| 1 |
اشنایی با دانشجویان، معرفی اهداف درس و ارایه مثال های کاربردی |
|
| 2 |
علم داده چیست؟ معرفی داده های حجیم، مشخص نمودن اهداف و کاربردهای درس با مثال های واقعی و منابع مورد نیاز |
|
| 3 |
|
|
| 4 |
فصل اول: اماده سازی و پایش داده ها |
|
| 5 |
ادامه اماده سازی داده ها |
|
| 6 |
فصل دوم: یادگیری ماشین |
|
| 7 |
یادگیری با ناظر و بدون ناظر |
|
| 8 |
روش های دسته بندی داده ها |
|
| 9 |
درخت تصمیم و جنگل تصادفی |
|
| 10 |
رگرسیون لوژستیک: پاسخ اسمی، چند جمله ای، ترتیبی |
|
| 11 |
روش های خوشه بندی، K میانگین |
|
| 12 |
خوشه بندی سلسله مراتبی و رسم درختواره |
|
| 13 |
ماشین بردار پشتیبان |
|
| 14 |
مطالب تکمیلی در ابن خصوص |
|
| 15 |
اعتبارسنجی مدل |
|
| 16 |
ارزیابی مدل های باناظر و بدون ناظر |
|
| 17 |
مطالب تکمیلی و ارایه سمینار |
|