آموزش پایان به پایان تمرین علوم داده با Knime

سرفصل ها و درس ها

معرفی Introduction

• مقدمه دوره Introduction to Course

• چگونه می خواهیم مطالب را پوشش دهیم؟ How are we going to cover the content?

• قرار است از کدام ابزار استفاده کنیم؟ Which tool are we going to use?

• چه چیزی در مورد دوره منحصر به فرد است؟ What is unique about the course?

پروژه علم داده و روش شناسی ما چیست What is Data Science Project and our methodology

• تکنیک های مدیریت پروژه: SEMMA و KDD Project Management Techniques : SEMMA and KDD

• مدیریت پروژه: CRISP-DM Project Management : CRISP-DM

دانلود و نصب Knime Knime Download and Installation

• صفحه وب Knime و دانلود Knime Web Page and Download

• محیط و صفحه نمایش Knime Knime Environment and Screens

• اولین گردش کار و رنگ آمیزی/تجسم داده ها First Workflow and Data Coloring / Visualization

به علم داده خوش آمدید Welcome to Data Science

• اولین مشکل سرتاسری: آموزش به ماشین First end-to-end problem: Teaching to the machine

درک مسئله Understanding Problem

• انواع تجزیه و تحلیل: تحلیل توصیفی، پیش بینی و تجویزی Types of analytics: Descriptive, Predictive and Prescriptive Analytics

درک داده ها Understanding Data

• انواع داده ها و انواع مشکل Data Types and Problem Types

درک داده ها و پیش پردازش داده ها Understanding Data and Data Preprocessing

• مقدمه ای بر دستکاری و پیش پردازش داده ها Introduction to Data Manipulation and Preprocessing

• دسترسی به داده ها (فایل خوان، اکسل ریدر و ایجاد جدول) Data Accessing (File Reader, Excel Reader and Table Creator)

• کشف داده ها: تجسم اولیه Data Discovery: Basic Visualization

• کشف داده ها: نمونه های تجسم پیشرفته Data Discovery: Advanced Visualization Examples

• فیلتر ردیف و مقادیر از دست رفته Row Filtering and Missing Values

• فیلتر پیشرفته: فیلتر ردیف مبتنی بر قانون Advanced Filtering: Rule Based Row Filtering

• فیلتر کردن ستون Column Filtering

• الحاق Concatenation

• پیوستن (اتصال داخلی، چپ، راست یا کامل بیرونی) Join (Inner Join, Left , Right or Full Outer Joins)

• گروه بندی و تجمیع Grouping and Aggregation

• جایگزینی فرمول ریاضی و رشته Math Formula and String Replace

• داده های گسسته/کوانتیزه و Binning Discrete / Quantized Data and Binning

• عادی سازی Normalization

• عملیات محوری Pivot Operation

• EXTRA: Meta Node و Data Generation در Knime EXTRA : Meta Node and Data Generation in Knime

• تقسیم و ترکیب Splitting and Combining

• تبدیل نوع (رشته، عددی) Type Conversion (String, Numeric)

مدل سازی Modeling

• مقدمه ای بر یادگیری ماشینی: مجموعه داده های تست و آموزش Introduction to Machine Learning : Test and Train Datasets

• مقدمه ای بر یادگیری ماشینی: انواع مسئله Introduction to Machine Learning: Problem Types

طبقه بندی Classification

• قضیه بیز و مدل ساده بیز Bayes Theorem and Naive Bayes Model

• کاربرد Knime از الگوریتم Naive Bayes Knime Application of Naive Bayes Algorithm

• درخت تصمیم، به دست آوردن اطلاعات و شاخص جینی Decision Tree, Information Gain and Gini index

• تمرین درخت تصمیم با Knime Decision Tree Practicum with Knime

• k-الگوریتم نزدیکترین همسایه k-Nearest Neighbor Algorithm

• تمرین k-NN با Knime k-NN Practicum with Knime

• متریک فاصله Distance Metrics

• تمرین متریک فاصله Distance Metrics Practicum

• SVM: ماشین‌های بردار پشتیبانی SVM: Support Vector Machines

• تمرین SVM SVM Practicum

• تمرین پایان به پایان با همه الگوریتم ها End to End Practicum with all Algorithms

• رگرسیون لجستیک: نظریه Logistic Regression: Theory

• مقایسه الگوریتم های طبقه بندی Comparing Classification Algorithms

انجمن قانون کاوی/یادگیری Association Rule Mining / Learning

• مقدمه ای بر ARM/ARL و الگوریتم پیشینی An Introduction to ARM / ARL and A Priori Algorithm

• الگوریتم Apriori در عمل Apriori Algorithm in Action

خوشه بندی/تقسیم بندی Clustering / Segmentation

• مقدمه ای بر خوشه بندی و مفاهیم Introduction to Clustering and Concepts

• الگوریتم K-Means K-Means Algorithm

• K-Means: تعداد بهینه خوشه ها (k مقدار) و WCSS K-Means: Optimum number of clusters ( k value) and WCSS

• تمرین K-Means با Knime K-Means Practicum with Knime

• بهینه سازی تعداد خوشه ها (k مقدار) در Knime با جستجوی گرید Optimizing number of clusters (k value) in Knime with Grid Search

• خوشه بندی سلسله مراتبی: رویکردهای تجمعی و تقسیمی Hierarchical Clustering: Agglomerative and Divisive Approaches

• تمرین خوشه بندی سلسله مراتبی با Knime Hierarchical Clustering Practicum with Knime

• DBSCAN: رویکرد مبتنی بر چگالی DBSCAN : Density Based Approach

• تمرین DBSCAN DBSCAN Practicum

• مقایسه الگوریتم های خوشه بندی Comparison of Clustering Algorithms

رگرسیون/الگوریتم های پیش بینی Regression / Prediction Algorithms

• رگرسیون خطی Linear Regression

• تمرین رگرسیون خطی Linear Regression Practicum

• مقدمه ای بر ارزیابی مدل های رگرسیون Introduction to Evaluation of Regression Models

• کارآموزی ارزیابی ساده مدل های رگرسیون Practicum of Simple Evaluation of the Regression Models

• رگرسیون خطی چندگانه: نظریه و عمل Multiple Linear Regression: Theory and Practicum

• رگرسیون چند جمله ای Polynomial Regression

• درخت رگرسیون ساده Simple Regression Tree

• تمرین درخت رگرسیون ساده Simple Regression Tree Practicum

• مقایسه مدل های رگرسیون Comparison of Regression Models

• نمونه مشکل/راه حل: رگرسیون بازار سهام Sample Problem / Solution : Stock Market Regression

Knime به عنوان یک ابزار: ویژگی ها و نگهداری پیشرفته Knime Knime as a tool: Advanced Knime Features and Maintenance

• استاندارد و نظریه PMML PMML Standard and Theory

• اکشن PMML با Knime PMML Action with Knime

ارزیابی Evaluation

• مقدمه ای بر ارزشیابی Introduction to Evaluation

• مجموعه داده های پایه، صفر و نامتعادل Baseline, ZeroR and Imbalanced Data Sets

• مقایسه راه حل های داده های نامتعادل Comparison of Imbalanced Data Solutions

• نمودار ارزیابی Evaluation Chart