پایتون ویژه داده کاوی (data mining)

مقدمه ، مفاهیم و نصب      

• مقدمه : اهداف دوره
• مفاهیم ( داده کاوی و یادگیری ماشین)
• نصب ابزار پایتون و Anaconda 
• آشنایی با پای چارم و نصب آن
• آشنایی با پایتون و دستورات آن  
• تعریف شی گرایی و آشنایی با کتابخانه ها و پکیج های پایتون

تشریح داده

• ورود داده  های ساختاریافته و نیمه ساختاریافته
• آشنایی با کتابخانه Matplotlib 
• آشنایی با numpy 
• رسم نمودار هیستوگرام Hist  و تحلیل توزیع داده ها
• رسم نمودار boxplot ,  و تشخیص داده های پرت
• رسم نمودار پراکندگی scatter
• رسم نمودار Pie  
• رسم نمودار سه بعدی پراکندگی  
• تحلیل و تشریح داده ها با مصورسازی
• اطلاعات آماری داده

پیش پردازش( پاکسازی داده ها)

• تشخیص و حذف داده از دست رفته
•  جایگزینی داده از دست رفته  با روشهای آماری و مدلسازی
• حذف داده پرت  با روش isolation forest
• حذف داده پرت  با روش one-svm
• حذف داده پرت با LOF
• گسسته سازی Discretization با چند روش
• نرمالسازی و scaling
• نمونه برداری داده

یادگیری ماشین ( طبقه بندی)  

•  نصب کتابخانه های machine learning
•  آشنایی با sklearn
•  مدلسازی با جنگ تصادفی ( مفاهیم و کدنویسی)
•  مدلسازی با شبکه عصبی ( مفاهیم و کدنویسی)
•  مدلسازی با کانزدیکترین همسایه ( مفاهیم و کدنویسی)
•  مدلسازی با گرادیان بوستینگ  GTB ( مفاهیم و کدنویسی)

یادگیری ماشین ( خوشه بندی)  

• الگوریتم کامینز
• روش سلسه مراتبی

یادگیری ماشین ( قواعد انجمنی)

• روش Apriori

  ارزیابی  

•  مفهوم پارامترهای ارزیابی 
•   دقت کل Accuracy
•  ماتریس درهم ریختگی confusion matrix
•  دقت کلاس های مثبت و منفی Recall
•  نمودار Roc
•  نمودار Regplot