| 1 |
آشنایی با دانشجویان، مشخص نمودن اهداف و کاربرد علم داده کاوی |
|
| 2 |
فصل اول: پایگاه و انبار داده ها، شناخت و آماده سازی داده ها |
|
| 3 |
انبار داده ها، انبارش داده ها، سیستم OLTP و OLAP |
|
| 4 |
فصل دوم: یادگیری مدل، یادگیری با ناظر و بدن ناظر |
|
| 5 |
یادگیری مدل: مدل با ناظر، دسته بندی و درخت تصمیم |
|
| 6 |
یادگیری مدل: مدل با ناظر، رگرسیون لجستیک |
|
| 7 |
یادگیری مدل: بدون ناظر، تحلیل خوشه ای |
|
| 8 |
یادگیری مدل، قوانین انجمنی |
|
| 9 |
یادگیری مدل، شبکه های عصبی |
|
| 10 |
یادگیری مدل، بردار پشتیبان |
|
| 11 |
معیارهای ارزیابی برای مدل های با ناظر، ماتریس در هم ریختگی |
|
| 12 |
معیارهای ارزیابی برای مدل های بدون ناظر |
|
| 13 |
اعتبار سنجی متقابل در داده کاوی |
|
| 14 |
ارایه پروژه توسط دانشجویان |
|
| 15 |
ارایه سمینار های دانشجویان |
|
| 16 |
پرسش و پاسخ در خصوص سوالات دانشجویان |
|