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