داده‌کاوی

امروزه در حوزه‌های مختلف، داده‌های متنوعی در دسترس هستند که استخراج اطلاعات مفید از آن‌ها دارای اهمیت زیادی است. درس داده‌کاوی روش‌هایی برای کاوش انواع داده و استخراج دانش از آن‌ها ارائه می‌دهد. پس از معرفی مسائل مطرح در داده‌کاوی، این درس به انواع داده و روش‌های آماده‌سازی آن، مصورسازی داده، رگرسیون، دسته‌بندی، خوشه‌بندی و قواعد با‌هم‌آیی می‌پردازد.

1. معرفی داده‌کاوی و مسائل مطرح
2. انبار داده‌ها
3. پیش‌پردازش و آماده‌سازی داده: حذف نویز، داده‌های پرت، داده گمشده، نمونه‌برداری، نرمال‌سازی، گسسته‌سازی، کاهش بعد
4. انواع معیارهای فاصله و شباهت
5. مصورسازی
6. رگرسیون: رگرسیون خطی، غیرخطی، چند متغیره، روش نزول گرادیان، روش نزول گرادیان تصادفی
7. بیش‌برازش، کم‌برازش، منظم‌سازی (Tikhonov, lasso)
8. دسته‌بندی: معرفی، معیارهای ارزیابی، روش‌های ارزیابی
9. دسته‌بندی: درخت تصمیم، روش k نزدیکترین همسایه، روش‌های بیزی، بیز ساده، ماشین بردار پشتیبان، شبکه‌های عصبی، روش‌های گروهی، جنگل تصادفی
10. خوشه‌بندی: روش‌های k میانگین، سلسله مراتبی، مبتنی بر چگالی، فازی، مبتنی بر مدل‌های ترکیبی، روش EM، معیارهای ارزیابی خوشه‌بندی
11. قواعد با‌هم‌آیی: الگوریتم Apriori، الگوریتم Eclat، الگوریتم FP-Growth، معیارهای ارزیابی قواعد باهم‌آیی

• تمرین‌ها و پروژه‌ها ۲۵٪
• آزمون میان‌ترم ۳۰٪
• آزمون پایان‌ترم ۴۵٪