آموزش مبانی علوم داده: داده کاوی

مقدمه Introduction

• خوش آمدی Welcome

• چه کسی باید این دوره را تماشا کند Who should watch this course

• فایل های تمرینی Exercise files

1. مقدمات 1. Preliminaries

• پیش نیاز داده کاوی Data mining prerequisites

• پیش نیازهای الگوریتم Algorithm prerequisites

• پیش نیازهای نرم افزار Software prerequisites

2. کاهش داده ها 2. Data Reduction

• اهداف کاهش داده ها Goals of data reduction

• داده ها برای کاهش داده Data for data reduction

• کاهش داده ها در R Data reduction in R

• کاهش داده در پایتون Data reduction in Python

• کاهش داده ها در نارنجی Data reduction in Orange

• کاهش داده ها در RapidMiner Data reduction in RapidMiner

3. خوشه بندی 3. Clustering

• اهداف خوشه بندی Clustering goals

• داده های خوشه بندی Clustering data

• خوشه بندی در R Clustering in R

• خوشه بندی در پایتون Clustering in Python

• خوشه بندی در BigML Clustering in BigML

• خوشه بندی به رنگ نارنجی Clustering in Orange

4- طبقه بندی 4. Classification

• اهداف طبقه بندی Classification goals

• طبقه بندی داده ها Classification data

• طبقه بندی در R Classification in R

• طبقه بندی در پایتون Classification in Python

• طبقه بندی در RapidMiner Classification in RapidMiner

• طبقه بندی در KNIME Classification in KNIME

5- تشخیص ناهنجاری 5. Anomaly Detection

• اهداف تشخیص ناهنجاری Anomaly detection goals

• داده های تشخیص ناهنجاری Anomaly detection data

• تشخیص ناهنجاری در R Anomaly detection in R

• تشخیص ناهنجاری در پایتون Anomaly detection in Python

• تشخیص ناهنجاری در BigML Anomaly detection in BigML

• تشخیص ناهنجاری در RapidMiner Anomaly detection in RapidMiner

6. تجزیه و تحلیل انجمن 6. Association Analysis

• اهداف تجزیه و تحلیل انجمن Association analysis goals

• داده های تجزیه و تحلیل انجمن Association analysis data

• تجزیه و تحلیل انجمن در R Association analysis in R

• تجزیه و تحلیل انجمن در پایتون Association analysis in Python

• تجزیه و تحلیل انجمن در نارنجی Association analysis in Orange

• تجزیه و تحلیل انجمن در RapidMiner Association analysis in RapidMiner

7. تحلیل رگرسیون 7. Regression Analysis

• اهداف تحلیل رگرسیون Regression analysis goals

• داده های تحلیل رگرسیون Regression analysis data

• تجزیه و تحلیل رگرسیون در R Regression analysis in R

• تحلیل رگرسیون در پایتون Regression analysis in Python

• تجزیه و تحلیل رگرسیون در KNIME Regression analysis in KNIME

• تجزیه و تحلیل رگرسیون در RapidMiner Regression analysis in RapidMiner

8- الگوهای متوالی 8. Sequential Patterns

• اهداف استخراج توالی Sequence mining goals

• الگوریتم های استخراج توالی Sequence mining algorithms

• استخراج توالی در R Sequence mining in R

• استخراج توالی در پایتون Sequence mining in Python

• استخراج توالی در BigML: قسمت 1 Sequence mining in BigML: Part 1

• استخراج توالی در BigML: قسمت 2 Sequence mining in BigML: Part 2

9. استخراج متن 9. Text Mining

• اهداف استخراج متن Text mining goals

• الگوریتم های استخراج متن Text mining algorithms

• استخراج متن در R Text mining in R

• استخراج متن در پایتون Text mining in Python

• استخراج متن در RapidMiner Text mining in RapidMiner

نتیجه Conclusion

• مراحل بعدی Next steps