آموزش اصول و مفاهیم داده کاوی از دانشگاه اصفهان به صورت فیلم آموزشی

آموزش اصول و مفاهیم داده کاوی

در این بخش دانلود رایگان فیلم آموزش اصول و مفاهیم داده کاوی را از دانشگاه اصفهان آماده کرده ایم که از کلاس درس دکتر محمد پورزعفرانی در ۲۴ جلسه و ۲۵ ساعت ضبط شد است. در ادامه به معرفی داده کاوی و فهرست مطالب ارائه شده پرداخته و پیش نمایشی از این فیلم آموزشی به همراه لینک دانلود کامل جلسات و اسلاید قرار داده شده است.

داده‌ کاوی (Data Mining)

داده‌ کاوی (Data Mining)، به مفهوم استخراج اطلاعات نهان یا الگوها و روابط تعیین شده در حجم بزرگی از داده ‌ها در یک یا چند بانک اطلاعاتی بزرگ است. داده‌ کاوی، پایگاه‌ ها و مجموعه عظیمی از داده‌ ها را به منطور کشف و استخراج، مورد تجزیه و تحلیل قرار می ‌دهد. داده‌ کاوی یکی از علوم کامپیوتری است که همواره مورد استقبال بسیاری از پژوهشگران بوده است. بانک‌ ها، موسسات، شبکه ‌های اجتماعی و کسب ‌و کارهای جدید به دنبال پیدا کردن دانش، الگوها و روابط موجود در انبوه داده ‌های خود می باشند. این روزها با مطرح شدن کلان داده‌ ها و اهمیت مهم آنها داده‌ کاوی بسیار مورد توجه قرار گرفته است.

اهمیت داده کاوی

انسان به دلایل مختلف اعم از سرعت پردازش، چگونگی تحلیل و غیره نمی تواند نظم پیچیده موجود در جهان داده های حجیم را شناسایی نماید. در واقع علم داده کاوی انسان را قادر می سازد تا حجم عظیمی از داده ها را مورد پردازش عمین قرار دهد و کلیه نظم هایی که در عمق داده ها وجود دارند را به صورت دانشی با ارزش کشف کرده و جهت استفاده عرضه کند (مثل یافتن طلا در معدن طلا).

فهرست مطالب آموزش اصول و مفاهیم داده کاوی

• قسمت اول: شناخت انواع داده ‌ها و ویژگی ‌ها
• قسمت دوم: بررسی انواع ویژگی ‌ها و توصیف آماری داده ‌ها
• قسمت سوم: آشنایی با داده‌ ها (پراکندگی، توزیع نرمال، تحلیل هیستوگرام، اندازه ‌گیری شباهت و عدم شباهت داده‌ ها)
• قسمت چهارم: تکمیل روش ‌های شباهت ‌سنجی – مصورسازی داده ‌ها
• قسمت پنجم: عملیات پیش ‌پردازش و پاک ‌سازی داده ‌ها
• قسمت ششم: عملیات پیش پردازش – تجمیع داده ‌ها (تحلیل همبستگی – تست کای دو)
• قسمت هفتم: روش ‌های کاهش داده (کاهش بعد، تبدیل موجک، تبدیل HAAR)
• قسمت هشتم: روش ‌های کاهش داده – هیستوگرام، خوشه‌ بندی و غیره
• قسمت نهم: انواع روش ‌های گسسته‌ سازی
• قسمت دهم: انباره داده ‌ها – شما های ستاره‌ ای، دانه‌ برفی تحلیل الگوهای پرتکرار
• قسمت یازدهم: ایجاد قوانین انجمنی
• قسمت دوازدهم: الگوریتم Apriori
• قسمت سیزدهم: افزایش بهره ‌وری الگوریتم Apriori و شروع FP-growth
• قسمت چهاردهم: الگوریتم Eclat و معیار های ارزیابی قوانین انجمنی
• قسمت پانزدهم: مفاهیم دسته ‌بندی داده‌ ها
• قسمت شانزدهم: درخت تصمیم
• قسمت هفدهم: بررسی معیار های شاخص و هرس درخت تصمیم
• قسمت هجدهم: دسته ‌بندی بیزین – دسته ‌بندی مبتنی بر قانون
• قسمت نوزدهم: استخراج قوانین درخت تصمیم
• قسمت بیستم: ارزیابی و مقایسه روش ‌های دسته ‌بندی
• قسمت بیست و یکم: Ensemble Methods
• قسمت بیست و دوم: روش ‌های دسته ‌بندی پیشرفته
• قسمت بیست و سوم: مفاهیم خوشه ‌بندی – الگوریتم k-means
• قسمت بیست و چهارم: خوشه ‌بندی سلسله ‌مراتبی