لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش دادهکاوی با پایتون
- آخرین آپدیت
دانلود Data Mining in Python
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
در دوره «دادهکاوی با پایتون»، شما خواهید آموخت که چگونه دانش مفید را از مجموعهدادههای مقیاس بزرگ استخراج کنید. این دوره مفاهیم پایه و وظایف کلی دادهکاوی را معرفی میکند. شما طی این مسیر، طیف گستردهای از مجموعهدادههای دنیای واقعی، از جمله دادههای فروشگاههای مواد غذایی، نظرات رستورانها، عملیات تجاری، پستهای شبکههای اجتماعی و موارد دیگر را بررسی خواهید کرد.
شما یاد میگیرید که چگونه اطلاعات دنیای واقعی را به صورت رسمی با نمایشهای کلی دادهها (مانند مجموعههای آیتم، بردارها، ماتریسها، توالیها و غیره) توصیف کنید و سپس بیاموزید که چگونه دادههای خام را با یک یا چند مورد از این نمایشها فرموله کنید.
این دوره به شما میآموزد که چگونه با جستجوی الگوها و شباهتها، دادههای خود را شناسایی و تبیین کنید؛ مواردی که بلوکهای سازنده اصلی برای تحلیلهای پیشرفته و مدلهای یادگیری ماشین هستند.
این اولین دوره از سری چهارگانهی «علوم داده کاربردی پیشرفته با پایتون» است که بر کمک به شما در بهکارگیری تکنیکهای پیشرفته علوم داده با استفاده از پایتون تمرکز دارد. توصیه میشود تمامی زبانآموزان پیش از شروع این دوره، تخصص علوم داده کاربردی با پایتون را به طور کامل بگذرانند.
سرفصل ها و درس ها
مفاهیم پایه دادهکاوی
Basic Concepts of Data Mining
خوشآمدگویی به دوره دادهکاوی با پایتون
Welcome to Data Mining in Python
دادهکاوی چیست
What is Data Mining
قابلیتهای دادهکاوی (بخش اول)
Data Mining Functionalities (Part 1)
قابلیتهای دادهکاوی (بخش دوم)
Data Mining Functionalities (Part 2)
قابلیتهای دادهکاوی (بخش سوم)
Data Mining Functionalities (Part 3)
نمایش مجموعههای آیتم، بردارها و ماتریسها
Representing Itemsets, Vectors, and Matrices
نمایش توالیها
Representing Sequences
نمایش سریهای زمانی و دادههای مکانی-زمانی
Representing Time-Series and Spatial/Temporal Data
نمایش دادههای گراف
Representing Graph Data
نمایش دادههای جریانی (Stream)
Representing Stream Data
دادهکاوی بر اساس الگوها
Data Mining Based on Patterns
دادهکاوی بر اساس شباهتها
Data Mining Based on Similarities
استخراج دادههای مجموعهآیتم
Mining Itemset Data
مجموعههای آیتم پرتکرار
Frequent Itemsets
استراتژیهای شمارش
Counting Strategies
الگوریتم Apriori
The Apriori Algorithm
از الگوها تا قوانین انجمنی
From Patterns to Association Rules
اندازهگیری همبستگی با استفاده از Lift
Measuring Correlations Using Lift
اطلاعات متقابل (Mutual Information)
Mutual Information
محدودیتهای معیارهای همبستگی
Limitation of Correlation Measures
شباهت جاکارد (Jaccard Similarity)
The Jaccard Similarity
استخراج دادههای برداری و ماتریسی
Mining Vector and Matrix Data
از مجموعههای آیتم به بردارها
From Itemsets to Vectors
بردارها و ماتریسها
Vectors and Matrices
مفهوم «فضای برداری»
The “Vector Space”
توابع شباهت برداری و ضرب داخلی
Vector Similarity Functions and Dot Product
فاصله منهتن و فاصله اقلیدسی
Manhattan Distance and Euclidean Distance
نمایش نظرات