محتوای این آموزش
۵۵ دقیقه آموزش ویدئویی
تالار پرسش و پاسخ
آموزش روش های تحلیل داده های پرت (Outlier Analysis) در داده کاوی (رایگان)
در اغلب مسائل، وجود حجم زیاد داده‌ها، منجر به ایجاد اشکالات جدی در امر شناسایی و کشف روابط و الگوهای پنهان در این داده‌ها شده است. دانش داده‌کاوی با هدف فراهم آوردن روش‌هایی برای پردازش هوشمند حجم زیاد داده‌ها و استخراج روال‌ها و قوانین حاکم بر آن‌ها، مطرح شده است. روش‌های داده‌کاوی در گستره وسیعی از کاربردهای مختلف و اصولا در هر جا که با مساله تجزیه و تحلیل اطلاعات مواجه هستیم، قابل استفاده است.
ما در این آموزش قصد داریم تا روش‌های تحلیل دادههای پرت (Outlier Analysis) در داده‌کاوی را مورد بحث و بررسی قرار دهیم.
مشاهده بیشتر
سرفصل‌ها
- روش‌های تحلیل دادههای پرت (Outlier Analysis)
- معرفی مفاهیم و تعاریف پایه و نیز انواع دادههای پرت
- بررسی روش‌های تشخیص و تحلیل دادههای پرت
- روش‌های آماری
آموزش روش های تحلیل داده های پرت (Outlier Analysis) در داده کاوی (رایگان)
۷۶۹دانشجو
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.
پیش نیاز
برچسب‌ها:Outlier Analysis|انواع داده های پرت|داده های حجیم|Data Mining|شناسایی داده ها|روش های آماری|داده کاوی|پردازش هوشمند داده های حجیم|دانش داده کاوی|کشف روابط داده ها|تشخیص داده های پرت|حجم زیاد داده ها|داده های پرت در داده کاوی|مفهوم داده های پرت|تحلیل داده های پرت|Outlier Analysis Methods|داده های پرت|تعریف داده های پرت|تحلیل داده های پرت در داده کاوی|الگوی پنهان داده ها
آموزش روش های تحلیل داده های پرت (Outlier Analysis) در داده کاوی (رایگان)
۷۶۹دانشجو
نظرات