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
FoundationsData AnalysisData ScienceBusiness Analysis and StrategyBusiness Software and Tools
سرفصل ها
مقدمه
- خوش آمدید
- چه کسانی باید این دوره را تماشا کنند
- فایل های تمرین
مقدماتی
- پیش نیازهای داده کاوی
- پیش نیازهای الگوریتم
- پیش نیاز نرم افزار
کاهش داده ها
- اهداف کاهش داده ها
- داده برای کاهش داده ها
- کاهش داده در r
- کاهش داده ها در پایتون
- کاهش داده در رنگ نارنجی
- کاهش داده در رپید ماینر
خوشه بندی
- خوشه بندی اهداف
- خوشه بندی داده ها
- خوشه بندی در r
- خوشه بندی در پایتون
- خوشه بندی در bigml
- خوشه بندی به رنگ نارنجی
طبقه بندی
- اهداف طبقه بندی
- داده های طبقه بندی
- طبقه بندی در ر
- طبقه بندی در پایتون
- طبقه بندی در رپید ماینر
- طبقه بندی در knime
تشخیص ناهنجاری
- اهداف تشخیص ناهنجاری
- داده های تشخیص ناهنجاری
- تشخیص ناهنجاری در r
- تشخیص ناهنجاری در پایتون
- تشخیص ناهنجاری در bigml
- تشخیص ناهنجاری در رپید ماینر
تجزیه و تحلیل انجمن
- اهداف تجزیه و تحلیل انجمن
- داده های تحلیل تداعی
- تحلیل تداعی در ر
- تجزیه و تحلیل ارتباط در پایتون
- تجزیه و تحلیل تداعی در رنگ نارنجی
- تجزیه و تحلیل ارتباط در رپید ماینر
تحلیل رگرسیون
- اهداف تحلیل رگرسیون
- داده های تحلیل رگرسیون
- تحلیل رگرسیون در r
- تحلیل رگرسیون در پایتون
- تحلیل رگرسیون در knime
- تحلیل رگرسیون در رپید ماینر
الگوهای متوالی
- اهداف کاوی توالی
- الگوریتم های کاوی دنباله ای
- سکانس کاوی در r
- استخراج توالی در پایتون
- استخراج توالی در bigml - قسمت 1
- استخراج توالی در bigml - قسمت 2
متن کاوی
- اهداف متن کاوی
- الگوریتم های متن کاوی
- متن کاوی در r
- متن کاوی در پایتون
- متن کاوی در rapidminer
نتیجه
- مراحل بعدی