کارگاه آموزشی مبانی داده‌کاوی

شروع رویداد
 سه‌شنبه ۱۵ اسفند ۹۶  ۱۸:۰۰
پایان رویداد
 سه‌شنبه ۲۸ فروردین ۹۷  ۲۰:۰۰
مکان رویداد: کاشان

 داده‌کاوی

از آنجا که امروزه داده‌ها به عنوان یکی از مهم‌ترین منابع در شرکت‌های تجاری، سازمان‌های تحقیقاتی و بسیاری از علوم، فنون و صنایع مطرح هستند، داده‌کاوی نیز به یکی از مهم‌ترین مفاهیم و نیاز‌ها در دنیا تبدیل شده است. داده‌های خام به خودی‌خود دانش جدیدی را در اختیار ما قرار نمی‌دهند، بلکه مفاهیمی مثل داده‌کاوی هستند که با استفاده از آن‌ها می‌توان داده‌های خام را به دانش و اطلاعات مفید و جدیدی برای درک، شناخت و در نتیجه اتخاذ تصمیمات حیاتی، تبدیل کرد.

 

اهداف کارگاه

هدف از کارگاه پیش‌رو، آموزش استفاده از ابزارهای مهم و کاربردی در داده‌کاوی مثل RapidMiner و Scikit-learn می‌باشد. در این کارگاه، تمرکز روی قسمت کاربردی داده‌کاوی قرار دارد و در کنار آن نیز توضیحات تئوریک (گرچه بسیار مهم هستند) به صورت خلاصه‌تر ارائه خواهد شد و منابع لازم برای مطالعه‌ی بیشتر دانش تئوریک داده‌کاوی در اختیار شرکت‌کنندگان قرار خواهد گرفت.

 

زمان‌بندی

کارگاه در روز‌های یکشنبه و سه‌شنبه از ساعت ۱۸ الی ۲۰ برگزار می‌شود. زمان کارگاه در صورت تمایل و توافق شرکت‌کنندگان قابل تغییر خواهد بود.

تاریخ دقیق کلاس‌های کارگاه:

  1. سه‌شنبه ۱۵ اسفند ۱۳۹۶
  2. یک‌شنبه ۲۰ اسفند ۱۳۹۶
  3. سه‌شنبه ۲۲ اسفند ۱۳۹۶
  4. یک‌شنبه ۱۹ فروردین ۱۳۹۷
  5. سه‌شنبه ۲۱ فروردین ۱۳۹۷
  6. یک‌شنبه ۲۶ فروردین ۱۳۹۷
  7. سه‌شنبه ۲۸ فروردین ۱۳۹۷

مکان برگزاری

کارگاه در دانشگاه کاشان و در سایت مهندسی کامپیوتر (مجموعه‌ی کارگاه‌های مهندسی) برگزار خواهد شد. مکان برگزاری مجهز به کامپیوتر می‌باشد اما توصیه می‌شود برای راحتی نصب ابزار‌ها، شرکت‌کنندگان در صورت تمایل لپ‌تاپ خود را همراه داشته باشند.

همچنین بخوانید:  با 120 هزار تومن ناقابل، در سمینار داده کاوی دانشگاه علامه طباطبایی شرکت کنید

سرفصل کارگاه

جلسه‌ی اول:

  • إِرائه‌ی سرفصل و توضیح روند کارگاه
  • توضیح مفهوم داده‌کاوی، موارد کاربرد و …
  • آشنایی با ابزارها و آموزش غیرتفضیلی نصب آن‌ها

جلسه‌ی دوم:

  • پیش‌پردازش داده‌ها (قسمت اول)
  • دسته‌بندی

جلسه‌ی سوم:

  • دسته‌بندی
  • ارزیابی دسته‌بندی
    • ماتریس اغتشاش
    • Accuracy
    • Precision
    • Recall
    • F-Score
  • پیش‌پردازش داده‌ها (قسمت دوم)

جلسه‌ی چهارم:

  • مصور‌سازی داده (قسمت اول) (در صورت عدم کمبود وقت)
  • خوشه‌بندی

جلسه‌ی پنجم:

  • خوشه‌بندی
  • ارزیابی خوشه‌بندی:
  • مصور‌سازی داده (قسمت دوم) (در صورت عدم کمبود وقت)

جلسه‌ی ششم:

  • توضیح یک پروژه‌ی واقعی
  • رفع اشکال

جلسه‌ی هفتم (در صورت نیاز):

  • مباحث باقی‌مانده
  • رفع اشکال

نظرتون را درباره ی این مطلب بنویسید

آدرس ایمیل شما منتشر نخواهد شد.