سرفصل و محتوای آموزش Python for Data Mining

مدت دوره: 44 ساعت

پیشنیاز دوره: آشنایی با مفاهیم برنامه نویسی و بانک های اطلاعاتی 

مخاطبین دوره: مهندسان و دانشمندان و تمام علاقه مندان به حوزه علوم داده و داده کاوی

معرفی دوره:

 امروزه استخراج دانش و کشف الگوها و مفاهیم پنهان از داده ها نقش به سزایی در پیشرفت کسب و کارها پیدا کرده است. زبان برنامه نویسی پایتون (Python) نیز یکی از محبوبترین و متداول ترین ابزارهای موجود برای استخراج دانش از داده هاست.

در این دوره مفاهیم داده کاوی، الگوریتمها و روشها به صورت تئوری مطرح میشود. سپس طبق فرایند CRISP مراحل مختلف انجام یک پروژه داده کاوی در پایتون (Python)  به صورت عملی و کاربردی آموزش داده می شود.

مشاهده ی رزومه استاد دوره

سرفصل دوره:

مقدمه ای بر برنامه نویسی در پایتون

          - نصب پایتون و پکیج های مرتبط

          - انواع داده ها

          - انواع عملگرها

          - ساختارهای کنترلی

          - توابع

 مفاهیم و مبانی داده کاوی

       - مقدمه ای بر داده کاوی

       - درک، پاکسازی و پیش پردازش داده ها

       - مدلسازی 

             الگوریتم های رده بندی ( Classification Algorithms)

             الگوریتم های رگرسیون (Regression Algorithms)

             الگوریتم های خوشه بندی (Clustering Algorithms)

             الگوریتم های کشف الگوهای مکرر و قواعد انجمنی (Frequent Patterns & Association Rules Mining Algorithms)

             روش های یادگیری جمعی

       - آشنایی با روش های مختلف ارزیابی مدل ها

پیاده سازی مراحل داده کاوی در پایتون

        - پیش پردازش داده ها (Data Pre-processing)

        - رده بندی و رگرسیون (Classification and Regression)

               درخت تصمیم (Decision Tree)

               بیز ساده (Naïve Bayes)

               شبکه عصبی پرسپترون چند لایه (Multi Layer Perceptron)

               ماشین بردار پشتیبان (Support Vector Machine)

               نزدیکترین همسایگی (K-Nearest Neighbors)

               رگرسیون خطی (Linear Regression)

               رگرسیون لجستیک (Logistic Regression)

               روش های یادگیری تجمعی (Ensemble Learning)

        - خوشه بندی (Clustering)

               الگوریتم K-means

               الگوریتم DBSCAN

         - کشف الگوهای مکرر و قواعد انجمنی 

               الگوریتم Apriori

               الگوریتم Fp-frowth

      - روش های ارزیابی مدلها (Evaluation)

              ارزیابی مدلهای رده بندی

              ارزیابی مدلهای رگرسیون

              ارزیابی مدلهای خوشه بندی

              ارزیابی الگوهای پرتکرار و قواعد انجمنی

روش ­های تجمیعی در داده ­کاوی (Ensemble methods)

o     روش­ های پایه (Basic methods)

o        Bagging

o        Boosting

o        Stacking

o        XGBoost

o        LightGBM

o        CatBoost

 مهندسی ویژگی­ ها (Feature Engineering)

o        انواع روش­ های ساخت ویژگی ­های جدید (Feature Creation)

o       روش­ های متداول و به­ روز در انتخاب ویژگی ها (Feature Subset Selection)