| 1 |
فصل اول: پایگاه و انبار داده ها، شناخت و آماده سازی داده ها |
|
| 2 |
فصل اول: پایگاه و انبار داده ها، شناخت و آماده سازی داده ها |
|
| 3 |
پالایش داده ها، یکپارچه سازی داده ها، کاهش بعد داده ها، تبدیل داده ها |
|
| 4 |
پویش داده ها،شاخص های آماری، تصویرسازی،... |
|
| 5 |
انبار داده ها، انبارش داده ها، سیستم OLTP و OLAP |
|
| 6 |
فصل دوم: یادگیری مدل، یادگیری با ناظر و بدن ناظر |
|
| 7 |
دسته بندی و درخت تصمیم، الگوریتم C4 و DI3 |
|
| 8 |
ادامه درخت تصمیم |
|
| 9 |
یادگیری مدل با ناظر، رگرسیون لجستیک |
|
| 10 |
ادامه رگرسیون لجستیک و حل مثال کاربردی |
|
| 11 |
یادگیری مدل، بدون ناظر، تحلیل خوشه ای |
|
| 12 |
اشاره به روش های پیشرفته تحلیل خوشه ای |
|
| 13 |
یادگیری مدل، قوانین انجمنی به همراه مثال |
|
| 14 |
شبکه های عصبی |
|
| 15 |
فصل سوم: ارزیابی مدل های پیشنهادی و تقسیم داده ها |
|
| 16 |
روش های ارزیابی مدل های با ناظر |
|
| 17 |
روش های ارزیابی مدل های بدون نلظر |
|
| 18 |
ارایه سمینار و پروژه دانشجویان |
|
| 19 |
داده کاوی چیست؟ کاربرد داده کاوی در بازاریابی، پزشکی، صنعت و ...، مراحل داده کاوی |
|
| 20 |
آشنایی با دانشجویان، مشخص نمودن اهداف و کاربردهای درس، منابع مورد نیاز برای درس، ارائه سرفصل درس و پیش نیاز های لازم برای این درس |
|