کتاب کشف دانش از پایگاه داده‌ها: گامی نو در مدیریت اطلاعات (بر اساس کتاب Discovering Knowledgeman) با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف دانش از پایگاه داده‌ها: گامی نو در مدیریت اطلاعات (بر اساس کتاب Discovering Knowledgeman)

موضوع کلی: مدیریت دانش و داده‌کاوی

موضوع میانی: اصول و مبانی کشف دانش

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کشف دانش از پایگاه داده‌ها
• 2. نقش KnowledgeMan در دنیای امروز
• 3. چالش‌های مدیریت اطلاعات سنتی
• 4. اهمیت درک عمیق داده‌ها
• 5. اهداف دوره: گامی نو در مدیریت اطلاعات
• 6. مقدمه‌ای بر پایگاه داده‌ها و انواع آن‌ها
• 7. ساختار داده‌ها: جداول، رکوردها و فیلدها
• 8. مفاهیم کلیدی در پایگاه داده‌ها
• 9. نمونه‌برداری از داده‌ها: مقدمه
• 10. انتخاب نمونه‌های نماینده
• 11. تکنیک‌های نمونه‌برداری تصادفی
• 12. تکنیک‌های نمونه‌برداری طبقه‌بندی شده
• 13. تجزیه و تحلیل اکتشافی داده‌ها (EDA)
• 14. تجسم داده‌ها: نمودارها و گراف‌ها
• 15. شناسایی الگوهای اولیه در داده‌ها
• 16. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 17. رابطه بین پایگاه داده‌ها و داده‌کاوی
• 18. انواع وظایف داده‌کاوی
• 19. چرخه عمر پروژه داده‌کاوی
• 20. فاز درک کسب و کار
• 21. فاز درک داده‌ها
• 22. فاز آماده‌سازی داده‌ها
• 23. فاز مدل‌سازی
• 24. فاز ارزیابی
• 25. فاز استقرار
• 26. مقدمه‌ای بر مفاهیم Knowledge Management
• 27. Knowledge Discovery in Databases (KDD)
• 28. مراحل فرآیند KDD
• 29. تفاوت KDD و Data Mining
• 30. مقدمه بر پاکسازی داده‌ها
• 31. مدیریت مقادیر گمشده
• 32. مدیریت داده‌های پرت (Outliers)
• 33. مدیریت نویز در داده‌ها
• 34. یکپارچه‌سازی داده‌ها (Data Integration)
• 35. کاهش افزونگی داده‌ها (Redundancy)
• 36. سازگاری داده‌ها
• 37. مقدمه بر تبدیل داده‌ها (Data Transformation)
• 38. نرمال‌سازی (Normalization)
• 39. عادی‌سازی (Standardization)
• 40. توابع تجمعی (Aggregation)
• 41. کشف ویژگی‌های جدید
• 42. مقدمه بر کاهش ابعاد (Dimensionality Reduction)
• 43. تحلیل مولفه‌های اصلی (PCA)
• 44. انتخاب ویژگی (Feature Selection)
• 45. فیلترینگ ویژگی (Feature Filtering)
• 46. روش‌های مبتنی بر Wrapper
• 47. روش‌های ترکیبی
• 48. مقدمه بر یادگیری نظارت شده (Supervised Learning)
• 49. رگرسیون (Regression)
• 50. طبقه‌بندی (Classification)
• 51. الگوریتم‌های طبقه‌بندی: درخت تصمیم (Decision Trees)
• 52. قوانین انجمنی (Association Rules)
• 53. مقدمه بر کشف قوانین انجمنی
• 54. مفهوم Support و Confidence
• 55. الگوریتم Apriori
• 56. الگوریتم FP-Growth
• 57. کاربرد قوانین انجمنی در تحلیل سبد خرید
• 58. مقدمه بر خوشه‌بندی (Clustering)
• 59. الگوریتم K-Means
• 60. الگوریتم DBSCAN
• 61. ارزیابی خوشه‌ها
• 62. کاربرد خوشه‌بندی در تقسیم‌بندی مشتریان
• 63. مقدمه بر تشخیص ناهنجاری (Anomaly Detection)
• 64. روش‌های مبتنی بر فاصله
• 65. روش‌های مبتنی بر تراکم
• 66. کاربرد تشخیص ناهنجاری در کشف تقلب
• 67. مقدمه بر پیش‌بینی (Prediction)
• 68. مدل‌های پیش‌بینی سری‌های زمانی
• 69. شبکه‌های عصبی مصنوعی (Artificial Neural Networks)
• 70. مقدمه بر طبقه‌بندی بیزی (Bayesian Classification)
• 71. قضیه بیز
• 72. طبقه‌بندی Naive Bayes
• 73. مقدمه بر ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 74. کاربرد SVM در طبقه‌بندی
• 75. مقدمه بر مدل‌های پیش‌بینی زمان
• 76. مقدمه بر سیستم‌های توصیه‌گر (Recommender Systems)
• 77. فیلترینگ مبتنی بر محتوا
• 78. فیلترینگ مبتنی بر همکاری (Collaborative Filtering)
• 79. مقدمه بر یادگیری تقویتی (Reinforcement Learning)
• 80. مقدمه بر پردازش زبان طبیعی (NLP) در داده‌کاوی
• 81. تحلیل احساسات (Sentiment Analysis)
• 82. مقدمه بر استخراج اطلاعات (Information Extraction)
• 83. مقدمه بر داده‌های متنی
• 84. پاکسازی داده‌های متنی
• 85. تبدیل متن به بردارهای عددی
• 86. نمونه‌برداری از متن
• 87. مقدمه بر داده‌های جغرافیایی مکانی
• 88. مدل‌سازی داده‌های مکانی
• 89. تحلیل داده‌های مکانی
• 90. مقدمه بر داده‌های گراف
• 91. مدل‌سازی داده‌های گراف
• 92. تحلیل داده‌های گراف
• 93. مقدمه بر داده‌های شبکه‌های اجتماعی
• 94. تحلیل شبکه‌های اجتماعی
• 95. مقدمه بر داده‌های بزرگ (Big Data)
• 96. چالش‌های داده‌های بزرگ
• 97. معماری سیستم‌های داده‌های بزرگ
• 98. مقدمه بر Hadoop
• 99. مقدمه بر Spark
• 100. مقدمه بر ابزارهای داده‌کاوی