تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی مبانی علوم داده: داده کاوی

دوره آموزشی مبانی علوم داده: داده کاوی

4 ساعت 41 دقیقهمبتدی2016-09-06

مدرسین

Barton Poulson

Barton Poulson

Professor, Designer, Data Analytics Expert

جزئیات دوره

تمام علوم داده با داده های خوب شروع می شود. داده کاوی چارچوبی برای جمع آوری، جستجو و فیلتر کردن داده های خام در یک موضوع سیستماتیک است، و از همان ابتدا اطمینان حاصل کنید که داده های تمیز دارید. همچنین به شما کمک می کند تا مجموعه داده های بزرگ را تجزیه کرده و از معنی دارترین و مفیدترین اطلاعات به دست آورید. این دوره، بنیادهای علوم داده: داده کاوی طراحی شده است تا نقطه ورود محکمی برای همه ابزارها، تکنیک ها و تفکر تاکتیکی پشت داده کاوی فراهم کند.

بارتون پولسون منابع و انواع داده ها، زبانها و نرم افزارهای مورد استفاده در داده کاوی (از جمله R و پایتون) و دروس اختصاصی مبتنی بر وظایف را که به شما در تمرین رایج ترین تکنیک های داده کاوی شامل متن کاوی، خوشه بندی داده ها، تجزیه و تحلیل ارتباط، و بیشتر. این دوره برای کسانی که علاقه مند به پیوستن به نیروی کار علوم داده و کسانی که نیاز به کسب تجربه بیشتر در داده کاوی دارند، یک ضرورت مطلق است.

موضوعات شامل:
- پیش نیازهای داده کاوی
- داده کاوی با استفاده از R، Python، Orange و RapidMiner
- کاهش داده ها
- خوشه بندی داده ها
- تشخیص ناهنجاری
- تجزیه و تحلیل انجمن
- تحلیل رگرسیون
- استخراج توالی
- متن کاوی

مهارت ها

Data AnalysisFoundationsData ScienceBusiness Analysis and StrategyBusiness Software and Tools

سرفصل ها

0. مقدمه

  • 01 - خوش آمدید
  • 02 - چه کسانی باید این دوره را تماشا کنند
  • 03 - فایل های تمرین

1. مقدماتی

  • 04 - پیش نیازهای داده کاوی
  • 05 - پیش نیازهای الگوریتم
  • 06 - پیش نیاز نرم افزار

2. کاهش داده ها

  • 07 - اهداف کاهش داده ها
  • 08 - داده برای کاهش داده ها
  • 09 - کاهش داده در r
  • 10 - کاهش داده ها در پایتون
  • 11 - کاهش داده در رنگ نارنجی
  • 12 - کاهش داده در رپید ماینر

3. خوشه بندی

  • 13 - خوشه بندی اهداف
  • 14 - خوشه بندی داده ها
  • 15 - خوشه بندی در r
  • 16 - خوشه بندی در پایتون
  • 17 - خوشه بندی در bigml
  • 18 - خوشه بندی به رنگ نارنجی

4. طبقه بندی

  • 19 - اهداف طبقه بندی
  • 20 - داده های طبقه بندی
  • 21 - طبقه بندی در ر
  • 22 - طبقه بندی در پایتون
  • 23 - طبقه بندی در رپید ماینر
  • 24 - طبقه بندی در knime

5. تشخیص ناهنجاری

  • 25 - اهداف تشخیص ناهنجاری
  • 26 - داده های تشخیص ناهنجاری
  • 27 - تشخیص ناهنجاری در r
  • 28 - تشخیص ناهنجاری در پایتون
  • 29 - تشخیص ناهنجاری در bigml
  • 30 - تشخیص ناهنجاری در رپید ماینر

6. تجزیه و تحلیل انجمن

  • 31 - اهداف تجزیه و تحلیل انجمن
  • 32 - داده های تحلیل تداعی
  • 33 - تحلیل تداعی در ر
  • 34 - تجزیه و تحلیل ارتباط در پایتون
  • 35 - تجزیه و تحلیل تداعی در رنگ نارنجی
  • 36 - تجزیه و تحلیل ارتباط در رپید ماینر

7. تحلیل رگرسیون

  • 37 - اهداف تحلیل رگرسیون
  • 38 - داده های تحلیل رگرسیون
  • 39 - تحلیل رگرسیون در r
  • 40 - تحلیل رگرسیون در پایتون
  • 41 - تحلیل رگرسیون در knime
  • 42 - تحلیل رگرسیون در رپید ماینر

8. الگوهای متوالی

  • 43 - اهداف کاوی توالی
  • 44 - الگوریتم های کاوی دنباله ای
  • 45 - سکانس کاوی در r
  • 46 - استخراج توالی در پایتون
  • 47 - استخراج توالی در bigml - قسمت 1
  • 48 - استخراج توالی در bigml - قسمت 2

9. متن کاوی

  • 49 - اهداف متن کاوی
  • 50 - الگوریتم های متن کاوی
  • 51 - متن کاوی در r
  • 52 - متن کاوی در پایتون
  • 53 - متن کاوی در rapidminer

نتیجه

  • 54 - مراحل بعدی

دوره های مرتبط

مسیرهای مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal