آموزشگاه برنامه نویسی تحلیل داده
آموزشگاه برنامه نویسی تحلیل داده

آموزش داده کاوی و یادگیری ماشین

پیشنیاز : برنامه نویسی پایتون
تاریخ شروع طول دوره ساعت برگزاری نام استاد هزینه (تومان) وضعیت
1399/09/21 40 ساعت جمعه ها ساعت 13 تا 17 مهندس مصطفایی 1,300,000 ثبت نام

توجه: از دانشجویان عزیز تقاضا میگردد جهت قطعی کردن ثبت نام با آموزشگاه تماس بگیرند.

دوره آموزش داده کاوی

آموزش داده کاوی و یادگیری ماشین


چرا در دوره آموزش داده کاوی با پایتون شرکت کنیم؟

در بیان ضرورت آموزش داده کاوی همین نکته بس که با توجه به حجم عظیم داده هایی که این روزها ما را احاطه کرده است، یکی از مهم‌ترین دغدغه‌های هر کسب و کاری، کسب آگاهی نسبت به دانش با ارزش علم داده است تا بتوانند با استفاده از این دانش به بینشی دست یابند که از آن برای تصمیم گیری های سازمانی استفاده کنند. برای بررسی داده ها و دستیابی به الگوهای پنهان میان آنها باید با فرآیندها، تکنیک‌ها و ابزار داده کاوی آشنا باشیم و به همین دلیل است که این روزها موضوعات مرتبط با آموزش داده کاوی و ابزار آن با استقبال بسیار خوبی در میان جامعه علمی و صنعتی کشور مواجه شده است.


از جمله ابزارهای مطرح در آموزش داده کاوی می‌توان به نرم افزارهای رپیدماینر، وکا و زبان‌های برنامه‌ نویسی همچون R و پایتون اشاره کرد. در این میان، زبان برنامه نویسی پایتون یک زبان چند منظوره است که طراحی آن با هدف سهولت در خواندن و نوشتن این زبان انجام گرفته است. زبان برنامه نویسی پایتون یکی از مهمترین، قوی ترین و پر کاربرد ترین زبان های برنامه نویسی حال حاضر است که نظر مخاطبین مختلفی را به خود جلب کرده است. یکی از مهمترین حوزه های کاربرد زبان برنامه نویسی پایتون در علوم داده و پردازش های آکادمیک یا حتی پیشرفته در این حوزه است.


چرا داده کاوی

داده کاوی فرآیندی است که برای تبدیل داده های خام به اطلاعات مفید مورد استفاده قرار می گیرد. شرکت ها برای کسب اطلاعات بیشتر راجع به مشتریان و توسعه استراتژی های بازاریابی خود، افزایش فروش و کاهش هزینه ها می توانند از نرم افزارهایی استفاده کنند که الگوهای موجود در دسته های بزرگ داده را مشخص کنند. فرایند داده کاوی به جمع آوری موثر داده ها، ذخیره و پردازش کامپیوتری آنها وابسته است.


نرم افزار داده کاوی و ذخیره داده ها

برنامه های داده کاوی ، روابط و الگوهای موجود در داده ها را بر اساس درخواست کاربر مورد ارزیابی و تحلیل قرار می دهند. برای مثال، یک شرکت می تواند از نرم افزار داده کاوی برای ایجاد کلاس های اطلاعاتی استفاده کند. برای درک بهتر، رستورانی را تصور کنید که از داده کاوی استفاده می کند تا زمان مناسب برای ارائه پیشنهادهای خاص را مشخص کند. برای این کار از اطلاعات جمع آوری شده استفاده می کند و کلاس هایی را بر اساس زمان مراجعه مشتری ها و چیزهایی که سفارش داده اند ایجاد می کند. در دیگر موارد، کارشناسان داده کاوی دسته هایی از اطلاعات را بر اساس روابط منطقی پیدا می کنند یا از الگوهای تجمعی و ترتیبی استفاده می کنند تا اطلاعاتی را راجع به الگوهای رفتاری مشتری بدست آورند.


ذخیره داده ها بخش مهمی از داده کاوی را تشکیل می دهد. ذخیره داده زمانی صورت می گیرد که شرکت ها داده های خود را در یک برنامه یا پایگاه داده متمرکز می کنند. با استفاده از چنین پایگاه داده هایی، یک سازمان می تواند امکان دسترسی به بخش هایی از داده ها را برای کاربران خاص فراهم کند تا این کاربران بتوانند داده ها را مورد تحلیل و استفاده قرار دهند.


مثالی از داده کاوی

فروشگاه های خواربار فروشی از جمله شناخته شده ترین گروه هایی هستند که تکنیک های داده کاوی را مورد استفاده قرار می دهند. بسیاری از سوپرمارکت ها کارت های رایگانی را در اختیار برخی از مشتری های خود می گذارند تا امکان خرید اجناس با قیمت های تحفیف خورده را برای آنها فراهم کنند. کارت ها این امکان را برای مدیر فروشگاه فراهم می کند تا ببیند که مشتری ها چه اجناسی را، در چه زمانی و با چه قیمتی خریداری کرده اند. پس از ارزیابی داده ها، فروشگاه می تواند از داده ها استفاده کند و کوپن هایی را بر اساس عادت های خرید مشتریان به آنها پیشنهاد دهد و راجع به اینکه چه زمان اجناس را با قیمت کامل و چه زمان با تخفیف بفروشد نیز تصمیم گیری کند.


یادگیری ماشین چیست

یادگیری ماشین گرایشی از هوش مصنوعی و به این معنی است که یک برنامه کامپیوتری می تواند بدون دخالت انسان داده های جدید را دریافت کرده و خود را با آنها سازگار کند و همین تعریف ضرورت آموزش یادگیری ماشین را برای ما مشخص می کند. یادگیری ماشین می تواند برای تجزیه اطلاعات عظیم و کمک به فرایند تصمیم گیری مفید باشد و در زمینه های مختلفی همچون سرمایه گذاری، تبلیغات، کشف کلاهبرداری، سازماندهی اخبار و ... مورد استفاده قرار بگیرد.


عملکرد یادگیری ماشین

چگونگی عملکرد یادگیری ماشین را می توان با ارائه مثالی در فضا مالی شرح داد. پیشتر، سرمایه گذاران بازارهای تضمینی همچون پژوهشگران مالی، تحلیلگران، مدیران دارایی و سرمایه گذاران اختصاصی در اطلاعات مربوط به شرکت های مختلف در سراسر جهان جستجو می کردند تا بتوانند تصمیم گیری های سودمندی را در زمینه سرمایه گذاری اتخاذ کنند. با این وجود، گاهی اطلاعات مربوط به یک شرکت خاص، تنها در اختیار کارمندان آن قرار می گرفت و افراد خارج از شرکت به آن دسترسی نداشتند؛ علاوه بر این، افراد بسیاری وجود دارند که می توانند این اطلاعات را جمع آوری و پردازش کنند؛ اما این نقطه، آغاز استفاده از یادگیری ماشین است.


یک شرکت مدیریت دارایی ممکن است از یادگیری ماشین در زمینه پژوهش و تحلیل سرمایه گذاری خود استفاده کند. به مدیر دارایی گفته می شود که تنها بر روی سهام معدن سرمایه گذاری کند. مدل ساخته شده در سیستم، وب را اسکن می کند و تمامی انواع اطلاعات مربوط به شرکت های تجاری، صنایع، شهرها و کشورها را جمع آوری می کند که این اطلاعات جمع آوری شده دیتاست را شکل می دهد. مدیران دارایی و پژوهشگران شرکت قادر نخواهند بود که با استفاده از نیروهای انسانی خود به اطلاعات موجود در دیتاست دسترسی پیدا کنند. پارامترهای ساخته شده در مدل، تنها داده های مربوط به شرکت های معدن، سیاست های تنظیم شده برای بخش حفاری و رویدادهای سیاسی در کشورهای انتخابی از دیتاست هستند.


توضیحاتی راجع به دوره آموزش داده کاوی با پایتون

در دوره آموزش داده کاوی ، چگونگی اجرا داده کاوی و یادگیری ماشین با استفاده از زبان پایتون برای دانشجویان بصورت مفصل شرح داده می شود. به دانشجویان عزیز توصیه می شود که برای شرکت در دوره، آشنایی کلی با اصول و مفاهیم داده کاوی داشته باشند (اگرچه در صورت نیاز، این مفاهیم با جزئیات بیشتری در طول دوره تشریح خواهند شد). تئوری مطالب هر بخش در ابتدای هر درس گفته می شود و سپس الگوریتم های مربوطه به صورت عملی در محیط پایتون پیاده سازی خواهند شد. شرکت کنندگانی که در این دوره ثبت نام می کنند، در محیطی دوستانه و در کنار یکدیگر، به کمک مدرس دوره و با روش تعاملی، تمامی پروژه ها و برنامه های نوشته شده در کلاس را "خودشان" پیاده سازی می کنند.



مخاطبان دوره

  • برنامه نویسان و کاربران سیستم‌ها و راهکارهای داده کاوی و تحلیل داده
  • توسعه دهندگان سامانه های هوش تجاری BI و Data Mining
  • دانشجویان، پژوهشگران و کارشناسان در حوزه‌ی داده کاوی و بیگ دیتا
  • کارشناسان و علاقه مندان به داده کاوی که می خواهند پروژه دانشجویی یا پروژه سازمانی خود را به کمک راهکارهای هوش تجاری اوراکل اجرا و پیاده سازی کنند

پیشنیاز دوره

  • دوره مقدماتی پایتون برای کاربردهای علم داده
  • مفاهیم داده کاوی و یادگیری ماشین

اهداف دوره

آموزش نحوه پیاده سازی پروژه های داده کاوی و یادگیری ماشین در نرم افزار پایتون بصورت کاربردی



سرفصل دوره آموزش داده کاوی و یادگیری ماشین

1. مقدمه ای بر علم داده

  1. تاریخچه
  2. چگونگی دستیابی به نتایج مناسب

2. مقدمه ای بر یادگیری ماشین

  1. مفاهیم، کاربردها و انواع روش های یادگیری ماشین
  2. مفاهیم Overfitting & Underfitting
  3. مفاهیم bias and variance problems
  4. Regularization & Feature selection

3. پاکسازی و پیش پردازش داده ها

  1. شیوه برخورد با missing values
  2. مواجهه با داده های از نوع طبقه بندی Categorical data))
  3. انتخاب ویژگی های مرتبط با هدف یادگیری
  4. Encoding class labels
  5. مشکلات هم مقیاس نبودن داده ها و انواع روش های هم مقیاس کردن ویژگی ها
  6. کاهش پیچیدگی مدل از طریق تابع هدف جریمه (L1 and L2 regularization )

4. یادگیری نظارت شده

  • Classification

  1. کار با دیتاست های نمونه
  2. K-nearest Neighbors
  3. Perceptron classifier
  4. Linear models
  5. Naive Bayes Classifier
  6. Decision Trees
  7. Random forests
  8. SVM
  9. Kernelized Support vector machines
  10. Logistic Regression

  • Pipelines


  • Regression

  1. نمایش گسترده دیتاست برای کشف همبستگی بین فیچرها و تابع هدف
  2. رویکردهای مختلف برای پیاده سازی رگرسیون خطی
    1. معرفی Simple Linear Regression
    2. معرفی Multiple Linear Regression
  3. کاهش تاثیر نویز در مدل رگرسیون
  4. ارزیابی مدل رگرسیون
  5. آموزش Non-Linear Regression

5. کاهش ابعاد

  1. تکنیک کاهش ابعاد برای داده های غیر نظارت شدهPrincipal Component Analysis (PCA)
  2. تکنیک کاهش ابعاد برای داده های نظارت شدهLinear Discriminant Analysis (LDA)
  3. Nonlinear dimensionality reduction via Kernel Principal Component Analysis (KPCA)

6. یادگیری غیر نظارت شده

  1. Clustering
  2. K_means clustering
  3. Agglomerative clustering
  4. DBSCAN clustering
  5. مقایسه انواع الگوریتم های خوشه بندی
  6. bottom-up approach to building hierarchical clustering trees

7. الگوهای مکرر و قواعد انجمنی


8. اعتبارسنجی مدل و بهبود

  1. Cross-Validation
  2. Fine-tuning machine learning models via grid search
  3. Obtain unbiased estimates of a model's performance
  4. بررسی مشکلات رایج در مسائل یادگیری ماشین
  5. ارزیابی مدل پیش بینی با معیارهای مختلف


دوره آموزش داده کاوی،دوره آموزش یادگیری ماشین،داده کاوی با پایتون،یادگیری ماشین با پایتون،آموزش Data Mining،آموزش Machine Learning
ارسال دیدگاه نظرات کاربران
شماره موبایل دیدگاه
عنوان پست الکترونیک

ارسال
آموزشگاه برنامه نویسی تحلیل داده
آموزشگاه برنامه نویسی تحلیل داده

تمامی حقوق این سایت متعلق به آموزشگاه تحلیل داده می باشد .