داده کاوی

1- مقدمه‌ای بر داده کاوی: انگیزه‌ها، چالش‌ها و کاربردهای داده کاوی در دنیای واقعی
2- انبار داده‌ها: مفهوم انبار داده، معماری آن و نقش آن در فرایند داده کاوی
3- پیش پردازش و آماده‌سازی داده‌ها: پاک‌سازی داده‌ها: روش‌های مقابله با داده‌های ناقص، تکراری و ناهماهنگ
کاوش داده‌های پرت: شناسایی و حذف داده‌های پرت و نامعمول
نرمال‌سازی داده‌ها: تبدیل داده‌ها به مقیاس استاندارد برای بهبود عملکرد الگوریتم‌ها
گسسته‌سازی داده‌ها: تبدیل داده‌های پیوسته به داده‌های گسسته برای استفاده در برخی الگوریتم‌ها
کاهش بعد داده‌ها: انتخاب ویژگی‌های مهم و کاهش ابعاد داده‌ها برای بهبود کارایی و جلوگیری از بیش‌برازش
4- کاوش قوانین رابطه‌ای: الگوریتم Apriori: برای کشف الگوهای پرتکرار و قوانین وابستگی در داده‌ها
الگوریتم FP-growth: روشی کارآمدتر برای کشف قوانین وابستگی در داده‌های بزرگ
5- رگرسیون: رگرسیون خطی: برای پیش‌بینی مقدار یک متغیر وابسته بر اساس یک یا چند متغیر مستقل
گرادیان نزولی: روشی برای بهینه‌سازی پارامترهای مدل رگرسیون
مفهوم جمع‌های چند متغیره و مصالحه بایاس و واریانس
6- دسته‌بندی: الگوریتم k-Nearest Neighbors (k-NN): برای دسته‌بندی داده‌ها بر اساس شباهت به همسایگان
درخت تصمیم: برای ایجاد یک مدل درختی برای دسته‌بندی داده‌ها بر اساس ویژگی‌ها
معیارهای ارزیابی: دقت، صحت، فراخوانی و معیار F1 برای ارزیابی عملکرد مدل‌های دسته‌بندی
7- خوشه‌بندی: الگوریتم‌های سلسله مراتبی: برای ایجاد خوشه‌های سلسله مراتبی از داده‌ها
الگوریتم‌های مبتنی بر چگالی: برای شناسایی خوشه‌هایی با چگالی بالا در داده‌ها
8- سیستم‌های پیشنهاد دهنده: سیستم‌های پیشنهاد دهنده مبتنی بر محتوا (Content-based): پیشنهاد موارد مشابه بر اساس ویژگی‌های مورد علاقه کاربر
سیستم‌های پیشنهاد دهنده مبتنی بر فیلتر گروهی (Collaborative filtering): پیشنهاد موارد مورد علاقه کاربران مشابه
9- خلاصه سازی و نمایش نتایج: روش‌های مختلف برای خلاصه سازی و نمایش نتایج داده کاوی به صورت بصری و قابل فه