هزینه آموزش
۹۰,۰۰۰ تومان

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

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

تعداد دانشجو
۶,۸۲۰ نفر
مدت زمان
۲۵ ساعت و ۱ دقیقه
هزینه آموزش
۹۰,۰۰۰ تومان
محتوای این آموزش
تضمین کیفیت
۳۱ بازخورد (مشاهده نظرات)
آموزش ​اصول و روش های داده کاوی (Data Mining)

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 آن ها، مطرح شده است. این دانش در کاربردهای مختلف و اصولا در هر جا با مساله تجزیه و تحلیل اطلاعات مواجه هستیم، قابل استفاده است. در این دوره به بیان اصول و روش های داده کاوی به منظور استخراج روندها و الگوهای پنهان در داده ها، پرداخته خواهد شد.

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

مدت زمان
۲۵ ساعت و ۱ دقیقه
هزینه آموزش
۹۰,۰۰۰ تومان
محتوای این آموزش
۳۱ بازخورد (مشاهده نظرات)
مدرس
دکتر امیر حسین کیهانی پور

دکتری تخصصی مهندسی کامپیوتر - هوش مصنوعی

دکتر امیر حسین کیهانی پور فارغ التحصیل دکترای تخصصی در رشته مهندسی کامپیوتر گرایش هوش مصنوعی از دانشگاه تهران و نیز مدرس دانشگاه تهران و دانشگاه صنعتی شریف هستند.

توضیحات تکمیلی

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 آن ها، مطرح شده است. روش های داده کاوی در گستره وسیعی از کاربردهای مختلف و اصولا در هر جا که با مساله تجزیه و تحلیل اطلاعات مواجه هستیم، قابل استفاده است.

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.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • 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: 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 و جوها 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 و و پیش بینی داده‌ ها
    • 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: 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: روش‌ های 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

مفید برای رشته های
  • مهندسی کامپیوتر
  • فناوری اطلاعات
  • مهندسی صنایع
  • مهندسی عمران

در ادامه لیست کتب انگلیسی منتشر شده در این زمینه معرفی شده اند:

  • Jiawei Han, Micheline Kamber, and Jian Pei; Data Mining: Concepts and Techniques, Third Edition (The Morgan Kaufmann Series in Data Management Systems); 2012
  • Christopher D. Manning, Prabhakar Raghavan, and Hinrich Schütze; An Introduction to Information Retrieval; 2008
  • Ian H. Witten, Eibe Frank, and Mark A. Hall; Data Mining: Practical Machine Learning Tools and Techniques, Third Edition (Morgan Kaufmann Series in Data Management Systems)

پیش نیاز


آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل PDF یادداشت‌ های ارائه مدرس




پیش نمایش‌ها

۱. مقدمه ‌ای بر داده ‌کاوی

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۴۱ مگابایت -- (کلیک کنید +))

۲. کلیات، مفاهیم و اصول پایه داده ‌کاوی

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۱۲ مگابایت -- (کلیک کنید +))

۳. روش ‌های پیش پردازش داده‌ ها

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۹ مگابایت -- (کلیک کنید +))

۴. انبارش داده ‌ها و تحلیل برخط اطلاعات

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۹ مگابایت -- (کلیک کنید +))

۵. روش ‌های پایه در کاوش الگوهای مکرر
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. روش ‌های پیشرفته در کاوش الگوهای مکرر
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. روش‌ های پایه رده ‌بندی و پیش ‌بینی داده ‌ها
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. روش‌ های پیشرفته رده بندی و و پیش بینی داده‌ ها
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۹. روش‌ های پایه خوشه‌ بندی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۰. روش ‌های پیشرفته خوشه ‌بندی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۱. روش‌ های تحلیل داده ‌های پرت
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۲. بررسی رویکردهای نوین تحقیقاتی در حوزه داده ‌کاوی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۳. معرفی برخی از ابزارهای داده ‌کاوی و معرفی مراجع
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۲۷ جلسه ویدئویی با مجموع ۲۵ ساعت و ۱ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش 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 ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش ​اصول و روش های داده کاوی (Data Mining)
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۵۸۴۲۲ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVDM9505
مدت زمان ۲۵ ساعت و ۱ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۲ گیگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.


آموزش‌های پیشنهادی برای شما



نظرات

تا کنون ۶,۸۲۰ نفر از این آموزش استفاده کرده اند و ۳۱ نظر ثبت شده است.
غزاله
غزاله

سلام. به نظرم مبحث کامل بیان کردن با تشکر از فرادرس فقط مشکل بیان استاد هست که با زدن 1.5 برابر کردن سرعت صحبت استاد بهتر میشه به کلاس ادامه داد تا خواب اور نباشه

سعیده
سعیده

ایشون فقط اسلایدهای انگلیسی پاورپوینت هاشون رو به فارسی برای ما خوندن. من فعلا دو جلسه اول رو گوش دادم که بسیار ناامید کننده ست.

نوش
نوش

متأسّفانه فنّ بیان بسیار یک‌نواخت استاد باعث می‌شه فقط دقایقی پس از شروع آموزش، خستگی و پرش‌ذهن شدیدی سراغ فراگیر بیاد.

میثم
میثم

با عرض سلام و خسته نباشید و تشکر ویژه بابت سایت پربارتون لازم به ذکر است بنده با کمک آموزش های داده کاوی و شبکه های عصبی شما توانستم پایان نامه خود را بدون نیاز به استادان راهنمایی که هیچگونه کمکی نمی کنند تا حد زیادی پیش ببرم. از این بابت از شما بسیار سپاسگذارم.

یاسمین
یاسمین

در ابتدا مطالب تئوری میکن یه مقدار خسته کننده اس ولی در کل آموزش خیلی خوبی هست هم از نظر ارائه مدرس هم مطالب و محتوای که گفتن.

اسماعیل
اسماعیل

مباحث تئوری اولیه داده کاوی بسیار دقیق و شفاف بیان شده است. با تشکر از دست اندر کاران.

فاطمه
فاطمه

جناب دکتر برای اینکه در زمینه تحلیل داده و داده کاوی تخصص بالایی کسب کنیم نیاز مبرم و تخصصی به آمار داریم. برای ارتقا دانش آماری در این زمینه چه پیشنهادی دارید؟

سجاد کریم زادگان
سجاد کریم زادگان

حقیقتاً دکتر بسیار عالی، پر محتوا و عالی تدریس کردند، فقط تنها نقدی که وارده یه کم، به صداشون هست... ولی در مقایسه با تمام کٌرس های موجود در بازار به مراتب عالی و فوق العاده ست...

زینب
زینب

کیفیت ارائه خیلی بالاست مدرس تسلط بالایی رو مطالب دارند به همین دلیل در دریافت و انتقال مطالب با مشکلی مواجه نمی شید.

وفا
وفا

سلام
دوستانی که این دوره را خریداری کرده اند میخواستم بدونم این دوره تا چه حد یادگیرنده رو برای کار عملی آماده میکنه؟؟

دسته‌بندی موضوعی: داده کاوی
برچسب‌ها:
Active Learning | Artificial Neural Networks | Bayesian | Bayesian Belief Networks | Classification | Clustering | Colossal Patterns | Constraint-Based | Data Cleaning | Data Cube | Data Integration | Data Mining | Data Preprocessing | Data Summarization | Data Warehousing | Decision Tree | Density-Based | Dimensionality Reduction | Discretization | Ensemble | Frequent Pattern | Frequent Pattern Mining | Fuzzy Logic | Generalization | Genetic Algorithms | Graph Pattern Mining | Hierarchical | High-Dimensional Data | k-Nearest Neighbors | Lazy Learners | OLAP | On-Line Analytical Processing | Orange | Outlier Analysis | Partitioning | Pattern-Based | prediction | Proximity | R Programming language | rapidminer | Rule-based | Semi-Supervised | Sequential Pattern Mining | SPSS | Support Vector Machines | weka | ابزارهای داده کاوی | اصول پایه داده کاوی | الگوریتم Apriori | الگوریتم FPGrowth | الگوریتم های ژنتیک | الگوی مکرر | انبارش داده | انبارش داده ها | انواع داده های پرت | بررسی کاربردهای داده کاوی | پاک سازی | پیش بینی داده ها | پیش پردازش | پیش پردازش داده ها | تجمیع | تحلیل داده های پرت | تکنیک های پیاده سازی سیستم های انبارش داده ها | حوزه داده کاوی | خلاصه سازی | خوشه بندی | خوشه بندی بر اساس قواعد انجمنی | خوشه بندی داده های با ابعاد بالا | خوشه بندی داده های با ابعاد زیاد | خوشه بندی داده های گراف | خوشه بندی مبتنی بر چگالی | خوشه بندی مبتنی بر قیود | خوشه بندی مبتنی بر مدل احتمالاتی | داده کاوی و اجتماع | داده های پرت | داده های چند بعدی | درخت تصمیم | رده بندی | رده بندی بیزین | رده بندی مبتنی بر قواعد | روش بخش بندی | روش نزدیک ترین همسایه ها | روش های آماری | روش های پایه خوشه بندی | روش های پایه در کاوش الگوهای مکرر | روش های پایه رده بندی | روش های پردازش پرس وجوها در مکعب داده ای | روش های پردازش مکعب داده ای | روش های پیش پردازش داده ها | روش های پیشرفته خوشه بندی | روش های پیشرفته در کاوش الگوهای مکرر | روش های پیشرفته رده بندی | روش های تجمیع | روش های تحلیل چند بعدی داده ها در مکعب داده ای | روش های سلسله مراتبی | روش های شبکه های باور بیزین | روش های کاوش داده های پیچیده | روش های کشف الگوهای حجیم | روش های کشف الگوهای مکرر در داده های با ابعاد زیاد | روش های کشف الگوهای مکرر در داده های ترتیبی | روش های کشف الگوهای مکرر در گراف | روش های مبتنی بر افزاز | روش های مبتنی بر چگالی | روش های مبتنی بر خوشه بندی | روش های مبتنی بر رده بندی | روش های مبتنی بر ساختار Grid | روش های مبتنی بر قیود | روش های مبتنی بر مجاورت | روش های مبتنی بر منطق فازی | روش های محاسباتی در مکعب داده ای | روش های نیمه نظارتی | روش های یادگیری فعال | روش یادگیرنده های تنبل | رویکردهای نوین در داده کاوی | سیستم های انبارش داده ها | شاخص F-measure | شاخص Precision | شاخص Recall | شاخص های ارزیابی عملکرد در متن کاوی | شاخص های ارزیابی فرآیند خوشه بندی | شاخص های ارزیابی فرآیند رده بندی | شبکه های عصبی مصنوعی | فرآیند داده کاوی | کاهش ابعاد | گسسته سازی | ماشین بردار پشتیبان | متن کاوی | مدل سازی داده | مدل سازی داده های چند بعدی | معرفی تکنولوژی OLAP | معماری سیستم های انبارش داده ها | مکعب داده ای
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۲۷ جلسه ویدئویی