داده کاوی در SPSS Modeler

  • خانه
  • داده کاوی در SPSS Modeler

[vc_row row_height_type=”fixed_height_screen” height=”100″ min_height=”500″ nav_skin=”light” consent_include=”include” el_design=”{“desktop“:{“padding-top“:“45“,“padding-bottom“:“45“}}” custom_bg_color=”{“solid“:{“id“:“Light background“,“color“:“#f7f8fd“}}”][vc_column el_design=”{“desktop“:{“padding-top“:“45“,“padding-right“:“15“,“padding-bottom“:“0“,“padding-left“:“15“}}” width=”1/2″ css_animation=””][vc_empty_space height=”120px”][vc_content_box style=”style_custom” shadow=”big_shadow” shadow_hover=”no_shadow” overflow=”” el_design=”{“desktop“:{“padding-top“:“45“,“padding-right“:“45“,“padding-bottom“:“45“,“padding-left“:“45“}}” border_hover=”default” width=”400″ equal_height=”” alignment=”align_right” vertical_align=”horizontal_align=” horizontal_align=”” css_animation=”wtbx-anim-bottom-to-top-small” css_animation_easing=”wtbx_easing-natural” css_animation_duration=”wtbx-duration-1000″ css_animation_delay=”” bg_color=”{“solid“:{“id“:“custom_color“,“color“:“rgba(255,255,255,1)“}}”][vc_icon size=”40px” cont_size=”1em” css_animation=”” icon=”{“font“:“fontawesome“,“icon“:“fa fa-quote-left“}” icon_color=”{“solid“:{“id“:“Main accent color“,“color“:“#8571ea“}}”][vc_text_element typography=”{“variants“:“400_italic“,“font_size“:“17px“}” css_animation=””]

  • مدت دوره: ۴۰ ساعت
  • مخاطب دوره: دانشجویان، پژوهشگران و متخصصان علاقه‌مند به حوزه داده
  • دوره های پیش نیاز: آشنایی مقدماتی با مفاهیم علوم داده
  • مدرسین دوره: زهرا ذوالقدر . محمد روزبه
  • مکان برگزاری کلاس: در شرکت همکار گروه داده کاوی دایکه

[/vc_text_element][vc_empty_space height=”15px”][vc_text_element typography=”{“variants“:“700“,“font_size“:“14px“}” css_animation=”” color=”{“id“:“Dark color“,“color“:“#151221“}”]- VstaCompany[/vc_text_element][/vc_content_box][/vc_column][vc_column el_design=”{“desktop“:{“padding-top“:“100“,“padding-right“:“15“,“padding-bottom“:“15“,“padding-left“:“15“}}” width=”1/2″ css_animation=””][vc_image_element image=”10621″ size_type=”fixed” alignment=”center” preloader=”” css_animation=””][/vc_column][/vc_row][vc_section nav_skin=”light”][vc_row nav_skin=”light” consent_include=”include”][vc_column css_animation=””][vc_list_item style=”style_2″ skin=”light” css_animation=””]

  • دستاورد دوره

    شرکت کنندگان پس از پایان دوره، توانایی شناخت درست و تعریف مسائل در چهارچوب ادبیات داده کاوی را خواهند داشت. همچنین می توانند مطابق با استاندارد اجرایی DM-CRISP پروژه های داده کاوی را بصورت گام به گام پیش برده و از قابلیت های نرم افزار پیشرفته SPSS Modeler در انجام فعالیت های خود استفاده نمایند.

    محتوای دوره

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

    • ضرورت، پیشینه، تعاریف
      • چرا داده کاوی؟
      • جایگاه داده کاوی نسبت به سایر متدها
      • ویژگی های داده کاوی و عوامل موفقیت آن
      • کاربردهای بالقوه داده کاوی
    • مروری بر ادبیات داده کاوی و وظایف آن
      • روش های یادگیری با راهنما و بدون راهنما
      • وظایف شش گانه داده کاوی
    • آشنایی با نرم افزار های داده کاوی؛ تفاوت ها و نقاط قوت و ضعف هر کدام
    • معرفی استانداردهای موجود در داده کاوی
    • داده کاوی چگونه کار می کند؟  آشنایی با فرآیند استاندارد داده کاوی CRISP-DM
    • ارائه نمونه های موردی از پروژه های داده کاوی

    بخش دوم: شناسایی و آماده سازی مقدماتی داده ها

    • جمع آوری داده ها در محیط نرم افزار
      • فراخوانی داده ها در محیط SPSS Modeler14.2
      • یکپارچه سازی داده ها
    • بررسی کیفیت داده ها و پاکسازی
      • بررسی شاخص های کیفی داده ها و نحوه برخورد با آنها
      • تشخیص رکوردهای پرت با استفاده از آنالیز چندمتغیره Anomaly Detection
    • کاهش ابعاد داده ها و ساخت شاخص ها
      • کاهش ابعاد سطری داده ها
      • انتخاب ویژگی های موثر (Feature Selection)
      • تعریف شاخص های مرتبط و ایجاد آنها

    بخش سوم: مدل های پیش بینی کننده 

    • مدل های مبتنی بر قانون
      • طبقه بندی: انواع درخت های تصمیم
      • استفاده از درخت های رگرسیونی به منظور پیش بینی
    • مدل های جعبه سیاه
      • ساخت مدل های پیش بینی کننده با شبکه های عصبی مصنوعی
    • استنتاج مبتنی بر مورد
      • بررسی مدل K- نزدیکترین همسایگی (KNN)
    • مدل های تجمیعی (Bagging, Boosting, Ensemble)
    • استفاده از ابزار مدلسازی پیش بینانه اتوماتیک و رتبه بندی مدل ها
    • ارزیابی پیشرفته مدل های پیش بینی کننده (بررسی شاخص های ماتریس پریشانی و نمودارها)

    بخش چهارم: مدل های بدون راهنما

    • انواع تکنیک های خوشه بندی ( بررسی الگوریتم های K-Means و Two-Step)
    • ارزیابی مدل های خوشه بندی
    • استفاده از ابزار مدلسازی خوشه بندی اتوماتیک و رتبه بندی مدل ها
    • قوانین پیوند (بررسی الگوریتم Apriori و استفاده از گراف Web)

[/vc_list_item][/vc_column][/vc_row][/vc_section]