دوره آموزشی مبانی علوم داده: داده کاوی
4 ساعت 41 دقیقهمبتدی2016-09-06
مدرسین

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
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
- دوره آموزشی کلانداده در عصر هوش مصنوعی
- دوره آموزشی داشبوردهای مجهز به هوش مصنوعی با Streamlit
- دوره آموزشی اپ تحلیل داده با قدرت LLM با پایتون و Streamlit
- دوره آموزشی راهنمای کامل مهندسی تحلیل دادهها
- دوره آموزشی یادگیری اصولی طراحی و قالببندی در Tableau
- دوره آموزشی Tableau پیشرفته برای متخصصان حوزه آب و هوا
- دوره آموزشی مهندسی تحلیل پیشرفته: تمرینهای دنیای واقعی
- دوره آموزشی تحلیل داده عملی با ChatGPT-5