آموزش داده کاوی با Rapid miner

مقدماتی

• ورود داده و پیش پردازش

• نصب برنامه
• شناخت داده ها( تعریف، انواع داده، انواع مجموعه داده)
• پاکسازی داده( داده پرت و نویز،
•  داده از دست رفته
• و روش های برخورد، داده تکراری
• روش های تشخیص داده پرت: مبتنی بر فاصله Knn  ،LOF
• جمع آوری داده(Integration)
• تجمیع(aggregation)
• نمونه برداری(sampling)
• کاهش ابعاد
• انتخاب ویژگی
• تولید ویژگی
• گسسته سازی

دسته بندی (مدل های با ناظر)

• ارزیابی مدل ها( پارامترها، ماتریس درهم ریختگی، نمودار (ROC
• رده بندی و پیش بینی( درخت تصمیم، شبکه عصبی، بیز ساده، نزدیکترین همسایه، بردار پشتیبان، به خاطرسپاری، رگرسیون، روشهای جمعی بگینگ و بوستینگ و ...

مدل های بدون ناظر(خوشه بندی و قوانین انجمنی)

• خوشه بندی( روشهای معمول k-means- k-mediods
• روش های ارزیابی خوشه بندی
• تعریف روش های موجود رپیدماینر(apriori، fp- growth)
• ارزیابی

پیشرفته

روش های دیگر تشخیص داده پرت( LIbSVM   ، خوشه بندی)

• الگوریتم ژنتیک
• الگوریتم ازدحام ذرات
• Relief
• رده نامتوازن( روش های برخورد با حل مشکل رده نامتوازن)
• SOM
• تبدیل متغیر هدف چند مقداری به دو مقداری
• حل مثال RFM در نرم افزار و تحلیل خوشه بندی
• نمودار Pareto
• Compare Roc
• مشاوره پایان نامه و نوآوری
•