| 1 |
مقدمات و کلیات شامل مقدمه، اهمیت و ضرورت، مفاهیم اولیه، تعریف و تاریخچه دادهکاوی |
|
| 2 |
رویکردهای دادهکاوی، کاربردهای دادهکاوی |
|
| 3 |
فرایند کشف دانش، متدولوژی CRISP، نرمافزارها و اخلاق حرفهای در دادهکاوی |
|
| 4 |
شناخت معماری دادهها شامل معماری اطلاعات سازمان، انواع پایگاههای دادهای، پایگاه داده عملیاتی، انبار داده، مخزن دادن، OLTP و OLAP |
|
| 5 |
آمادهسازی و پیشپردازش داده شامل مفاهیم اولیه مربوط به مجموعه دادهها، اهمیت و ضرورت آمادهسازی و پیشپردازش دادهها |
|
| 6 |
پاکسازی داده |
|
| 7 |
کاهش داده |
|
| 8 |
تبدیل داده، خلاصهسازی و مصورسازی داده |
|
| 9 |
تکنیکهای طبقهبندی شامل تعاریف، شیوه مدلسازی (آموزش و ارزیابی) |
|
| 10 |
سنجش اعتبار مدل، درخت تصمیم |
|
| 11 |
درخت تصمیم |
|
| 12 |
درخت تصمیم |
|
| 13 |
طبقهبندی بر اساس قانون |
|
| 14 |
طبقه بند بیزی، KNN |
|
| 15 |
شبکههای عصبی مصنوعی (ANN) شامل مقدمه و تعاریف و مفاهیم اولیه، انواع ساختارها و توپولوژیها |
|
| 16 |
مقدمات و کلیات شامل مقدمه، اهمیت و ضرورت، مفاهیم اولیه، تعریف و تاریخچه دادهکاوی |
|
| 17 |
مروری بر رگرسیون، رگرسیون لجستیک |
|
| 18 |
شبکههای عصبی مصنوعی (ANN) شاملفرایند یادگیری، الگوریتمهای یادگیری |
|
| 19 |
شبکههای عصبی مصنوعی (ANN) شاملفرایند یادگیری، الگوریتمهای یادگیری |
|
| 20 |
خوشهبندی (مفاهیم و تعاریف و مبانی) |
|
| 21 |
روشهای خوشهبندی افرازی |
|
| 22 |
خوشهبندی سلسلهمراتبی |
|
| 23 |
مروری بر سایر روشها، ارزیابی خوشهبندی |
|
| 24 |
قواعد پیوند |
|
| 25 |
ماشین بردار پشتیبان (SVM) |
|
| 26 |
ارزیابی خوشه بندی |
|