×
۷۰,۰۰۰ تومان ۴۲,۰۰۰ تومان

آموزش داده کاوی یا Data Mining در متلب

آموزش داده کاوی یا Data Mining در متلب

تعداد دانشجو
۶,۰۹۶ نفر
مدت زمان
۲۴ ساعت و ۲ دقیقه
هزینه عادی آموزش
۷۰,۰۰۰ تومان
در طرح تخفیف
۴۲,۰۰۰ تومان (کسب اطلاعات بیشتر +)
محتوای این آموزش
تضمین کیفیت
۶۴ بازخورد (مشاهده نظرات)
آموزش داده کاوی یا Data Mining در متلب

مجموعه فرادرس های داده کاوی (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 است.

آموزش داده کاوی یا Data Mining در متلب

مدت زمان
۲۴ ساعت و ۲ دقیقه
هزینه عادی آموزش
۷۰,۰۰۰ تومان
در طرح تخفیف
۴۲,۰۰۰ تومان

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۶۴ بازخورد (مشاهده نظرات)
مدرس
دکتر سید مصطفی کلامی هریس

دکتری تخصصی مهندسی برق - کنترل

دکتر سید مصطفی کلامی هریس یکی از بنیانگذاران و مدیران کنونی فرادرس و از اعضای هیات علمی آن است. ایشان دارای مدرک دکترای تخصصی در رشته مهندسی برق - کنترل، از دانشگاه صنعتی خواجه نصیرالدین طوسی (قطب علمی کنترل صنعتی) هستند و زمینه های پژوهشی و کاری تخصصی ایشان، در حوزه های مختلف مهندسی کنترل و سیستم های هوشمند بوده است.

توضیحات تکمیلی

مجموعه فرادرس های داده کاوی (Data Mining) در متلب (MATLAB)، 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 است.

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها رو به رو 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، 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 (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 به اختصار KDD معروف است.

درس یکم: مبانی داده کاوی (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، 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 مساله داده کاوی و استخراج دانش از داده (KDD)
  • تاریخچه پایگاه های داده و روش های داده کاوی
  • مراحل موجود در مسیر کشف و استخراج دانش (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 (Data Cleaning)
  • پاک سازی داده های آلوده به نویز (Noisy Data)
  • برخورد با داده های ناموجود (Missing Data)
  • روش های تجمیع داده ها (Data Integration)
  • روش های کاهش داده ها (Data Reduction)
  • کاهش ابعاد (Dimensionality Reduction)
  • کاهش تعداد (Numerosity Reduction)
  • فشرده سازی داده ها (Data Compression)
  • روش های تبدیل داده ها (Data Transformation)
    • هموار سازی (Smoothing)
    • استخراج ویژگی (Feature Extraction)
    • جمع بندی (Aggregation)
    • نرمال سازی (Normalization)
    • گسسته سازی
    • فازی سازی
    • درخت مفهومی
درس سوم: طبقه بندی (Classification)

بسیاری از مسائل داده کاوی را می توان به صورت یک مساله طبقه بندی (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 مساله طبقه بندی، یک مساله یادگیری نظارت شده است. در فیلم آموزشی جامع طبقه بندی (Classification)، پس از مرور کلی بر مفاهیم طبقه بندی و شیوه تربیت یک عامل طبقه بندی کننده (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 (Classification)
  • کاربرد درخت تصمیم (Decision Tree) در طبقه بندی
  • پیاده سازی طبقه بندی درخت تصمیم باینری در متلب
  • مفاهیم تقسیم بندی اطلاعات به سه گروه آموزش (Train)، آزمایش (Test) و اعتبارسنجی (Validation)
  • بررسی مفهوم Overtraining
  • روش اعتبارسنجی چند لایه ای (K - Fold Cross Validation)
  • طبقه بندی کننده پایه بیزی (Naive Bayesian Classifier)
  • پیاده سازی طبقه بندی پایه بیزی در متلب
  • الگوریتم k - Nearest Neighbors یا به اختصار KNN
  • پیاده سازی KNN (یا k نزدیک ترین همسایه) در محیط متلب
  • معرفی روش پیشرفته تر حل مسائل طبقه بندی

درس چهارم: خوشه بندی (Clustering) (الف)

بسیاری از مسائل داده کاوی را می توان به صورت یک مساله خوشه بندی (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 مساله خوشه بندی، یک مساله یادگیری غیر نظارت شده است. در فیلم آموزشی جامع خوشه بندی (Clustering)، پس از مرور کلی بر مفاهیم پایه خوشه بندی و تفاوت های آن با مساله طبقه بندی (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 (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 (Partitioning Methods)
  • روش های خوشه بندی جدولی (Grid - based Clustering)
  • 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 به اختصار FCM و پیاده سازی آن در متلب
درس پنجم: خوشه بندی (Clustering) (ب)

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

درس ششم: رگرسیون (Regression)

بسیاری از مسائل داده کاوی را می توان به صورت یک مساله رگرسیون (Regression) بیان نمود، که در نهایت یک مدل پیش بینی کننده در آن 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 ارتباط های موجود میان متغیرها و خروجی ها، کمک کند. در فیلم آموزشی جامع رگرسیون (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 مساله یادگیری نظارت شده برای مدل سازی و رگرسیون
  • بررسی و معرفی انواع روش های رگرسیون
  • روش کمترین مربعات (Least Squares) یا 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 (Multi Layer Perceptron) یا به اختصار MLP
  • مدل سازی و رگرسیون با شبکه عصبی MLP در متلب
  • مروری بر شبکه های عصبی مبتنی بر توابع شعاعی (Radial Basis Function) یا به اختصار RBF
  • مدل سازی و رگرسیون با شبکه عصبی RBF در متلب

درس هفتم: کاهش ابعاد (Dimensionality Reduction)

کاهش ابعاد (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 (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 (Principal Component Analysis) یا به اختصار PCA
  • بررسی ارتباط PCA با تجزیه مقادیر تکین (Singular Value Decomposition) یا به اختصار SVD
  • پیاده سازی PCA در محیط متلب و کاربرد آن در کاهش ابعاد
  • معرفی رویکردهای تعمیمی برای روش PCA
  • معرفی روش تحلیل تفکیک فیشر (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 (Auto-Associative Neural Networks)
  • معرفی و کاربرد تولباکس Nonlinear Principal Component Analysis یا به اختصار NLPCA برای کاهش ابعاد غیر خطی در متلب
  • حل و بررسی مسائل کاهش ابعاد غیر خطی
  • بررسی کاربرد نگاشت های خود سازمان ده (SOM) در کاهش ابعاد

درس هشتم: تشخیص داده های پرت (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 (Outlier Detection) 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 (Association Rule Mining) (الف)

کاوش قواعد وابستگی (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 یا هوشمندی کسب و کار (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 (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 (Market Basket Analysis)
  • معرفی قواعد توصیف کننده و خواص آن ها
  • معرفی معیارهای تشخیص قاعده های قوی (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 (Association Rule Mining) (ب)

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 (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 مساله کاربردی و واقعی در داده کاوی

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

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

  • حل مساله رگرسیون (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 مساله طبقه بندی (Classification) روش ها: طبقه بندی کننده درخت تصمیم (Decision Tree Classifier)، موضوع: تحلیل نتایج به دست آمده از انتخابات ریاست جمهوری آمریکا در سال ۲۰۰۸
  • حل مساله کاوش قواعد وابستگی (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

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

  • Christopher Bishop; Pattern Recognition and Machine Learning; 2006
  • Jiawei Han; Data Mining: Concepts and Techniques; 2000


آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس




پیش نمایش‌ها

۱. مبانی داده‌کاوی یا Data Mining

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: ۲۸ مگابایت -- (کلیک کنید +))

۲. روش‌های پیش‌پردازش داده‌ها در داده‌کاوی

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: ۸۰ مگابایت -- (کلیک کنید +))

۳. طبقه‌بندی یا Classification

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: ۴۳ مگابایت -- (کلیک کنید +))

۴. خوشه‌بندی یا Clustering (الف)

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: ۳۱ مگابایت -- (کلیک کنید +))

۵. خوشه‌بندی یا Clustering (ب)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. رگرسیون یا Regression
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. کاهش ابعاد یا Dimensionality Reduction
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. تشخیص داده‌های پرت یا Outlier Detection
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۹. کاوش قواعد وابستگی یا Association Rule Mining (الف)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۰. کاوش قواعد وابستگی یا Association Rule Mining (ب)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۱. حل چند مساله کاربردی و واقعی در داده‌کاوی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۱۱ جلسه ویدئویی با مجموع ۲۴ ساعت و ۲ 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 داده کاوی یا Data Mining در متلب
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۴۳۰۶۰ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش MVRDM9206
مدت زمان ۲۴ ساعت و ۲ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (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.





نظرات

تا کنون ۶,۰۹۶ نفر از این آموزش استفاده کرده اند و ۶۴ نظر ثبت شده است.
یحیی
یحیی

جلسه ی اول رو دیدم. کلا من از آموزش های دکتر کلامی خیلی راضی هستم. با جزئیات تمام همه موارد رو میگن ایشون.

امین
امین

این مجموعه اموزشی بسیار بسیار عالی و کاربردی بود
تسلط اقای دکترکلامی هریس به مطالب بسیار بسیار تحسین بر انگیز و مثل تمام اموزش های دیگه که ازشون دیدم بسیار عالی بود
هم مباحث تیوری به زبان بسیار ساده و قابل فهم با جزییات توضیح داده شده و هم پیادهسازی اونها و مثال های متنوع ارایه شده که بسیار ارزشمند بود
این مجموعه داده کاوی به نظر بنده برای هر کسی که کار علمی میکنه و با داده های ازمایشگاهی یا مدلسازی سروکار داره قویا سودمند خواهد بود
فقط به عنوان پیشنهاد
اگر روش های انتخاب ویژگی و همینطور توضیحات جامع تر روش های مبتنی بر کرنل اضافه بشن به نظر بنده بسیار جامع تر و کامل تر خواهد بود
با تشکر فراوان

amin.alibakhshi
amin.alibakhshi

این مجموعه اموزشی بسیار بسیار عالی و کاربردی بود
تسلط اقای دکترکلامی هریس به مطالب بسیار بسیار تحسین بر انگیز و مثل تمام اموزش های دیگه که ازشون دیدم بسیار عالی بود
هم مباحث تیوری به زبان بسیار ساده و قابل فهم با جزییات توضیح داده شده و هم پیادهسازی اونها و مثال های متنوع ارایه شده که بسیار ارزشمند بود
این مجموعه داده کاوی به نظر بنده برای هر کسی که کار علمی میکنه و با داده های ازمایشگاهی یا مدلسازی سروکار داره قویا سودمند خواهد بود
فقط به عنوان پیشنهاد
اگر روش های انتخاب ویژگی و همینطور توضیحات جامع تر روش های مبتنی بر کرنل اضافه بشن به نظر بنده بسیار جامع تر و کامل تر خواهد بود
با تشکر فراوان

rainbow9170
rainbow9170

توضیحات مربوط به SOM خیلی گذرا بود مثل آموزش های دیگه با دیتیل نبود

رسول
رسول

نسبتا کامل هست اکثرا دیتا ماینینگ رو در پایتون و سایر نرم افزار ها میگن، استاد هریس در نرم افزار متلب این کار رو کردند خیلی خوبه.

زهرا
زهرا

تسلط و ارائه خیلی خوبی دارند، خیلی از مطالب نیاز نداشتم و از یادگیریش لذت بردم و آموزنده هست.

زینب
زینب

دوره های اموزشی فرادرس با اینکه غیر حضوری هستند اما دید کلی در بازه زمانی مناسب میده، کلیت این دوره آموزشی خوبه.

زینب
زینب

بسیار عالی بود، آموزش های آقای دکتر کلامی همیشه منو کمک می کنند، از تدریس ایشون واقعا خوشم میاد.

یونس
یونس

مشکلی نداشت و به نظرم یه کم زمان آموزش خیلی زیاد بود که اونم فکر کنم برای ماهیت خود آموزش بود.

زهرا
زهرا

مدرسشون خیلی خوب تدریس کرده بودند. من دانشجوی ارشدم، قطعا برای پروژه ام میام و دوباره این آموزشو عمیق تر نگاه می کنم.

برچسب‌ها:
Agglomerative Nesting | AGNES | ANN | Anomaly Detection | Artificial Neural Networks | Association Rule Mining | Association Rule Mining چیست | Auto-Associative Memories | Auto-Associative Neural Networks | Binary Decision Tree | Biomedical Engineering | Body Fat Estimation | Body Fat Percentage | Business Intelligence | Classification | Classification چیست؟ | Classifier | Clustering | Clustering چیست | Data Cleaning | Data Compression | Data Integration | Data Mining | Data Mining in MATLAB | Data Mining چیست؟ | Data Mining در متلب | Data Reduction | Data Transformation | DBSCAN | Decision Tree | Decision Tree Classifier | Decison Tree | DIANA | Dimension Reduction | Dimensionality Reduction | Dimensionality Reduction چست | Extraction | FCM | FDA | Feature Extraction | Feature Selection | Feature Selection or Extraction | Fisher Discriminant Analysis | FP-Growth | Frequent Pattern | Frequent Pattern Growth | Frequent Rule | Fuzzy c-Means | Grid - based Clustering | Grid-based Clustering | Hierarchical Clustering | K - Fold Cross Validation | k نزدیک ترین همسایه | k-Fold Cross-Validation | k-means | k-Medoids | k-Nearest Neighbors | KDD | KNN | Knowledge Discovery | Knowledge Discovery from Data | LDA | Least Squares | Least Squares و پیاده سازی آن در محیط متلب | Linear Discriminant Analysis | Linear Regression | LS | Market Basket Analysis | MATLAB | MATLAB software | Missing Data | MLP | Multi Layer Perceptron | Naive Bayesian Classifier | Neural Networks | NLPCA | Noisy Data | Nonlinear Regression | normalization | Numerosity reduction | Outlier Detection | Outlier Detection چیست؟ | Overfitting | Overtraining | Partitioning Clustering Methods | Partitioning Methods | Pattern Mining | PCA | PCA غیر خطی | Principal Component Analysis | Radial Basis Function | rapidminer | RBF | Recommender Systems | Regression | Regression چیست؟ | Rule Mining | Self Organization Map | Self-Organizing Maps | Singular Value Decomposition | smoothing | SOM | Strong Rule | Strong Rules | SVD | TEST | train | validation | Web Mining | آماده سازی داده ها | آماره Q | آماره T2 | آموزش Association Rule Mining | آموزش Classification | آموزش Clustering | آموزش Data Mining | آموزش Dimensionality Reduction | آموزش Outlier Detection | آموزش Regression | آموزش پیش پردازش داده ها | آموزش تشخیص داده های پرت | آموزش خوشه بندی | آموزش داده کاوی | آموزش رگرسیون | آموزش طبقه بندی | آموزش کاهش ابعاد | آموزش کاوش قواعد وابستگی | آنالیز خوشه | آنالیز مبتنی بر معیار T2 | ارتباط PCA با تجزیه مقادیر تکین | ارتباط PCA با SVD | استخراج دانش | استخراج دانش از داده | استخراج ویژگی | اعتبار سنجی | اعتبارسنجی | اعتبارسنجی چند لایه ای | الگوریتم Apriori | الگوریتم DBSCAN | الگوریتم dbscanدرمتلب | الگوریتم FP-Growth | الگوریتم k - Nearest Neighbors | الگوریتم k نزدیکترین همسایه | الگوریتم k-Nearest Neighbors | الگوریتم KNN | الگوریتم Lloyd | الگوریتم uapriori | الگوریتم رشد الگوی متداول | الگوهای پرت | الگوهای تکرار شونده | الگوهای کاوش پذیر | انتخاب ویژگی | انتخابات ریاست جمهوری آمریکا | انواع الگوهای قابل شناسایی در داده ها | انواع داده ها | انواع روش های خوشه بندی | انواع روش های رگرسیون | برخورد با داده های ناموجود | بررسی الگوریتم Density-Based Spatial Clustering of Applications with Noise | بررسی کاربرد نگاشت های خود سازمان ده در کاهش ابعاد | بررسی کامل الگوریتم Apriori برای استخراج و کاوش قواعد وابستگی | بررسی مفهوم | بررسی مفهوم Overtraining | بررسی هندسی معیار T2 و پیاده سازی آن در محیط متلب | بسته طلایی داده کاوی در متلب | بسته طلایی فیلم های آموزشی داده کاوی در متلب | بهینه سازی در خوشه بندی | پاک سازی داده ها | پاک سازی داده های آلوده به نویز | پایگاه داده | پایگاه های داده | پایین رونده | پیاده سازی DBSCAN در متلب | پیاده سازی FDA در متلب | پیاده سازی FP-Growth در متلب | پیاده سازی FP-Tree در متلب | پیاده سازی k-Means در متلب | پیاده سازی k-Medoids در متلب | پیاده سازی KNN | پیاده سازی KNN در متلب | پیاده سازی KNN در محیط متلب | پیاده سازی PCA در محیط متلب | پیاده سازی الگوریتم DBSCAN در محیط متلب | پیاده سازی الگوریتم FDA در محیط متلب | پیاده سازی الگوریتم های داده کاوی در متلب | پیاده سازی روش Apriori در متلب | پیاده سازی رویکرد AGNES در محیط متلب | پیاده سازی سیستم های پیشنهادگر | پیاده سازی طبقه بندی پایه بیزی در متلب | پیاده سازی طبقه بندی درخت تصمیم باینری در متلب | پیاده سازی گام به گام الگوریتم FP-Growth در محیط متلب | پیش پردازش | پیش پردازش داده | پیش پردازش داده ها | پیش پردازش داده ها چیست؟ | تبدیل داده ها | تجارت الکترونیک | تجزیه مقادیر تکین | تجمیع داده ها | تحلیل تفکیک فیشر | تحلیل رفتار مشتری | تحلیل سبد خرید | تحلیل سفارش های یک رستوران | تحلیل مولفه اساسی | تحلیل نتایج انتخابات | تخمین درصد چربی بدن | تخمین درصد چربی موجود در بدن | تشخیص داده های پرت | تشخیص قاعده های قوی | تشخیص ناسازگاری ها | تشکیل درخت FP-Tree | تعمیم PCA | تعمیم روش کمترین مربعات برای مدل سازی غیر خطی | تفاوت PCA و FDA | تفاوت خوشه بندی و طبقه بندی | تفاوت های PCA و FDA | تفاوت های خوشه بندی و طبقه بندی | تقسیم بندی اطلاعات به گروه آزمایش | تقسیم بندی اطلاعات به گروه آموزش | تقسیم بندی اطلاعات به گروه اعتبارسنجی | تولباکس NLPCA | تولباکس NLPCA برای کاهش ابعاد غیر خطی | تولباکس NLPCA برای کاهش ابعاد غیر خطی در متلب | تولباکس Nonlinear Principal Component Analysis | تولباکس PCA غیر خطی | حافظه های انجمنی | حل مسأله رگرسیون | حل مسأله طبقه بندی | حل مسأله کاوش قواعد وابستگی | حل مسائل داده کاوی | حل مساله رگرسیون | حل مساله طبقه بندی | حل مساله کاربردی داده کاوی | حل مساله کاوش قواعد وابستگی | خوشه بندی | خوشه بندی بالارونده | خوشه بندی پایین رونده | خوشه بندی جدولی | خوشه بندی چیست؟ | خوشه بندی سلسله مراتبی | خوشه بندی سلسله مراتبی در متلب | خوشه بندی فازی | خوشه بندی فازی در متلب | خوشه بندی مبتنی بر تقسیم بندی | خوشه بندی مبتنی بر توزیع | خوشه بندی مبتنی بر چگالی | خوشه بندی مبتنی بر چگالی یا توزیع | داده کاوی | داده کاوی چیست؟ | داده کاوی در متلب | داده های پرت | داده های پرت چیست؟ | داده های ناموجود | در محیط متلب | درخت FP-Tree | درخت تصمیم | درخت تصمیم برای طبقه بندی | درخت تصمیم در متلب | دشواری ها و مشکلات موجود در مسیر داده کاوی | رگرسیون | رگرسیون چیست؟ | رگرسیون خطی | رگرسیون غیر خطی | روش Fuzzy C-Means و پیاده سازی آن در متلب | روش K - Means به همراه پیاده سازی در متلب | روش K - Medoids به همراه پیاده سازی در متلب | روش k-Means | روش k-Medoids | روش اعتبارسنجی چند لایه ای | روش تحلیل تفکیک فیشر | روش کمترین مربعات | روش کمترین مربعات پیاده سازی آن در محیط متلب | روش های بالا رونده | روش های بالارونده | روش های پیش پردازش داده ها | روش های خوشه بندی جدولی | روش های خوشه بندی سلسله مراتبی | روش های خوشه بندی مبتنی بر تقسیم بندی | روش های خوشه بندی مبتنی بر چگالی یا توزیع | روش های داده کاوی | روش های رگرسیون | روش های کلی تشخیص داده های پرت | روش های موجود برای حل انواع مسائل داده کاوی | رویکردهای استفاده از الگوریتم های تکاملی | رویکردهای تعمیمی برای روش PCA | ساختار مساله یادگیری نظارت شده | سیستم های پیشنهادگر | شبکه عصبی | شبکه عصبی MLP | شبکه عصبی MLP در متلب | شبکه عصبی RBF | شبکه عصبی RBF در متلب | شبکه عصبی SOM | شبکه عصبی پرسپترون چند لایه یا MLP | شبکه های اجتماعی | شبکه های عصبی انجمنی | شبکه های عصبی پرسپترون | شبکه های عصبی مبتنی بر توابع شعاعی | شبکه های عصبی مصنوعی | شبکه های عصبی و حافظه های انجمنی | صنعت بانکداری | ضعف های الگوریتم Apriori | ضعف های الگوریتم Apriori و مشکلات موجود در مسیر اجرای آن | طبقه بندی | طبقه بندی بیزی | طبقه بندی چیست؟ | طبقه بندی در متلب | طبقه بندی درخت تصمیم باینری | طبقه بندی کننده | طبقه بندی کننده پایه بیزی | طبقه بندی کننده درخت تصمیم | عامل نیمه-هوشمند | عامل هوشمند | عملیات داده کاوی | فرآیند آموزش | فرآیند داده کاوی | فرایند داده کاوی | فشرده سازی داده ها | فیلم آموزشی Association Rule Mining | فیلم آموزشی Classification | فیلم آموزشی Clustering | فیلم آموزشی Data Mining | فیلم آموزشی Data Mining، مفاهیم داده کاوی | فیلم آموزشی Dimensionality Reduction | فیلم آموزشی Outlier Detection | فیلم آموزشی Regression | فیلم آموزشی تشخیص داده های پرت | فیلم آموزشی خوشه بندی | فیلم آموزشی داده کاوی | فیلم آموزشی رگرسیون | فیلم آموزشی طبقه بندی | فیلم آموزشی کاهش ابعاد | فیلم آموزشی کاوش قواعد وابستگی | قواعد تکرار شونده | قواعد کاوش | کاربرد FDA در کاهش ابعاد و طبقه بندی | کاربرد PCA در کاهش ابعاد | کاربرد SOM در کاهش ابعاد | کاربرد داده کاوی در پزشکی | کاربرد داده کاوی در علوم اجتماعی | کاربرد داده کاوی در علوم انسانی | کاربرد داده کاوی در علوم سیاسی | کاربرد درخت تصمیم در طبقه بندی | کاربرد نگاشت های خود سازمان ده | کاربرد هوش مصنوعی در پزشکی | کاربرد هوش مصنوعی در علوم انسانی | کاربردهای خوشه بندی | کاربردهای خوشه بندی در داده کاوی و مسائل عملی | کاربردهای داده کاوی | کاهش ابعاد | کاهش ابعاد چیست؟ | کاهش ابعاد غیر خطی در متلب | کاهش بعد غیر خطی | کاهش تعداد | کاهش داده ها | کاوش الگو | کاوش دانش | کاوش قواعد | کاوش قواعد تکرار شونده | کاوش قواعد وابستگی | کاوش قواعد وابستگی چیست؟ | کشف دانش | کمترین مربعات | کمترین مربعات برای رگرسیون | کمترین مربعات برای رگرسیون غیر خطی | کمترین مربعات غیر خطی | مبانی Classification | مبانی Clustering | مبانی Data Mining | مبانی Dimensionality Reduction | مبانی Regression | مبانی تشخیص داده های پرت | مبانی خوشه بندی | مبانی داده کاوی | مبانی رگرسیون | مبانی طبقه بندی | مبانی کاهش ابعاد | مبانی کاوش قواعد وابستگی | محیط متلب | مدل پیش بینی کننده | مدل سازی | مدل سازی غیر خطی | مدل سازی و رگرسیون با شبکه عصبی MLP در متلب | مدل سازی و رگرسیون با شبکه عصبی RBF در متلب | مراحل موجود در مسیر کشف و استخراج دانش | مرحله پیش پردازش | مروری بر شبکه های عصبی پرسپترون چند لایه | مسائل داده کاوی | مسائل کاربردی داده کاوی | مسائل کاهش ابعاد غیر خطی | مساله داده کاوی | مساله رگرسیون | مساله طبقه بندی | مساله یادگیری غیر نظارت شده | مساله یادگیری نظارت شده | مسیر داده کاوی | معرفی قواعد توصیف کننده | معرفی معیار T2 برای تشخیص ناسازگاری ها | معرفی معیار باقیمانده برای تشخیص داده های پرت | معرفی معیارهای تشخیص قاعده های قوی | معرفی و کاربرد تولباکس Nonlinear Principal Component Analysis برای کاهش ابعاد غیر خطی در متلب | معیار Q | معیار T2 | معیار T2 برای تشخیص ناسازگاری ها | معیار باقیمانده | معیارهای تشخیص قاعده های قوی | معیارهای تشخیص قواعد قوی | معیارهای جذابیت قواعد | مفاهیم Data Mining | مفاهیم بنیادی رگرسیون | مفاهیم پایه طبقه بندی | مفاهیم تشکیل درخت FP-Tree و مزایای آن در مقایسه با Apriori | مفاهیم داده کاوی، مفاهیم Data Mining | مقایسه Apriori و FP-Growth | ناسازگاری | ناسازگاری در داده ها | نرم افزار MATLAB | نرمال سازی | نگاشت خود سازمان ده | نگاشت های خود سازمان ده | نگاشت های خود سازمان ده و پیاده سازی آن ها در محیط متلب | هموار سازی | هندسی معیار T2 | هوش تجاری | هوشمندی کسب و کار | وب کاوی | ویژگی های مهم و مطلوب در الگوهای کاوش پذیر | یادگیری | یادگیری نظارت شده
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۱۱ جلسه ویدئویی