سرفصل

زمان

بخش اول: آشنایی با داده کاوی و ضرورت آن به عنوان یک روش حل مساله

·         چرا داده ­کاوی؟ تفاوت داده­ کاوی نسبت به سایر روش ­ها

12:00–9:00

·         مروری بر ادبیات داده­ کاوی و وظایف آن و روش ­های یادگیری باناظر و بی­ ناظر

·         آشنایی با نرم افزارهای داده­ کاوی؛ تفاوت­ ها و نقاط قوت و ضعف هر کدام

·         ارائه مثال­ هایی موردی از پروژه­ های داده­ کاوی

بخش دوم: شناسایی و آماده ­سازی داده­ ها

·         فراخوانی داده­ ها در محیط نرم­ افزار رپیدماینر

·         بررسی کیفیت داده­ ها و پاک­سازی

·         تشخیص داده­ های پرت، کاهش ابعاد داده­ ها، انتخاب ویژگی

بخش سوم: مدل ­های پیش­ بینی کننده

(روش­ های باناظر)

·         رده­بندی با درخت­ های تصمیم، مدل­ های مبتنی بر قاعده، رگرسیون، شبکه‌های عصبی مصنوعی

17:00–14:00

·         استنتاج مبتنی بر مورد، بررسی مدلk نزدیکترین همسایگی  (KNN)

·         مدل­ های تلفیقی  (Bagging, Boosting)

·         ارزیابی مدل­ های پیش­بینی کننده

بخش چهارم: مدل­ های بی ­ناظر

·         انواع تکنیک­ های خوشه­ بندی

·         ارزیابی مدل­ های خوشه­ بندی

·         قوانین انجمنی