جستجو برای:
سبد خرید 0
  • دسته بندی دوره ها
    • کسب و کار
    • برنامه نویسی
    • بورس و ارز دیجیتال
    • کلان داده و هوش مصنوعی
    • دیجیتال مارکتینگ
    • امنیت و شبکه
    • چند رسانه ای
    • انیمیشن و بازی سازی
    • هنر و گرافیک
    • توسعه فردی
    • آکادمیک و مهندسی
    • زبان خارجه
  • مجله داناپ
  • تدریس در داناپ
  • حساب کاربری

ورود

رمز عبور را فراموش کرده اید؟

هنوز عضو نشده اید؟ عضویت در سایت
  • 021-22534127
  • info@danup.ir
سبد خرید 0
0
داناپ | دانش خود را به راحتی افزایش دهید
  • دسته بندی دوره ها
    • کسب و کار
    • برنامه نویسی
    • بورس و ارز دیجیتال
    • کلان داده و هوش مصنوعی
    • دیجیتال مارکتینگ
    • امنیت و شبکه
    • چند رسانه ای
    • انیمیشن و بازی سازی
    • هنر و گرافیک
    • توسعه فردی
    • آکادمیک و مهندسی
    • زبان خارجه
  • مجله داناپ
  • تدریس در داناپ
ورود و ثبت نام

آموزش جامع مبانی و مفاهیم داده کاوی و یادگیری ماشین

خانهدوره های آموزشیکلان داده و هوش مصنوعیآموزش جامع مبانی و مفاهیم داده کاوی و یادگیری ماشین
https://dl.danup.ir/Courses/663488/DM&ML/1.DM&ML.hi7jfb5fssf.mp4
قیمت :

60,000 تومان

امتیاز
4.70 از 10 رأی
4.70 10 رای
60,000 تومان
ویژگی های دوره
زبان: فارسی
6 ساعت و 35 دقیقه
20 درس
786 مگابایت
روش دریافت: دانلود آنی پس از پرداخت
روش پشتیبانی: ارسال تیکت
حالت مطالعه

داده کاوی یکی از تخصص های به روز و مورد نیاز تقریبا تمام کسب و کارهای داده محور است. داده کاوی فرآیندی است که طی آن دیتای خام و بی مفهوم به اطلاعات مفید و با‌ ارزشی برای تصمیم گیری و تعیین اهداف استراتژیک مشخص سازمانی تبدیل می شوند.

داده کاوی یا دیتا ماینینگ در واقع علمی میان رشته ای است که علوم کامپیوتر، هوش مصنوعی، یادگیری ماشین، ریاضی و آمار را دربر می گیرد. با ساخت فرآیند داده کاوی، می توان دیتاهای حجیم و پیچیده سازمان ها و مؤسسات تحقیقاتی را کشف و الگوهای پنهان آن را تحلیل نمود.

به طور کلی می‌توان داده را برابر با طلا دانست. هر چقدر داده های موجود در پایگاه داده یک شرکت افزایش پیدا کند، سرمایه شرکت نیز بیشتر می شود. حال، برای تبدیل کردن این داده های حجیم و تمیز نشده به اطلاعات مفید و گزارشات مناسب برای تصمیم گیری، نیاز است تا از داده کاوی استفاده کرد تا با کشف الگو‌های پنهان از پردازش میلیون ها داده، نتایج شگفت انگیزی را بدست آورد و تحلیل کرد.

کاربردهای داده کاوی

  • حوزه بازرگانی (بازاریابی مستقیم، بخش بندی بازار، رتبه بندی اعتباری و …)
  • پزشکی (تشخیص سرطان و بازاریابی دارو)، نفت و گاز (حوزه استخراج و بهره برداری)
  • بانک و بیمه (کشف تخلف و کلاهبرداری، مدیریت ریسک، افزایش صدور بیمه نامه و …)
  • و…

یادگیری ماشین (Machine learning) را نیز می توان فرآیند بکارگیری هوش در سیستم یا ماشین بدون برنامه‌ نویسی آشکار (explicit programming) تعریف کرد.

 

در این دوره چه مباحثی آموزش داده شده است؟

در این دوره، به آموزش جامع مفاهیم داده کاوی پرداخته می شود و به طور کامل، مفاهیم مربوط با داده کاوی و یادگیری ماشینی را یاد خواهید گرفت.

 

سرفصل های دوره آموزش جامع مبانی و مفاهیم داده کاوی و یادگیری ماشین

فصل اول: معرفی دوره (آشنایی با مفاهیم اولیه)

  • تعریف داده کاوی (data mining)
  • اهمیت داده کاوی
  • کاربرد داده کاوی در صنایع و کسب و کارهای مختلف
  • تعریف فرآیند داده کاوی
  • تعریف یادگیری ماشین (machine learning) و کاربرد آن در داده کاوی
  • تفاوت میان داده کاوی و علم داده (data science)
  • هدف دوره

 

فصل دوم: جبر خطی در داده کاوی و یادگیری ماشین

  • تعریف جبر خطی
  • اهمیت جبر خطی در داده کاوی
  • بردارها و محاسبات برداری
  • نرم برداری
  • ماتریس‌ها و محاسبات ماتریس

فصل سوم: آشنایی با انواع دیتا

  • دیتای ساختار یافته (Structured data)
  • دیتای نیمه ساختار یافته (Semi-structured data)
  • دیتای بدون ساختار (Unstructured data)

 

فصل چهارم: تحلیل آماری و رسم نمودار در داده کاوی و یادگیری ماشین

  • آشنایی با انواع نمودار (پیاده سازی در پایتون)
  • تعریف آمار و علم آمار
  • ابزارهای مورد استفاده برای تهیه گزارش آماری
  • آشنایی با شاخص‌های مرکزی و پراکندگی
  • متغیرها
  • همبستگی و ماتریس همبستگی
  • نمودار پراکندگی (scatterplot)
  • Crosstab
  • توابع Aggregation
  • آشنایی با مفهوم Group by
  • استفاده از تابع Group by برای محاسبه فراوانی یک متغیر کیفی
  • استفاده از نمودار هیستوگرام برای محاسبه فراوانی یک متغیر کمی
  • مفهوم significance یا P-value
  • آزمون های آماری پارامتریک
  • آزمون های آماری ناپارامتریک
  • تعریف نمونه گیری
  • مزایا و معایب نمونه‌‎‌گیری دار داده کاوی
  • انواع روش پرکاربرد نمونه گیری

 

فصل پنجم: پیش پردازش داده ها

  • پر کردن مقادیر NULL (کمی، کیفی اسمی و ترتیبی)
  • فیلتر کردن رکورد یا وِیژگی
  • تولید ویژگی (feature generation)
  • ساخت Dummy برای ویژگی‌های کیفی
  • طبقه بندی مجدد مقادیر (Reclassification)
  • Join
  • Append
  • بخش بندی دیتا (Train_Test_Split)
  • نرمالسازی
  • استاندارد سازی
  • تعریف کاهش ابعاد
  • اهمیت کاهش ابعاد
  • تعریف انتخاب ویژگی (Feature selection)
  • اهمیت انتخاب ویژگی
  • انواع روش انتخاب ویژگی

 

فصل ششم: سری‌های زمانی

  • تعریف سری زمانی
  • تعریف برازش (Fitting) و پیش بینی (Forecasting)
  • مدل ARIMA
  • شاخص‌های نیکویی برازش
  • میانگین
  • خطای معیار (SE)
  • R2 ایستایی
  • میانگین مجذور خطا (RMSE)
  • میانگین قدر مطلق درصد خطا (MAPE)
  • ماکزیمم قدر مطلق درصد خطا (MAX PE)
  • میانگین قدر مطلق خطا (MAE)
  • ماکزیمم قدر مطلق خطا (MAX AE)
  • معیار اطلاعاتی نرمال شده بیز (Normalized BIC)

 

فصل هفتم: رگرسیون خطی

  • تعریف رگرسیون خطی
  • رابطه خطی
  • R Square
  • خطای معیار تخمین
  • فرضیه آماری آزمون معناداری کل مدل رگرسیون (به کمک جدول Anova)
  • مقدار ثابت (B0)
  • مقدار ضریب متغیر مستقل (B1)
  • فاصله اطمینان
  • Regularization
  • مفهوم Overfitting

 

فصل هشتم: خوشه بندی (Clustering)

  • تعریف خوشه بندی
  • اهمیت خوشه بندی
  • تفاوت خوشه بندی با کاهش ابعاد
  • انواع روش خوشه بندی
  • مفهوم distance / similarity
  • Dendrogram
  • مفهوم Agglomerative clustering
  • مفهوم Linkage و انواع آن
  • مفهوم Ward

 

فصل نهم: طبقه بندی (Classification)

  • تعریف طبقه بندی
  • تفاوت طبقه بندی با خوشه بندی
  • اهمیت طبقه بندی
  • آشنایی با الگوریتم‌های طبقه بندی، مفاهیم و کاربردهای آنها
  • کارنامه طبقه بندی و ارزیابی مدل

 

فصل دهم: آنالیز RFM

  • تعریف اولیه
  • اهمیت RFM
  • مفهوم Recency
  • مفهوم Frequency
  • مفهوم Monetary

 

فصل یازدهم: قواعد انجمنی

  • آشنایی با مفاهیم قواعد انجمنی
  • محاسبات مربوطه

 

 

حاصل دوره

  • تسلط به مفاهیم فرآیند داده کاوی
  • تسلط به مفاهیم جبر خطی و آمار در داده کاوی
  • تسلط به مفاهیم پیش پردازش دیتا
  • تسلط به الگوریتم های یادگیری ماشین (نظارتی و غیر نظارتی)
  • تسلط به مفاهیم آنالیز RFM برای شناسایی مشتریان وفادار و سود آور

 

لینک دیگر دوره های داده کاوی و یادگیری ماشین :

  • آموزش داده کاوی و یادگیری ماشینی با IBM SPSS modeler
  • آموزش داده کاوی و یادگیری ماشینی با پایتون
  • آموزش متن کاوی با پایتون
  • آموزش داده کاوی با رپیدماینر
  • آموزش تصویر کاوی با رپیدماینر
  • آموزش متن کاوی و وب کاوی با رپیدماینر
  • آموزش یادگیری عمیق با پایتون
  • پکیج جامع علم داده با رپیدماینر
  • پکیج جامع علم داده با پایتون

 

فصل اول

معرفی دوره ویدئو

30:08

پیش نمایش

جبر خطی در داده کاوی و یادگیری ماشین ویدئو

19:14

پیش نمایش

انواع دیتا برای داده کاوی ویدئو

12:08

خصوصی

رسم نمودار ویدئو

11:32

خصوصی

آشنایی با تحلیل آماری ویدئو

31:00

خصوصی

تحلیل آماری تک متغیره ویدئو

04:44

خصوصی

تحلیل آماری چند متغیره ویدئو

20:08

خصوصی

آزمون های آماری ویدئو

19:06

خصوصی

نمونه گیری ویدئو

08:04

خصوصی

پیش پردازش داده‌ها (بخش اول) ویدئو

33:17

خصوصی

پیش پردازش داده ها (کاهش ابعاد / تحلیل فاکتور) ویدئو

08:07

خصوصی

پیش پردازش داده ها (انتخاب ویژگی) ویدئو

08:46

خصوصی

سری های زمانی ویدئو

24:27

خصوصی

رگرسیون خطی ویدئو

24:36

خصوصی

خوشه بندی ویدئو

46:03

خصوصی

طبقه بندی ویدئو

53:02

خصوصی

طبقه بندی (شبکه‌های عصبی) ویدئو

14:42

خصوصی

آنالیز RFM ویدئو

08:32

خصوصی

قواعد انجمنی ویدئو

04:38

خصوصی

گام های بعدی و ابزارهای لازم ویدئو

11:23

خصوصی

فایل های آموزش فایل های ضمیمه

خصوصی

دوره های مرتبط

آموزش جامع هوش تجاری BI و تحلیل داده با Tableau

آموزش جامع هوش تجاری BI و تحلیل داده با تبلو Tableau

هوش تجاری یا Business Intelligence که به اختصار به آن BI نیز گفته می شود، علمی نوظهور در حوزه کسب…
139,000 تومان
آموزش مقدماتی متلب Matlab

آموزش پایه متلب Matlab

نرم افزار متلب Matlab یک نرم افزار فوق العاده در زمینه تجزیه و تحلیل مسائل ریاضی است که از اولین…
80,000 تومان
پکیج جامع علم داده با پایتون

پکیج جامع علم داده با پایتون

علم داده با پایتون یا همان data science در حال حاضر یکی از محبوب ترین و پرطرفدارترین گرایش‌های هوش مصنوعی…
320,000 تومان
پکیج جامع علم داده با رپیدماینر RapidMiner

پکیج جامع علم داده با رپیدماینر RapidMiner

علم داده با رپیدماینر یکی از ترندهای روز حوزه هوش مصنوعی است که هر روز موقعیت های شغلی بیشتر و…
257,000 تومان
آموزش داده کاوی با rapidminer

آموزش جامع داده کاوی با رپیدماینر RapidMiner

داده کاوی با رپیدماینر (ِRapidMiner) قطعا یکی از محبوبترین و پرطرفدارترین شیوه های داده کاوی است که بدون نیاز به…
139,000 تومان

rate_reviewامتیاز دانشجویان دوره

4.7
4.70 10 رای
60,000 تومان
10 رأی
5 ستاره
9
4 ستاره
0
3 ستاره
0
2 ستاره
1
1 ستاره
0

chat_bubble_outlineنظرات

  • مهدی نعمت شاهی( دانشجوی دوره )
    1399/06/07
    امتیاز 2 از 5
    برای پاسخ دادن وارد شوید

    واقعا متاسفم با این اموزش از روی اسلاید خوندن و یک برگه دستش گرفته داره از روش میخونه واقعا آموزش این طوری نیست

    • شاهین نوری
      1399/06/08
      برای پاسخ دادن وارد شوید

      سلام وقتتون خیر؛
      قربان تهیه مطالب این دوره چندین ماه طول کشیده و اینکه میفرمایید از روی اسلاید خونده می‌شود، بنظرم بی انصافیه چرا که تمام فرآیند داده کاوی با ارائه مثال، فرمول‌ها و توابع به زبان بسیار ساده توضیح داده شده است!! حتی به صورت اختصاصی توابع مهم کتابخانه‌های داده کاوی پایتون و رسم نمودار در پایتون هم برای علاقه‌مندان داده کاوی با پایتون ارائه شده است(فایل ویدیویی و اکسل پیوست شده).
      لطفاً ابتدا مجدداً تمام فایل های ویدیویی و پیوست موجود در صفحه را مشاهده بفرمایید و سپس در صورت تمایل میزان رضایت خود را از این دوره اعلام بفرمایید.
      با تشکر و احترام

  • rainman89( دانشجوی دوره )
    1399/05/18
    امتیاز 5 از 5
    برای پاسخ دادن وارد شوید

    عالی بود جمع بندی سریع و کاربردی مباحث مقدماتی برای داده کاوی و شروع کار در این زمینه بسیار وسیع. تسلط استاد عالیه و کاملا مشخصه ایشون به صورت حرفه ای در این زمینه فعالیت می کنن. سیستم کویئز و مدرک رو هم فعال کند دیگه کارتون بی نظیر می شه

  • ملیحه سلیمیان( دانشجوی دوره )
    1399/02/17
    امتیاز 5 از 5
    برای پاسخ دادن وارد شوید

    سپاسگزارم از آقای مهندس نوری بابت تهیه فایلهای جامع و کاربردی و همچنین ارائه مطالب با بیان ساده و قابل فهم

  • آرش کیوان( دانشجوی دوره )
    1399/02/14
    امتیاز 5 از 5
    برای پاسخ دادن وارد شوید

    ممنون از جناب نوری

  • Ali amini( دانشجوی دوره )
    1399/02/02
    امتیاز 5 از 5
    برای پاسخ دادن وارد شوید

    سپاسگزارم از مهندس نوری و مجموعه داناپ
    دوره بسیار جامع و مفیدی بود.

  • Kouroshh( دانشجوی دوره )
    1399/02/01
    امتیاز 5 از 5
    برای پاسخ دادن وارد شوید

    کیفیت آموزش و تسلط مدرس عالی بود

  • Cyrus62( دانشجوی دوره )
    1399/02/01
    امتیاز 5 از 5
    برای پاسخ دادن وارد شوید

    عالی. این دوره را به تمام کسانی که با مفاهیم یادگیری ماشین آشنا نیستند و در زمینه آمار و جبر خطی تسلط کافی ندارند توصیه میکنم.

  • PariN( دانشجوی دوره )
    1399/01/30
    امتیاز 5 از 5
    برای پاسخ دادن وارد شوید

    سلام
    بسيار عالي بود و خيلي ممنون كه اين همه جزئيات را با مثال توضيح داديد. مفاهيم يادگيري ماشين بسيار جامع و ساده توضيح داده شده و براي كسي كه اصلا با مفاهيم اماري و روش هاي يادگيري ماشين اشنا نيست، شديدا پيشنهاد ميشه.

  • Mahsa( دانشجوی دوره )
    1399/01/28
    امتیاز 5 از 5
    برای پاسخ دادن وارد شوید

    فوق العاده دوره کامل و جامعی بود و تمامی مباحث را خیلی عالی توضیح دادن

  • Raz NV( دانشجوی دوره )
    1399/01/28
    برای پاسخ دادن وارد شوید

    فوق العاده دوره عالی بود، ممنون از این آموزش بسیار مفید

  • peyman65( دانشجوی دوره )
    1399/01/28
    امتیاز 5 از 5
    برای پاسخ دادن وارد شوید

    عالی حرف نداره. برا شروع کار حوزه دیتاساینس عالیه و کافی

قوانین ثبت دیدگاه

با سلام و احترام خدمت شما کاربر محترم
  • دیدگاه های فینگلیش تایید نخواهند شد.
  • دیدگاه های نامرتبط با دوره تایید نخواهد شد.
  • از درج دیدگاه های تکراری پرهیز نمایید.
  • امتیاز دادن به دوره فقط مخصوص دانشجویان دوره می باشد.

لغو پاسخ

برای ارسال نظر باید وارد حساب کاربری خود شده باشید.

قیمت :

60,000 تومان

افزودن به علاقه مندی
امتیاز
4.70 از 10 رأی
4.70 10 رای
60,000 تومان
زبان: فارسی
6 ساعت و 35 دقیقه
20 درس
786 مگابایت
روش دریافت: دانلود آنی پس از پرداخت
روش پشتیبانی: ارسال تیکت
شاهین نوری
شاهین نوری

سلام. من متخصص علوم داده و یادگیری ماشینی فعال در شرکت بیمه نوین (هلدینگ بانک اقتصاد نوین) هستم. دارای مدرک کارشناسی آمار و احتمال از دانشگاه شهید بهشتی و دانشجوی سال آخر مدیریت فناوری در دانشگاه تهران هستم.

دسته: کلان داده و هوش مصنوعی
  • تهران، شریعتی، انتهای خواجه عبداله انصاری، خیابان بنی هاشم، پلاک 68
  • 021-22534127
  • Info@danup.ir
دسترسی سریع
  • صفحه اصلی
  • مجله داناپ
  • حساب کاربری
  • قوانین و مقررات
  • درباره ما
  • تدریس در داناپ
  • تماس با ما

تمامی حقوق برای وبسایت داناپ محفوظ می باشد.