مبانی علم داده: داده کاوی در R

مدرس Barton Poulson

انتشار 2021/02/12

مدت زمان 3h 51m

سطح مناسب همه

فایل تمرینی دارد

آموزش Data Science Foundations: Data Mining in R

علم داده در پیچیدگی و تقاضا با سرعت تصاعدی به رشد خود ادامه می دهد. داده کاوی حوزه ای از علم داده است که بر یافتن الگوهای عملی در مجموعه داده های بزرگ و متنوع تمرکز می کند: خوشه هایی از مشتریان مشابه، روندهایی در طول زمان که تنها پس از تفکیک اثرات فصلی و تصادفی قابل مشاهده هستند، و روش های جدید برای پیش بینی نتایج مهم. مربی بارتون پولسون بر روی داده کاوی در R تمرکز می کند، طیف گسترده ای از الگوریتم ها از جمله روش های یادگیری ماشین را ارائه می دهد و اطلاعات مهمی در مورد قوانین و سیاست هایی که بر داده کاوی تأثیر می گذارد ارائه می دهد. بارتون یک نمای کلی از کاهش ابعاد ارائه می دهد. او خوشه‌بندی را معرفی می‌کند، از جمله خوشه‌بندی سلسله مراتبی، سپس وارد تحلیل تداعی می‌شود. او استخراج و تجزیه سری های زمانی را توضیح می دهد، سپس با متن کاوی، تجزیه و تحلیل احساسات و امتیازدهی احساسات به پایان می رسد.

Data Mining R (Programming Language)

Introduction

R for data mining ()

Who should watch this course ()

Exercise files ()

1. Preliminaries

Tools for data mining ()

The CRISP-DM data mining model ()

Privacy, copyright, and bias ()

Validating results ()

2. Dimensionality Reduction

Dimensionality reduction overview ()

Dataset: Handwritten digits ()

PCA ()

LDA ()

t-SNE ()

Challenge: PCA ()

Solution: PCA ()

3. Clustering

Clustering overview ()

Dataset: Penguins ()

Hierarchical clustering ()

K-means ()

DBSCAN ()

Challenge: K-means ()

Solution: K-means ()

4. Classification

Classification overview ()

Dataset: Spambase ()

K-nn ()

Naive Bayes ()

Decision trees ()

Challenge: K-nn ()

Solution: K-nn ()

5. Association Analysis

Association analysis overview ()

Dataset: Groceries ()

Apriori ()

Eclat ()

CBA ()

Challenge: Apriori ()

Solution: Apriori ()

6. Time-Series Mining

Time-series mining overview ()

Dataset: AirPassengers ()

Time-series decomposition ()

ARIMA ()

MLP ()

Challenge: Decomposition ()

Solution: Decomposition ()

7. Text Mining

Text mining overview ()

Dataset: The Iliad ()

Sentiment analysis: Binary classification ()

Sentiment analysis: Sentiment scoring ()

Visualizing Word pairs ()

Challenge: Sentiment scoring ()

Solution: Sentiment scoring ()

Conclusion

Next steps ()

Ex_Files_Data_Science_R.zip (1.8 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 در R

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 in R در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

اگر شغل شما شامل تجزیه و تحلیل داده ها به هر درجه ای است و با مفاهیم و کاربردهای اصلی تجزیه و تحلیل داده ها (از جمله ابزارهای محبوب) آشنا هستید، مهارت های خود را به سطح بعدی ارتقا دهید. برای به دست آوردن مهارت های داده ای که برای رشد یا تغییر شغل خود نیاز دارید، در این مسیر یادگیری تنظیم کنید.

آموزش مبانی علم داده: داده کاوی در R ، ایستگاه شماره 6 در مسیر یادگیری مهارت های تجزیه و تحلیل داده های خود را توسعه دهید ، است.