دوره آموزش داده کاوی با زبان برنامه نویسی Python

مدرس دوره : محسن یزدی نژاد


عنوان دوره طول دوره زمان برگزاری تاریخ شروع دوره شهریه استاد وضعیت ثبت نام ثبت نام
دوره آموزش داده کاوی با زبان برنامه نویسی Python 14 جلسه 42 ساعت دوشنبه از ساعت 17:30 الی 20:30
چهارشنبه از ساعت 17:30 الی 20:30
دوشنبه ۱۸ آذر ۱۳۹۸ 1,180,000 تومان محسن یزدی نژاد

سرفصل و محتوای دوره ی آموزش داده کاوی با زبان برنامه نویسی Python 

مدت دوره: 42 ساعت

پیشنیاز دوره: ندارد (مطالبی که در پایتون برای داده کاوی مورد نیاز است در جلسات اول کلاس مورد بحث و بررسی قرار میگیرد) 

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