جهت اطلاع از وضعیت دوره ها و دوره های جدید آکادمی برنامه نویسان در کانال تلگرام ما عضو شوید .
عضویت در کانال تلگران آکادمی برنامه نویسان

دوره آموزشی داده کاوی Data Mining

دوره آموزشی داده کاوی Data Mining
  • مدرس : -
  • شروع دوره : -
  • طول دوره : -
  • روزهای برگزاری : -
  • شهریه :
توجه ! در کلاس از مطالب فیلم و صدا تهیه میشود و پایان هر جلسه در اختیار دانشجویان عزیر قرار داده خواهد .

شرح مختصری از دوره

دنیای کسب و کار پر از است از نامعلوم ها !  هیچکس نمی داند که مشتریان کنونی آیا قصد دارند به سمت رقبا بروند یا نه. میزان فروش در ماه آینده چگونه خواهد بود. به همین دلیل است که شرکتها مدل هایی را بوجود آوردند تا دلیل این نقاط مبهم یا نامعلوم را کشف کنند. داده کاوی ( تحلیل هایی که منجر به پیش بینی می شود) یکی از تکنیک هایی است که به شرکت ها کمک می کند تا مدل ها را بسازند. این مدل ها به تصمیم گیرندگان اصلی سازمان برای اتخاذ تصمیماتشان کمک خواهد کرد.

مخاطبان دوره

این دوره برای تمام افرادی است که هیچ دانشی در حوزه داده کاوی ندارند و قصد دارند که بر چگونگی پیاده سازی پروژه های داده کاوی با استفاده از سرویس  SQL Service Analysis Services ( SSAS ) تسلط پیدا کنند، دسته دیگر مخاطبین توسعه دهندگان پروژه های Business Intelligence هستند که بدنبال یادگیری راهکارهای داده کاوی هستند و در نهایت مدیران پروژه که نیاز دارند دید درستی از جنبه های کلیدی پیاده سازی راهکارهای داده کاوی داشته باشند.

سرفصل دوره

» آشنایی با مفاهیم داده کاوی
» آماده سازی داده ها: انتقال و پاکسازی داده ها
» مدلسازی داده ها بر اساس تکنیک های مدلسازی داده کاوی SQL Server
» معرفی ابزارهای مایکروسافت جهت پیاده سازی داده کاوی در SQL Server Analysis Services
» معرفی و تشریح الگوریتم های داده کاوی مایکروسافت (خوشه بندی، درخت تصمیم، رگرسیون خطی، الگوریتم بیز، الگوریتم های سری زمانی، الگوریتم شبکه عصبی، رگرسیون منطقی، الگوریتم وابستگی و …)
» آشنایی با اصول زبان برنامه نویسی R
» آشنایی با اصول زبان برنامه نویسی R
» نصب ابزار R Tools for Visual Studio
» تکنیک های انتقال و پاکسازی داده ها با زبان R
 
Data Mining Concepts

  • Introduction
  • Course Materials
  • Facilities
  • Prerequisites
  • Concepts and Terminology
  • Data Mining and Results
  • CRISP-DM
  • Business Problems for Data Mining
  • Models, Induction, and Prediction
  • Data Mining Tasks
  • Key Concepts
 
SQL Server Analysis Services Data Mining Tools
  • Introduction to SQL Server Data Tools
  • Project Walk-Through
  • Stepping Through the Data Mining Wizard
  • Testing and Validation of Mining Models
  • Cross Validation
  • The Mining Model Prediction Tab
  • Reports
 
The Microsoft Data Mining Algorithms
  • Types of Data Mining Algorithms
  • Microsoft Decision Trees Algorithm
  • Microsoft Linear Regression Algorithm
  • Microsoft Clustering Algorithm
  • Microsoft Nave Bayes Algorithm
  • Microsoft Association Algorithm
  • Microsoft Sequence Clustering Algorithm
  • Microsoft Time Series Algorithm
  • Microsoft Neural Network Algorithm
  • Microsoft Logistic Regression Algorithm
 
Excel PowerPivot Data Mining Add-ins
  • Data Mining Tab
  • Connection
  • Data Preparation
  • Management
  • Model Usage
  • Accuracy and Validation
  • Data Modeling
  • Visio Data Mining Add-In
 
R Language and Data Analysis
  • Getting started and working with data
  • Basic data types and operations
  • Data Frames
  • Importing, saving, exporting, and re-using data
  • Common R functions for numbers, factors, text, and dates
  • Vector-oriented computation
  • Sorting, ranking, and printing
  • Reading and writing data with R
  • Reading tables and CSV files, row and column headers, delimiters. Built-in data.
  • Cleaning and transforming data
  • Writing R scripts and functions
  • Loops and conditions
  • Flow control, functions and classes in R, executing R scripts from GUI and command line
  • Visualizing data and Exploratory Data Analysis
  • Exploring and plotting relationships between variables
  • Visualizations for categorical and continuous data, scatter plots, box plots, pie charts, histograms, bar plots, dot charts, and the char object