آموزش کارشناسی ارشد داده کاوی در علم داده و یادگیری ماشین

سرفصل ها و درس ها

معرفی Introduction

• مقدمه ای بر داده کاوی Introduction to Data Mining

• چرا داده کاوی ضروری است Why Data Mining is Necessary

فرایندهای استاندارد داده کاوی Data Mining Standard Processes

• مقدمه ای بر KDD Introduction to KDD

• مراحل فرآیند KDD KDD process steps

• مزایا و معایب KDD Pros and Cons of KDD

• معرفی SEMMA Introducing SEMMA

• مراحل SEMMA Stages of SEMMA

• مقدمه ای بر CRISP-DM Introduction to CRISP-DM

• مراحل CRISP-DM CRISP-DM Phases

• مزایا و معایب CRISP-DM Pros and Cons of CRISP-DM

• معرفی TDSP Introducing TDSP

• مزایا و معایب TDSP Pros and Cons of TDSP

تجزیه و تحلیل بقا Survival Analysis

• مقدمه ای بر تحلیل بقا Introduction to Survival Analysis

• برآوردگر کاپلان مایر Kaplan Meyer Estimator

• سانسور کردن Censoring

• برآوردگر Kaplan Meier با استفاده از پایتون Kaplan Meyer Estimator using Python

• رسم منحنی های بقا Plotting Survival Curves

• معرفی تست رتبه ورود Log Rank Test Introduction

• تست رتبه بندی با استفاده از پایتون Log Rank Test using Python

رگرسیون کاکس هازارد Cox Hazard Regression

• مقدمه ای بر رگرسیون خطر کاکس Introduction to Cox Hazard Regression

• اعمال رگرسیون کاکس هازارد Applying Cox Hazard Regression

• تفسیر نتایج Interpreting Results

تجزیه خوشه ای Clustering Analysis

• مقدمه ای بر خوشه بندی Introduction to Clustering

• انواع خوشه بندی Types of Clustering

• کاربردهای خوشه بندی Applications of Clustering

• استفاده از روش آرنج برای انتخاب بهترین ارزش برای K Using the Elbow Method for Choosing the Best Value for K

• مقدمه ای بر K به معنی خوشه بندی Introduction to K Means Clustering

• حل یک مشکل دنیای واقعی Solving a Real World Problem

• پیاده سازی K Means در مجموعه داده Mall Implementing K Means on the Mall Dataset

• استفاده از نمره شباهت برای تجزیه و تحلیل خوشه ها Using Silhouette Score to analyze the clusters

• خوشه بندی چند بعد Clustering Multiple Dimensions

• مقدمه ای بر خوشه بندی سلسله مراتبی Introduction to Hierarchal Clustering

• آشنایی با دندروگرام ها Introduction to Dendrograms

• اجرای خوشه بندی سلسله مراتبی Implementing Hierarchical Clustering

• آشنایی با خوشه بندی DBSCAN Introduction to DBSCAN Clustering

• اجرای خوشه بندی DBSCAN Implementing DBSCAN Clustering

کاهش ابعاد Dimensionality Reduction

• چرا مجموعه داده های با ابعاد بالا مشکل ساز هستند Why High Dimensional Datasets are a Problem

• روش هایی برای حل مشکل ابعاد بالا Methods to solve the problem of High Dimensionality

• حل یک مشکل دنیای واقعی Solving a Real World Problem

• مقدمه ای بر همبستگی با استفاده از Heatmap Introduction to Correlation using Heatmap

• حذف ستون های بسیار مرتبط با استفاده از همبستگی Removing Highly Correlated Columns using Correlation

• مقدمه ای بر فیلترینگ تورم واریانس Introduction to Variance Inflation Filtering

• پیاده سازی VIF با استفاده از statsmodel Implementing VIF using statsmodel

• مقدمه ای بر انتخاب ویژگی بازگشتی Introduction to Recursive Feature Selection

• اجرای انتخاب ویژگی بازگشتی Implementing Recursive Feature Selection

• معرفی الگوریتم بوروتا Introduction the Boruta Algorithm

• پیاده سازی الگوریتم بوروتا Implementing the Boruta Algorithm

• مقدمه ای بر تجزیه و تحلیل اجزای اصلی Introduction to Principal Component Analysis

• پیاده سازی PCA Implementing PCA

• آشنایی با t-SNE Introduction to t-SNE

• پیاده سازی t-SNE Implementing t-SNE

• مقدمه ای بر تحلیل تبعیض آمیز خطی Introduction to Linear Discriminant Analysis

• پیاده سازی LDA Implementing LDA

• تفاوت بین PCA ، t-SNE و LDA Difference between PCA, t-SNE, and LDA

یادگیری قوانین انجمن Association Rule Learning

• مقدمه ای بر تجزیه و تحلیل انجمن Introduction to Association Analysis

• یادگیری قوانین انجمن Association Rule Learning

• ایجاد لیست معاملات Creating Transaction List

• رمزگذاری معاملات Encoding Transactions

• الگوریتم آپریوری Aprior Algorithm

• تجسم Aprior Aprior Visualisation

مدل های مبتنی بر درخت Tree Based Models

• شهود برای درختان تصمیم گیری Intuition for decision trees

• روش انتخاب ویژگی- شاخص جینی و آنتروپی Attribute selection method- Gini Index and Entropy

• مزایا و مشکلات درخت تصمیم گیری Advantages and Issues with Decision trees

• پیاده سازی درخت تصمیم با استفاده از Sklearn Implementing Decision tree using Sklearn

• درک مفهوم Bagging Understanding the concept of Bagging

• آشنایی با جنگل تصادفی Introduction to Random forest

• آشنایی با پارامترهای جنگل تصادفی Understanding the parameters of Random forest

• پیاده سازی جنگل تصادفی با استفاده از Sklearn Implementing random forest using Sklearn

آشنایی با مدلهای تقویت Introduction to Boosting models

• درک مفهوم تقویت Understanding the concept of boosting

• شهود برای Adaboost و Gradient Boosting Intuition for Adaboost and Gradient Boosting

• پیاده سازی AdaBoost با استفاده از sklearn Implementing AdaBoost using sklearn

• پیاده سازی Gradient Boosting با استفاده از sklearn Implementing Gradient Boosting using sklearn

• دریافت شهود سطح بالا برای XGBoost Getting High level intuition for XGBoost

• پیاده سازی XGBoost با استفاده از sklearn Implementing XGBoost using sklearn

• آشنایی با تکنیک های مونتاژ Introduction to Ensembling techniques

بخش خارج از منزل Outro Section

• نتیجه Conclusion

• چگونه می توان گواهی پایان کار خود را دریافت کرد How to Get Your Certificate of Completion

بخش پاداش Bonus Section

• سخنرانی پاداش Bonus Lecture