مدل سازی و رگرسیون با شبکه عصبی MLP در متلب
    • مروری بر شبکه های عصبی مبتنی بر توابع شعاعی یا RBF
    • مدل سازی و رگرسیون با شبکه عصبی RBF در متلب

     

    درس هفتم: کاهش ابعاد یا Dimensionality Reduction

    کاهش ابعاد یا Dimensionality Reduction یکی از مراحلی است که در برخی مواقع به عنوان یک مرحله پیش پردازش در ابتدای یک فرآیند داده کاوی انجام می شود. کاهش ابعاد، از طرفی می تواند به عنوان یک کار انتخاب یا استخراج ویژگی یا Feature Selection or Extraction در نظر گرفته شود. در فیلم آموزشی جامع کاهش ابعاد، روش های مختلفی برای کاهش ابعاد و انتخاب ویژگی معرفی شده اند، و پس از پیاده سازی در محیط متلب، در کاربردهای عملی مورد استفاده قرار گرفته اند.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مروری بر مفاهیم پایه کاهش ابعاد
    • معرفی و بررسی کامل تحلیل مولفه اساسی یا Principal Component Analysis (به اختصار PCA)
    • بررسی ارتباط PCA با تجزیه مقادیر تکین یا SVD
    • پیاده سازی PCA در محیط متلب و کاربرد آن در کاهش ابعاد
    • معرفی رویکردهای تعمیمی برای روش PCA
    • معرفی روش تحلیل تفکیک فیشر یا Fisher Discriminant Analysis (به اختصار FDA) و یا Linear Discriminant Analysis (به اختصار LDA)
    • بررسی تفاوت های PCA و FDA (یا LDA)
    • پیاده سازی الگوریتم FDA در محیط متلب و کاربرد آن در کاهش ابعاد و طبقه بندی
    • معرفی شبکه های عصبی و حافظه های انجمنی یا Auto-Associative Neural Networks
    • معرفی و کاربرد تولباکس NLPCA برای کاهش ابعاد غیر خطی در متلب
    • حل و بررسی مسائل کاهش ابعاد غیر خطی
    • بررسی کاربرد نگاشت های خود-سازمان ده یا SOM در کاهش ابعاد

     

    درس هشتم: تشخیص داده های پرت یا Outlier Detection

    تشخیص داده های پرت می تواند به عنوان یک مرحله پیش پردازش در مسیر داده کاوی، و یا مستقلا به عنوان یک عملیات داده کاوی مطرح شود. روش های متعددی برای تشخیص داده های پرت وجود دارد، که در فیلم آموزشی تشخیص داده های پرت، سعی شده است مروری کلی بر روی این موارد انجام شود و در نهایت یک مورد که کاربرد بیشتری دارد، یعنی آنالیز مبتنی بر معیار T2 مفصلا مورد بررسی واقع شده است و در محیط متلب پیاده سازی شده است.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • بررسی انواع الگوها و داده های پرت و ناسازگاری ها
    • معرفی روش های کلی تشخیص داده های پرت
    • معرفی معیار T2 برای تشخیص ناسازگاری ها
    • بررسی هندسی معیار T2 و پیاده سازی آن در محیط متلب
    • معرفی معیار Q یا باقیمانده برای تشخیص داده های پرت

     

    درس نهم: کاوش قواعد وابستگی یا Association Rule Mining (الف)

    کاوش قواعد وابستگی یا Association Rule Mining رده ای از مسائل داده کاوی را شامل می شود که در آن به دنبال استخراج و تعریف قواعد و الگوهایی هستیم که توصیف دقیق تری را از فضای حاکم بر داده ها ارائه می دهند. کاربردهای گسترده این روش ها در هوش تجاری (هوشمندی کسب و کار یا Business Intelligence)، شبکه های اجتماعی و مجازی، تجارت الکترونیک، صنعت بانکداری، وب کاوی (Web Mining)، و ده ها زمینه دیگر، اهمیت دو چندانی به این روش ها اعطا کرده است. از جمله کاربردهای مهم این روش ها، می توان به طراحی و پیاده سازی سیستم های پیشنهادگر یا Recommender Systems اشاره نمود، که هر روز در دنیای وب، شاهد ظهور و بروز آن ها هستیم.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • بررسی انواع الگوهای تکرار شونده
    • ارائه مثال های پایه از تحلیل سبد خرید یا Market Basket Analysis
    • معرفی قواعد توصیف کننده و خواص آن ها
    • معرفی معیارهای تشخیص قاعده های قوی یا Strong Rules
    • معرفی و بررسی کامل الگوریتم Apriori برای استخراج و کاوش قواعد وابستگی
    • پیاده سازی گام به گام الگوریتم Apriori در محیط متلب به همراه حل یک مثال عملی

     

    درس دهم: کاوش قواعد وابستگی یا Association Rule Mining (ب)

    کاوش قواعد وابستگی یا Association Rule Mining رده ای از مسائل داده کاوی را شامل می شود که در آن به دنبال استخراج و تعریف قواعد و الگوهایی هستیم که توصیف دقیق تری را از فضای حاکم بر داده ها ارائه می دهند. کاربردهای گسترده این روش ها در هوش تجاری (هوشمندی کسب و کار یا Business Intelligence)، شبکه های اجتماعی و مجازی، تجارت الکترونیک، صنعت بانکداری، وب کاوی (Web Mining)، و ده ها زمینه دیگر، اهمیت دو چندانی به این روش ها اعطا کرده است. از جمله کاربردهای مهم این روش ها، می توان به طراحی و پیاده سازی سیستم های پیشنهادگر یا Recommender Systems اشاره نمود، که هر روز در دنیای وب، شاهد ظهور و بروز آن ها هستیم.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • بررسی ضعف های الگوریتم Apriori و مشکلات موجود در مسیر اجرای آن
    • بررسی عوامل و معیارهای بهتر برای توصیف قواعد مهم و جالب توجه در پایگاه داده
    • معرفی و بررسی الگوریتم رشد الگوی متداول یا Frequent Pattern Growth (به اختصار FP-Growth)
    • بررسی مفاهیم تشکیل درخت FP-Tree و مزایای آن در مقایسه با Apriori
    • پیاده سازی گام به گام الگوریتم FP-Growth در محیط متلب به همراه حل یک مثال عملی

     

    درس یازدهم: حل چند مسأله کاربردی و واقعی در داده کاوی

    در جهت تکمیل مباحث مطرح شده در جلسات، مجموعه آموزشی داده کاوی در متلب، چند مسأله کاربردی با استفاده از داده های واقعی حل و بررسی شده اند. مباحثی که در این آموزش به آن پرداخته می شود، حل مسأله رگرسیون، حل مسأله طبقه بندی، حل مسأله کاوش قواعد وابستگی و … می باشد. نقطه قوت این آموزش این است که به طور کامل به توضیح مباحث مربوطه پرداخته شده است و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه، انجام شده است.

    در جهت تکمیل مباحث مطرح شده در جلسات پیشین مجموعه آموزشی داده کاوی در متلب، چند مسأله کاربردی با استفاده از داده های واقعی حل و بررسی شده اند. فهرست این مثال در ادامه آمده است:

    • حل مسأله رگرسیون یا Regression
      روش ها: کمترین مربعات، شبکه عصبی MLP و شبکه عصبی RBF
      موضوع: تخمین درصد چربی موجود در بدن (Body Fat Percentage) با توجه به ۱۳۳ عامل فیزیکی و قابل اندازه گیری در همه جا
    • حل مسأله طبقه بندی یا Classification
      روش ها: طبقه بندی کننده درخت تصمیم یا Decision Tree Classifier
      موضوع: تحلیل نتایج به دست آمده از انتخابات ریاست جمهوری آمریکا در سال ۲۰۰۸
    • حل مسأله کاوش قواعد وابستگی یا Association Rule Mining
      روش ها: الگوریتم های Apriori و FP-Growth
      موضوع: تحلیل سفارش های انجام شده در یک رستوران ارائه دهنده انواع غذاها و نوشیدنی ها

    پیش نمایش

    پیش نمایش ۱ : فرادرس مبانی داده کاوی یا Data Mining - ۳۵ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. برای تنظیم کیفیت نمایش آنلاین روی علامت کلیک نمایید یا اینکه آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۴۳ مگابایت (کلیک کنید +)


    بخش ۲ : دانلود کامل و رایگان فرادرس روش های پیش پردازش داده ها - ۹۰ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. برای تنظیم کیفیت نمایش آنلاین روی علامت کلیک نمایید یا اینکه آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم - حجم دانلود ۸۰ مگابایت (کلیک کنید +)


    پیش نمایش ۳ : فرادرس جامع طبقه بندی یا Classification - ۴۵ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. برای تنظیم کیفیت نمایش آنلاین روی علامت کلیک نمایید یا اینکه آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۵۷ مگابایت (کلیک کنید +)


    پیش نمایش ۴ : فرادرس جامع خوشه بندی یا Clustering - ۲۶ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. برای تنظیم کیفیت نمایش آنلاین روی علامت کلیک نمایید یا اینکه آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۳۱ مگابایت (کلیک کنید +)


    پیش نمایش ۵ : فرادرس جامع خوشه بندی یا Clustering - ۳۸ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۶ : فرادرس جامع رگرسیون یا Regression - ۳۴ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۷ : فرادرس جامع کاهش ابعاد یا Dimensionality Reduction - ۴۵ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    بخش ۸ : دانلود کامل و رایگان فرادرس تشخیص داده های پرت یا Outlier Detection - ۶۶ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۹ : فرادرس جامع کاوش قواعد وابستگی یا Association Rule Mining - ۴۱ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۱۰ : فرادرس جامع کاوش قواعد وابستگی یا Association Rule Mining - ۱۸ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۱۱ : فرادرس حل چند مسأله کاربردی و واقعی در داده کاوی - ۳۰ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.


    اطلاعات تکمیلی

    نام آموزش مجموعه آموزش های داده کاوی یا Data Mining در متلب
    ناشر فرادرس
    شناسه اثر ۸-۱۱۰۳۸-۰۴۳۰۶۰ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
    کد آموزش MVRDM9206
    مدت زمان ۲۴ ساعت و ۲ دقیقه
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    حجم دانلود ۳۸۶۵ مگابایت     (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)
    تعداد DVD یک عدد (در صورت دریافت غیر آنلاین)


    ​راهنمای تهیه آموزشها

    آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

    راهنمایی بیشتر ( +)

    در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟ 
    • با شماره تلفن واحد مخاطبین ۸۸۳۱۲۲۷۶ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
    • از طریق بخش چت آنلاین، با پشیبان های فرادرس گفتگو کنید.- همه روزهای کاری هفته از ساعت ۸ صبح تا ۱۲ شب
    • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه

    با شروع یادگیری، یک کلیک فاصله دارید. همین حالا شروع کنید.

    مجموعه آموزش های داده کاوی یا Data Mining در متلب

    هزینه آموزش: ۳۵,۰۰۰ تومان




    سایر آموزش های دکتر سیدمصطفی کلامی هریس



    مطالب مرتبط


    دیدگاه ها

    ( امتیاز ۴٫۸ از ۵ )
    4.8 از 5


    تا کنون ۱۸۸۷ نفراز این آموزش استفاده کرده اند و ۲۳ نظر ثبت شده است.
    1. 0 از 5

      :

      در پاسخ به سعید:
      با سلام،
      فیلم آموزشی داده کاوی با ذکر جزییات قطعا در پیشبرد امور شما موثر خواهد بود.
      چنانچه شما با متلب اشنایی ندارید گنجینه آموزش متلب، از مقدماتی تا پیشرفته (+) پیشنهاد می شود، شما می توانید مبحث مورد نظر را از این گنجینه انتخاب نمایید.
      ضمنا کار با rapid miner برای کاربر راحتتر اما امکانات آن محدود است از طرفی کار در محیط متلب کمی دانش برنامه نویسی نیاز دارد و شاید زمانبر هم باشد اما مزیت آن این است که تقریبا هر الگوریتمی قابل پیاده سازی می باشد.
      موفق و پیروز باشید.

    2. 0 از 5

      :

      با سلام من ترم ۲ ارشد IT هستم و موضوع پایان نامه را میخواهم در زمینه متن کاوی در شبکه های اجتماعی انتخاب کنم میخواستم ببینم برای من که با داده کاوی زیاد آشنایی ندارم این آموزش میتواند کامل مشکلم را رفع کند؟ سوال دیگرم این است که متلب برای داده کاوی بهتر است یا rapid miner

    3. 5 از 5

      :

      واقعا ممنونم. خیلی خوب بود کلا مفید بود و استفاده زیادی ازش کردم و خیلی راضی بودم.

    4. 3 از 5

      :

      سلام. به نظرم آموزش خوبی بود. موفق باشید

    5. 4 از 5

      :

      سلام من آموزش لاتکس و شبکه عصبی را تهیه کردم. بسیار راضی بودم. پیشنهاد دارم برای آموزش ها بخش های تکمیلی اضافه کنید و آموزش ها را گسترش دهید.

    6. 4 از 5

      :

      با سلام. به نظرم در این آموزش مدرس خیلی راحت و روان تدریس می کرد عالی بود در حقیقت مطالبی را یاد گرفتم که در دانشگاه نه به این خوبی و نه با این جزئیات اینها رابه ما یاد ندادند.

    7. 5 از 5

      :

      با سلام، نقطه قوت این آموزش بیان روان و ساده مدرس می باشد ، که این روش تدریس باعث فهم دقیق آموزش می شود. من علاوه بر این آموزش برنامه نویسی متلب را نیز تهیه کرده ام. از تیم فرادرس متشکرم.

    8. 5 از 5

      :

      با سلام و خسته نباشید فراوان
      من این پکیج رو خریداری کردم
      واقعا عالی بود
      به اندازه ی ۲ ترم دانشگاه رفتن می ارزید
      و به همه ی دوستان که در زمینه پردازش تصویر کار می کنند پیشنهاد میدم حتما آن را بخرند و ببینند
      و خواهش میکنم غیر قانونی این ویدئو ها رو پخش نکنین
      بیاین فرهنگ سازی کنیم و از خودمون شروع کنیم
      ممنون آقای کلامی
      امیدوارم همیشه موفق باشین

    9. 4 از 5

      :

      سلام. فن بیان استاد عالی بود و خیلی خوب مطالب رو انتقال میدادن

    10. 5 از 5

      :

      از استاد گرامی این درس بخاطر تدریس بسیار عالیشان بخصوص در مباحث پایه ای کمال تشکر را دارم.

    11. 4 از 5

      :

      با سلام. از مجموعه فرادرس و آموزش های تدریس شده تنها موارد مثبت در ذهن بنده وجود دارد. شیوه بیان و اسلاید هایی که قرار میدهید بسیار عالی هست . به نظرم بهتر است در فیلم های آموزشی مراجع و منابعی را در ارتباط با موضوع مربوطه معرفی کنید تا اگر کسی سوالی برایش پیش بیاد به آن ها مراجعه کند.

    12. 5 از 5

      :

      با سلام. سوالی از محضر آقای کلامی داشتم. اول بخاطر بیان شیوا و ارایه کامل مطالب در قالب مجموعه های مختلف از ایشون تشکر میکنم. خدا خیرتون بده.
      جناب آقای کلامی من مهندسی صنایع میخونم. خواستم بدونم داده کاوی در کجای مهندسی صنایع استفاده میشه؟ (classification,clustering,…)
      چه موضوعی رو اگه بخوایم کار کنیم در اون از داده کاوی هم میتونیم استفاده کنیم؟
      ممنون میشم جامع و کامل پاسخ بدین.

      • 0 از 5

        :

        در پاسخ به امیر:
        با سلام،
        ضمن تشکر از حسن نظر و مکاتبه شما، پاسخ این پیام در فرادرس منتشر شده است؛ شما می توانید با مراجعه به لینک زیر از جزییات این پاسخ مطلع شوید:
        کاربرد داده کاوی در مهندسی صنایع

        موفق و پبروز باشید.

    13. 3 از 5

      :

      با عرض سلام و احترام خدمت استاد محترم
      بنده دانشجوی کارشناسی نرم افزار هستم و علاقه منده به یاد گیری داده کاوی می باشد آیا با تهیه این پکیج می توانم مباحث داده کاوی را یاد بگیرم؟
      تشکر

      • 0 از 5

        :

        در پاسخ به عالیه:
        با سلام،
        ضمن تشکر از مکاتبه شما، تاکید فرادرس بر مطالعه سرفصل هاست؛ چنانچه سرفصل ها مطابق با آنچه باشد که هدف شماست، تضمین می شود کاملا برای شما مفید باشد.
        موفق و پیروز باشید.

    14. 5 از 5

      :

      سلام. فیلم آموزشی مفید و روان بود. در کل از همه آموزش هایی که استفاده کرده ام راضی هستم.

    15. 5 از 5

      :

      با سلام. استاد خیلی قشنگ و زنده تدریس می کنند و اینگونه تدریس بسیار جذاب است. موفق باشید.

    16. 5 از 5

      :

      سلام. عالی بود استفاده کردم حتی اطلاعاتم انقدی بالا بود که به دوستام آموزش می دادم و حتی به استادمون پیشنهاداتی می دادم و کیفیت فیلم ها و نحوه تدریس و بیان بسیار عالی هست.

    17. 5 از 5

      :

      تدریس آقای دکتر کلامی فوق العاده بود. من هیچ ایراد یا اشکالی ندیدم. اگر برای رشته شیمی هم آموزش ارائه کنید خیلی خوب می شود.

    18. 5 از 5

      :

      سلام. من بیشتر این آموزش را بخاطر بخش های برازش منحنی و رگرسیون تهیه کردم که راهکار های خوبی در این زمینه به من داد.

    19. 5 از 5

      :

      سلام. بخش پیاده سازی در متلب و توضیحاتشان بسیار عالی بود. لطفا زبان های برنامه نویسی پیشرفته ارائه کنید.

    20. 5 از 5

      :

      با عرض سلام و خسته نباشد خدمت شما. بنده این مجموعه را تهیه کردم و از آن بسیار راضی بودم. با توجه به این که رشته من عمران است و قبل از این با مسائل داده کاوی اصلا آشنا نبودم و در دانشگاه نیز آن را پاس نکرده بودم به کمک این مجموعه توانستم آن را به خوبی یاد بگیرم و از آن برای انجام پایان نامم استفاده کنم. از شما به خاطر زحمت هایی که برای تهیه این مجموعه کشیدین تشکر می کنم.

    21. 0 از 5

      :

      نحوه تدریس، ارایه و نیز برنامه ریزی ارایه مطالب در این آموزش یعنی مجموعه آموزش های داده کاوی یا Data Mining در متلب کاملا مناسب و قابل احترام است. همچنین مطالب منتخب شده نیز مطالب مناسب و کاربردی و نیز پایه ای است. به نظر می رسد این آموزش بتواند توسعه پیدا کند ارایه آموزش های در زمینه برنامه ریزی ژنتیک، درخت تصمیم، شبکه بیزین، برنامه ریزی بیان ژنو دیگر الگوریتم های نوین در این زمینه مفید فایده خواهد بود. نیز به نظر می رسد معرفی تولباکس ها معتبر ارایه شده در این زمینه که توسط وب سایت متلب یا توسط وب سایت های دیگر ارایه شده اند مفید باشد و شاید بهتر باشد به شکل کوتاه سایت یا آدرس وب سایت برای دانلود، نحوه نصب و نیز نحوه اجرای آن آموزش داده شود.

    22. 0 از 5

      :

      با سلام و تشکر ویژه از تمامی کارکنان محترم گروه علمی فرادرس، مجموعه آموزشی داده کاوی در متلب، یکی از مجموعه های بسیار جامع و کاربردی است که بسیاری از موضوعات حائز اهمیت در حوزه داده کاری را تحت پوشش قرار داده است. سرفصل هایی همچون کاهش ابعاد، طبقه بندی، خوشه بندی و… از جمله مطالب بسیار کاربردی در اغلب رشته های علوم و مهندسی است. تنها نظر انتقادی من در خصوص این مجموعه آموزشی این است که اگر در خصوص مباحث داده کاوی فضایی (۲ بعد و بالاتر) مطالب بیشتری ارائه میشد، میتوانست بسیار بهتر باشد.

    23. 4 از 5

      :

      با سلام
      از نظر من آموزش های دکتر کلامی بسیار با کیفیت هستند. بیان ایشان شیوا و ساده هست. مثال های مناسب و ملموسی برای هر مبحث ارائه می کنند که به نظر من یکی از نقاط قوت و مثبت ایشان در ارائه مطالب می باشد. بسته داده کاوی هم مانند سایر بسته های آموزشی ایشان از کیفیت مناسبی برخوردار است. برای من که دید روشنی از داده کاوی و کاربردهای آن نداشتم بسیار مفید واقع شد و در کل از این مجموعه راضی هستم.

    24. 5 از 5

      :

      سلام؛
      از آموزش های دکتر کلامی هریس واقعاً راضی هستم و خوشبختانه نقطه ضعفی تاکنون مشاهده نکرده ام.
      مجموعه آموزش های داده کاوی یا Data Mining در متلب واقعا کاربردی و بسیار خوب تدریس شده است مخصوصاً آموزش های ذیل برای بنده در پروژه ی داده کاوی برای مسائل طبقه بندی بسیار راه گشا بوده است:
      • فرادرس مبانی داده کاوی یا Data Mining
      • فرادرس جامع طبقه بندی یا Classification
      • فرادرس حل چند مسأله کاربردی و واقعی در داده کاوی
      و همچنین در مجموعه آموزش های شبکه های عصبی مصنوعی در متلب قسمت های ذیل:
      • فرادرس جامع شبکه های عصبی پرسپرون چند لایه یا MLP در متلب
      • فرادرس جامع شبکه های عصبی رقابتی و نگاشت خود سازمان ده یا SOM

    25. 0 از 5

      :

      سلام.
      بسیار ممنون به خاطر تلاش شما. این مبحث بسیار مفید واقع شد.

    26. 0 از 5

      :

      سلام
      مجموعه بسیار مفیدی است که باید در هر مقطع دانشگاهی و هر رشته به یادگیری آن پرداخت. آموزش های دکتر هریس بسیار مفید بوده و از نکات مثبت آن آموزش جامع تئوری و معرفی منابع مرتبط بوده و بعد از آن پیاده سازی در متلب. من این آموزش رو به منظور آشنایی هرچه بیش تر با داده کاوی تهیه کردم چراکه در هر پروژه ی تحقیقاتی با حجم عظیمی از داده ها مواجه هستیم و دسته بندی و استفاده از این داده ها جهت ارایه کار علمی و پژوهشی مورد نیاز است و آموزشی است که در همه ی رشته های دانشگاهی تدریس نمی شود.

    27. 5 از 5

      :

      باسلام خدمت همه همکاران فرادرسی عزیز؛

      از اینکه در کنف الطاف خاصه ی الهی، آموزش هایی را در کسوت خدمت به جامعه ی علمی به نحوی ثمر بخش و موثر تهیه کرده اید شایسته است به پاس تلاش ها و زحمات مستمر شما در راستای توسعه و پیشرفت همه جانبه ی علوم کامپیوتری نهایت سپاس و قدر دانی خودم را خدمت تمامی شما عزیزان و علی الخصوص جناب دکتر کلامی ابراز دارم.

      شور شیرین تلاش های شما استاد گرانقدر در بسط علوم کامپیوتری همواره در ذهن جامعه فرادرسی کشور که در جای جای آن اثر قدم های پشتکار و همت شما بر آن موج می زند به یادگار خواهد ماند.

    28. 0 از 5

      :

      با سلام و عرض ادب. از آموزش های خوبتان صمیمانه سپاسگذارم. بنده دانشجوی کارشناسی ارشد هستم و از آموزش های داده کاوی شما استفاده کردم و بسیار استفاده بردم. همچنین توانستم از این آموزش تصویری که شما زحمت تهیه آن را کشیدید برای پروژه ای که استاد تعیین کرده بود هم استفاده کنم. مدرس این دوره استاد مصطفی کلامی بسیار روان مسائل را توضیح میدادند و برای هر فصل در نرم افزار متلب هم کد های آن را شرح میدادند. امیدوارم مباحث ادامه پیدا کند و مثال های عملی در متلب افزایش یابد. ممنونم.

    29. 5 از 5

      :

      با عرض سلام خدمت مدرس گرامی و خسته نباشید فراوان بابت تدریس عالی تان.

      نحوه تدریس، ارایه و نیز برنامه ریزی ارایه مطالب در این آموزش کاملا مناسب و قابل احترام است. به نظر می رسد ارایه آموزش هایی در زمینه برنامه ریزی ژنتیک، درخت تصمیم، شبکه بیزین، برنامه ریزی بیان ژن و دیگر الگوریتم های نوین در این زمینه مفیدخواهد بود.

    30. 5 از 5

      :

      با سلام.

      با تشکر فراوان از استاد کلامی بابت ارائه این فرادرس بسیار مفید و کاربردی.

      نحوه پیاده سازی الگوریتم ها و متدها در متلب بسیار کامل هست به همراه توضیح تئوری که باعث میشه درک دانشجو از این موضوع خیلی کاملتر بشه و با توجه به اینکه این موضوع بین رشته ای هست به تمام کسانی که به این حوزه علاقه مند هستن این فرادرس رو پیشنهاد می کنم.

    31. 0 از 5

      :

      با سلام و وقت‌بخیر در مورد بخش خوشه‌بندی قسمت دوم جایی که کد DBSCAN را روی Mydata5 اعمال کردید، در صورتی که epsilon=0.5 و MinPts=3 باشد، خروجی بسیار مطلوب است. سپاسگزارم


    نظر شما در مورد این فرادرس چیست؟

    درج دیدگاه

    امتیاز شما به این آموزش:

    *



​همین امروز شروع به آموختن کنید​

مجموعه آموزش های داده کاوی یا Data Mining در متلب

هزینه آموزش: ۳۵,۰۰۰ تومان



برچسب‌ها: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,




فرادرس در رسانه ها و جشنواره ها

روزنامه ایرانیان مرکز توسعه فناوری اطلاعات و رسانه های دیجیتال روز آفرین نت استارت کنفرانس مهندسی برق ایران جشنواره وب ایران

عضویت در خبرنامه فرادرس

برای دریافت اخبار مربوط به آخرین فرادرس های منتشر شده، ایمیل خود را در کادر زیر وارد نمایید.

Please leave this field empty.

تمامی محصولات و خدمات این وبسایت، حسب مورد دارای مجوزهای لازم از مراجع مربوطه می‌باشند و فعالیت‌های این سایت تابع قوانین و مقررات جمهوری اسلامی ایران است.
فرادرس مجوز نشر دیجیتال از وزرات فرهنگ و ارشاد اسلامی پرداخت آنلاین -  بانک ملت پرداخت آنلاین - بانک پارسیان پرداخت آنلاین - بانک اقتصاد نوین پرداخت آنلاین - بانک سامان