مبانی علم داده: داده کاوی

مدرس Barton Poulson

انتشار 2016/09/06

مدت زمان 4h 40m

سطح مبتدی

فایل تمرینی دارد

آموزش Data Science Foundations: Data Mining

تمام علم داده با داده های خوب شروع می شود. داده‌کاوی چارچوبی برای جمع‌آوری، جستجو و فیلتر کردن داده‌های خام در یک موضوع سیستماتیک است که تضمین می‌کند از همان ابتدا داده‌های تمیزی دارید. همچنین به شما کمک می کند تا مجموعه داده های بزرگ را تجزیه کنید و به معنی دارترین و مفیدترین اطلاعات دست یابید. این دوره، مبانی علم داده: داده کاوی، طراحی شده است تا نقطه ورود محکمی به تمامی ابزارها، تکنیک ها و تفکر تاکتیکی پشت داده کاوی ارائه دهد.rnrn و بیشتر.

Big Data Data Mining Web Analytics

Introduction

Welcome ()

Who should watch this course ()

Exercise files ()

1. Preliminaries

Data mining prerequisites ()

Algorithm prerequisites ()

Software prerequisites ()

2. Data Reduction

Goals of data reduction ()

Data for data reduction ()

Data reduction in R ()

Data reduction in Python ()

Data reduction in Orange ()

Data reduction in RapidMiner ()

3. Clustering

Clustering goals ()

Clustering data ()

Clustering in R ()

Clustering in Python ()

Clustering in BigML ()

Clustering in Orange ()

4. Classification

Classification goals ()

Classification data ()

Classification in R ()

Classification in Python ()

Classification in RapidMiner ()

Classification in KNIME ()

5. Anomaly Detection

Anomaly detection goals ()

Anomaly detection data ()

Anomaly detection in R ()

Anomaly detection in Python ()

Anomaly detection in BigML ()

Anomaly detection in RapidMiner ()

6. Association Analysis

Association analysis goals ()

Association analysis data ()

Association analysis in R ()

Association analysis in Python ()

Association analysis in Orange ()

Association analysis in RapidMiner ()

7. Regression Analysis

Regression analysis goals ()

Regression analysis data ()

Regression analysis in R ()

Regression analysis in Python ()

Regression analysis in KNIME ()

Regression analysis in RapidMiner ()

8. Sequential Patterns

Sequence mining goals ()

Sequence mining algorithms ()

Sequence mining in R ()

Sequence mining in Python ()

Sequence mining in BigML: Part 1 ()

Sequence mining in BigML: Part 2 ()

9. Text Mining

Text mining goals ()

Text mining algorithms ()

Text mining in R ()

Text mining in Python ()

Text mining in RapidMiner ()

Conclusion

Next steps ()

Ex_Files_DSF_DataMining.zip (11.7 MB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش مبانی علم داده: داده کاوی

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Data Science Foundations: Data Mining در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

چه در IT کار می کنید و چه به سادگی علاقه مند به ورود به حوزه هیجان انگیز هستید، این مسیر یادگیری شما را در توسعه حرفه ای در علم داده پشتیبانی می کند. در مورد مراحل اساسی کار علم داده، از مهندسی آمار و سیستم گرفته تا داده کاوی و یادگیری ماشین بیاموزید.

آموزش مبانی علم داده: داده کاوی ، ایستگاه شماره 6 در مسیر یادگیری دانشمند داده شوید ، است.