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 |
|