| 1 |
آشنایی با دانشجویان، مشخص نمودن اهداف و کاربردهای درس، منابع مورد نیاز برای درس، آشنایی با زمینه‌های کاری |
|
| 2 |
داده کاوی چیست؟ نمونه پروژه‌های واقعی، پایان‌نامه‌های قبلی دانشجویان و مقالات مرتبط |
|
| 3 |
آشنایی با Slicing و Reduceدر Numpy و ارتباط آن با OLAP و یادگیری عمیق |
|
| 4 |
دسته‌بند کا-نزدیک‌ترین همسایگی، ملاحظات عملی، نفرین ابعاد |
|
| 5 |
یادگیری مدل با ناظر، رگرسیون و رگرسیون لجستیک |
|
| 6 |
شبکه‌های عصبی |
|
| 7 |
ادامه شبکه‌های عصبی |
|
| 8 |
روشهای ارزیابی طبقه‌بندها، اعتبارسنجی متقابل |
|
| 9 |
k-means و مشتقات آن |
|
| 10 |
طبقه‌بند بیز |
|
| 11 |
یادگیری مدل، بدون ناظر، تحلیل خوشه ای |
|
| 12 |
پیش‌پردازش داده‌ها، نرمال‌سازی، مقادیر مفقود شده |
|
| 13 |
ارزیابی روشهای خوشه‌بندی |
|
| 14 |
DBSCANو سایر روشهای خوشه‌بندی |
|
| 15 |
قواعد انجمنی |
|
| 16 |
آنتروپی، درخت تصمیم |
|
| 17 |
ترکیب طبقه‌بندها، جنگل تصادفی |
|
| 18 |
کاهش ابعاد، مصورسازی |
|
| 19 |
Pandas Dataframe |
|
| 20 |
کاربردهای طبقه‌بندی |
|
| 21 |
کاربردهای خوشه‌بندی |
|
| 22 |
پالایش مشارکتی |
|
| 23 |
مدل مخلوط گوسی |
|