سرفصل و محتوای دوره ی مباحث پیشرفته در داده کاوی با پایتون

طول مدت دوره : 30 ساعت

پیشنیاز دوره: دوره آموزش داده کاوی با ابزار Python 

مخاطبین دوره: مهندسان و دانشمندان علوم داده

سرفصل دوره:

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)

  سری زمانی

o        روش­ های آماری و LSTM

o        ساخت شاخص ­های مرتبط و استفاده از الگوریتم­ های یادگیری ماشین

 سیستم­های توصیه ­گر - روش ­های پالایش مشارکتی (Collaborative Filtering Recommender Systems)

o        روش­ های Item based و User based

o        تعبیه ­سازی کاربران و آیتم­ ها با استفاده از یادگیری عمیق (Deep Learning; Embedding method)

 وب­ کاوی (Web Mining)

o        جمع­ آوری اطلاعات از وب Web Scrapping

o        استفاده از APIهای شبکه­ های اجتماعی برای جمع­ آوری اطلاعات تلگرام، توییتر و ...

متن ­کاوی (Text Mining)

o        مبانی و مفاهیم متن کاوی

o         پیش پردازش و نرمال­ سازی متن (Text Normalization)

o         مقدمه ای بر عبارات منظم (Regular Expression)

o        رده بندی و خوشه بندی متن با استفاده از الگوریتم های یادگیری ماشین (Text Clustering and Classification)

o         نمایش برداری کلمات و تعبیه سازی کلمات (Vector Representation of Words – Word Embedding)

o         یادگیری عمیق در پردازش زبان طبیعی (Deep Learning in NLP)

o        تحلیل احساسات (Sentiment Analysis)