| 1 |
داده کاوی چیست؟ مفهوم داده کاوی، مشخص نمودن اهداف و کاربردهای درس، منابع مورد نیاز برای درس |
|
| 2 |
معرفی چند پروژه در خصوص داده های حجیم |
|
| 3 |
اهمیت داده کاوی، داده های حجیم، کاربرد داده کاوی در بازاریابی و ...، مراحل داده کاویی مدل |
|
| 4 |
پالایش داده ها |
|
| 5 |
ادامه پالایش داده ها |
|
| 6 |
یادگیری ماشین |
|
| 7 |
یادگیری با ناظر و بدون ناظر |
|
| 8 |
دسته بندی داده ها |
|
| 9 |
درخت تصمیم |
|
| 10 |
ادامه درخت تصمیم و جنگل تصادفی |
|
| 11 |
رگرسیون لوژستیک |
|
| 12 |
لوژستیک چند جمله ای، ترتیبی |
|
| 13 |
روش های رده بندی: برمبنای احتمال و غیر احتمالاتی |
|
| 14 |
خوشه بندی، روش K میانگین |
|
| 15 |
خوشه بندی سلسله مراتبی و رسم درختواره |
|
| 16 |
معرفی معیارهای بیرونی و درونی ارزیابی |
|
| 17 |
روشهای رده¬بندی: بوت استراپ، ارزیابی متقابل، |
|
| 18 |
شبکه عصبی |
|
| 19 |
مطالب تکمیلی در ابن خصوص |
|
| 20 |
الگوریتم ژنتیک |
|
| 21 |
داده کاوی داده¬های زمانی، مکانی، |
|
| 22 |
ماشین بردار پشتیبان |
|
| 23 |
ماشین بردار پشتیبان با توابع هسته |
|
| 24 |
مطالب تکمیلی در این خصوص |
|
| 25 |
اعتبار سنجی مدل |
|
| 26 |
روش های برآورد دقت مدل و ارزیابی |
|
| 27 |
تعطیل رسمی |
|
| 28 |
ارایه سمینار های دانشجویان |
|