دوره آموزشی داده کاوی با پایتون Data Mining with Python

دوره آموزشی داده کاوی با پایتون (Data Mining with Python)

ساعت آموزشی مورد نیاز

70 ساعت

مدرس

علی عاقلی – سهیل تهرانی‌پور

مخاطبین دوره

دانشجویان و فارغ‌التحصیلان رشته‌های فناوری‌اطلاعات، مهندسی صنایع، آمار، ریاضیات، مدیریت، کلیه گرایش‌های مهندسی برق و کلیه علاقه‌مندان به حوزه علم داده وهوش‌مصنوعی

هدف برگزاری دوره

انتقال مهارت به مخاطبان در استخراج دانش و الگوها از داده ها

پیش‌نیازها

• آمار و احتمالات
• برنامه نویسی پایتون

فضای شغلی پس از گذراندن دوره

افرادی که به داده‌کاوی مسلط هستند به دلیل توانایی استخراج دانش و الگوها از داده‌ها در بسیاری از زمینه‌ها می‌توانند مشغول به فعالیت شوند از آن جمله می‌توان به موارد ذیل اشاره نمود:

• بازاریابی

• تحلیل رفتار مشتریان
• شخصی سازی محصولات و خدمات
• بهبود فرآیند بازاریابی و افزایش فروش
• طراحی کمپین‌های موثرتر بازاریابی

• مالی

• تشخیص تقلب
• ارزیابی ریسک
• پیش‌بینی بازار
• مدیریت پرتفوی سرمایه گذاری

• سلامت

• کشف داروهای جدید
• تشخیص زودهنگام بیماری‌ها
• شخصی سازی درمان
• بهبود خدمات بهداشتی

• مدیریت و مهندسی صنایع

• بهینه‌سازی فرآیند تولید
• کاهش هزینه‌ها
• بهبود کیفیت محصولات
• پیش‌بینی تقاضا

سرفصل‌های دوره

Introduction to Data Mining and Problem Solving

Definition, Tasks, CRISP-DM

Data Preprocessing

Exploratory Data Analysis (EDA)   

Descriptive statistics (central tendency, dispersion, and distributional characteristics, graphs)

Hypothesis Testing

Data Cleaning   

Feature Screening

Handling out-of-range values and inconsistencies

Handling outliers and missing values

Data Transformation   

Feature construction

Feature discretization

Feature transformation

Encoding

Scaling

Dimension Reduction   

Feature Selection

Feature Extraction

Data Modeling

Evaluation Designs   

Regression Models   

Regression Trees

Linear Regression

Neural Network

SVM (Support Vector Machines)

Random Forest

XGBoost

Ensemble Models

Classification Models   

Decision Trees

Naïve Bayes

Logistic Regression

Neural Network

SVM (Support Vector Machines)

Random Forest

XGBoost

Ensemble Models

Clustering Models   

K-means

Hierarchical

DBSCAN

Association Rules Models   

Apriori

Evaluation Models   

Regression, Classification, Clustering, and Rules Evaluation Metrics