0

کتاب داده کاوی

توضیحات

کتاب DATA MINING Concepts, Models, Methods, and Algorithms یا به معنای مختصر داه کاوی، مفاهیم، مدل‌ها، متدها و الگوریتم‌ها، از جدیدترین کتاب‌‌های داده کاوی و شرح الگوریتم‌ها و مفاهیم آن است. کتاب داده کاوی در سال 2020 به چاپ رسیده و حدود 670 صفحه دارد. این کتاب شامل 14 فصل مختلف از اصول، روش‌ها و الگوریتم‌های جدید و مرسوم داده کاوی می‌باشد. خواندن کتاب داده کاوی برای افراد علاقه‌مند و یا پژوهشگر در زمینه داده کاوی بسیار توصیه می‌شود.

برای مطالعه تخصصی درباره تحلیل داده به وسیله زبان پایتون با مثال‌های عملی و کاربردی می‌توانید از کتاب Hands-on Exploratory Data Analysis with Python استفاده کنید.

آنچه در کتاب داده کاوی خواهید آموخت:

فصل 1: مفاهیم داده کاوی

  • درک نیاز به تجزیه و تحلیل مجموعه داده‌های بزرگ، پیچیده و غنی از اطلاعات.
  • مشخص کردن اهداف و وظایف اصلی فرآیند داده کاوی.
  • توصیف پایه‌های فناوری داده کاوی.
  • مشخص کردن برخی از روندهای تکراری فرآیند داده کاوی و مراحل اساسی آن.
  • توضیح تأثیر کیفیت داده بر روند داده کاوی.
  • برقراری ارتباط بین انبار کردن داده و داده کاوی.
  • بحث در رابطه با مفاهیم کلان داده و علم داده.
کتاب داده کاوی فصل 1

کتاب داده کاوی – فصل 1: مفاهیم داده کاوی

فصل 2: آماده‌سازی داده

  • تجزیه و تحلیل نمایش‌ها و ویژگی‌های اساسی مجموعه داده‌های خام و بزرگ.
  • اعمال روش‌های مختلف نرمال‌سازی بر روی خصوصیات عددی.
  • تشخیص تکنیک‌های مختلف برای تهیه داده‌ها، از جمله ویژگی دگرگونی.
  • مقایسه روش‌های مختلف برای حذف مقادیر از دست رفته.
  • ساختن روشی برای نمایش یکنواخت داده‌های وابسته به زمان.
  • مقایسه تکنیک‌های مختلف برای تشخیص دور.
  • پیاده‌سازی برخی از تکنیک‌های پیش‌پردازش داده‌ها.
کتاب داده کاوی فصل 2

کتاب داده کاوی – فصل 2: آماده‌سازی داده

فصل 3: کاهش حجم داده‌ها

  • شناسایی تفاوت‌ها را در کاهش ابعاد بر اساس ویژگی‌ها، موارد و کاهش تکنیک‌های ارزش.
  • توضیح مزایای کاهش داده‌ها در مرحله پیش‌پردازش فرآیند داده‌پردازی.
  • درک اصول اساسی انتخاب و ترکیب ویژگی وظایف با استفاده از روش‌های آماری مربوطه.
  • استفاده و مقایسه روش مبتنی بر آنتروپی و تجزیه و تحلیل مؤلفه‌های اصلی برای رتبه‌بندی ویژگی‌ها.
  • شناخت اصول اساسی روش‌های ChiMerge و BinBased برای کاهش مقادیر گسسته و پیاده‌سازی آن.
  • رویکردها را در مواردی که کاهش مبتنی بر افزایشی و نمونه‌های متوسط.
کتاب داده کاوی فصل 3

کتاب داده کاوی – فصل 3: کاهش حجم داده‌ها

فصل 4: درک مفاهیم از داده‌ها

  • تجزیه و تحلیل مدل کلی یادگیری استقرایی در محیط‌های متغیر.
  • توضیح درباره اینکه چگونه ماشین یادگیری یک تابع تقریب را از مجموعه‌ای از توابع انتخاب می‌کند؟
  • معرفی مفاهیم عملکردی ریسک برای رگرسیون و طبقه‌بندی چالش‌ها و مسائل.
  • شناسایی مفاهیم اساسی در تئوری یادگیری آماری (SLT) و بحث در مورد تفاوت بین اصول استقرایی، به حداقل رساندن خطر تجربی (ERM) و به حداقل رساندن ریسک ساختاری (SRM).
  • بحث در مورد جنبه‌های عملی مفهوم بُعد Vapnik – Chervonenkis (VC) به عنوان یک ساختار مطلوب برای کارهای یادگیری استقرایی.
  • مقایسه کارهای مختلف یادگیری استقرایی با استفاده از تفسیر گرافیکی توابع تقریبی در یک فضای 2 بعدی.
کتاب داده کاوی فصل 4

کتاب داده کاوی – فصل 4: درک مفاهیم از داده‌ها

فصل 5: روش‌های ایستا

  • توضیح روش‌های استنباط آماری که معمولاً در برنامه‌های کاربردی داده کاوی استفاده می‌شوند.
  • شناسایی پارامترهای آماری مختلف را برای ارزیابی تفاوت در مجموعه داده‌ها.
  • توصیف مؤلفه‌ها و اصول اساسی دسته‌بندی بیز ساده و روش رگرسیون لجستیک.
  • معرفی مدل‌های لگاریتم خطی با استفاده از تجزیه و تحلیل جداول توافقی.
  • بحث درباره مفاهیم تجزیه و تحلیل ANOVA و تجزیه و تحلیل افتراقی خطی نمونه‌های چند بعدی.
کتاب داده کاوی فصل 5

کتاب داده کاوی – فصل 5: روش‌های ایستا

فصل 6: درختان تصمیم و قانون

  • تجزیه و تحلیل ویژگی‌های یک روش مبتنی بر منطق برای طبقه‌بندی چالش‌ها و مسائل.
  • توصیف تفاوت بین نمایش درخت و تصمیم قانون در یک مدل طبقه‌بندی نهایی.
  • تشریح الگوریتم C4.5 برای تولید درخت تصمیم و قوانین تصمیم را به طور عمیق.
  • شناسایی تغییرات الگوریتم C4.5 هنگام وجود مقادیر از دست رفته در آموزش یا آزمایش مجموعه داده‌ها.
  • معرفی مشخصات اساسی الگوریتم CART و شاخص جینی.
  • چه زمان و چگونه از روش‌های هرس برای کاهش پیچیدگی استفاده از درختان تصمیم و قوانین تصمیم‌گیری استفاده کنیم؟
  • خلاصه کردن محدودیت‌های ارائه مدل طبقه‌بندی به وسیله درخت‌های تصمیم و قوانین تصمیم‌گیری.
کتاب داده کاوی فصل 6

کتاب داده کاوی – فصل 6: درختان تصمیم و قانون

فصل 7: شبکه‌های عصبی مصنوعی

  • شناسایی اجزای اساسی شبکه‌های عصبی مصنوعی و خصوصیات و توانایی‌ها آن‌ها.
  • توصیف وظایف یادگیری متداول مانند ارتباط الگو، شناخت الگو، تقریب، کنترل و فیلتر کردن که توسط شبکه‌های عصبی مصنوعی انجام می‌شود.
  • مقایسه معماری شبکه عصبی مصنوعی مختلف مانند feedforward و شبکه‌های مکرر و بحث در مورد برنامه‌های آن‌ها.
  • توضیح فرآیند یادگیری در سطح یک نورون مصنوعی و گسترش آن برای شبکه‌های عصبی پیشخوان چند نفره.
  • مقایسه فرآیندها و وظایف یادگیری شبکه‌های رقابتی و شبکه‌های feedforward.
  • ارائه اصول اساسی نقشه‌های کوهنن و کاربردهای آن‌ها.
کتاب داده کاوی فصل 7

کتاب داده کاوی – فصل 7: شبکه‌های عصبی مصنوعی

فصل 8: یادگیری کامل

  • توضیح ویژگی‌های اساسی روش‌های یادگیری جمعی.
  • تفاوت بین پیاده‌سازی‌های مختلف طرح‌های ترکیبی برای فراگیران مختلف
  • مقایسه بین روش‌های Bagging و Boosting.
  • توضیح خصوصیات اصلی الگوریتم جنگل تصادفی.
  • معرفی الگوریتم AdaBoost و مزایای آن.
کتاب داده کاوی فصل 8

کتاب داده کاوی – فصل 8: یادگیری کامل

فصل 9: آنالیز خوشه

  • تفاوت بین نمایش‌های مختلف خوشه‌ها و اندازه‌گیری‌های مختلف شباهت‌ها.
  • مقایسه ویژگی‌های اساسی الگوریتم خوشه‌بندی تجمعی و بخشی.
  • پیاده‌سازی الگوریتم‌های تجمعی با استفاده از اندازه‌های تشابه تک پیوندی یا پیوند کامل.
  • پیاده‌ساری روش K-means برای خوشه‌بندی بخشی و تجزیه و تحلیل پیچیدگی آن.
  • توضیح الگوریتم‌های خوشه‌ای افزایشی و شرح مزایا و معایب آن.
  • معرفی مفاهیم خوشه‌بندی چگالی و الگوریتم‌های DBSCAN و BIRCH.
  • بحث درباره دشواری اعتبار سنجی نتایج خوشه‌بندی.
کتاب داده کاوی فصل 9

کتاب داده کاوی – فصل 9: آنالیز خوشه

فصل 10: قوانین انجمنی

  • توضیح شخصیت مدل‌سازی محلی تکنیک‌های قاعده ارتباط.
  • تجزیه و تحلیل ویژگی‌های اساسی پایگاه‌های داده بزرگ معاملات.
  • توضیح الگوریتم Apriori و تمام مراحل آن را از طریق مثال‌های مصور.
  • مقایسه روش رشد الگوی مکرر با الگوریتم Apriori.
  • تشریح راه حل تولید قوانین ارتباط از مجموعه‌های مكرر.
  • توضیح کشف ارتباطات چند بعدی.
  • گسترش روش رشد FP برای مشکلات طبقه‌بندی را معرفی کنید.
کتاب داده کاوی فصل 10

کتاب داده کاوی – فصل 10: قوانین انجمنی

فصل 11: وب کاوی و متن کاوی

  • توضیح مشخصات وب کاوی.
  • معرفی طبقه‌بندی وب کاوی و زیرمجموعه‌های آن.
  • توصیف وب کاوی با استفاده از الگوریتم‌های HITS ،LOGSOM و pathtraversal.
  • توصیف رتبه‌بندی مستقل از پرس و جو در صفحات وب و ویژگی‌های اصلی آن با استفاده از الگوریتم PageRank.
  • استفاده از یک چارچوب متن کاوی را با مشخص کردن مراحل آن.
  • طرح روش نمایه‌سازی معنایی نهفته.
کتاب داده کاوی فصل 11

کتاب داده کاوی – فصل 11: وب کاوی و متن کاوی

فصل 12: مطالب پیشرفته در داده کاوی

  • تجزیه و تحلیل ویژگی‌های الگوریتم‌های Graph-Mining با مثال‌های مصور.
  • شناسایی تغییرات مورد نیاز در الگوریتم داده کاوی زمانی که مؤلفه‌های موقت و مکانی معرفی می‌شوند.
  • معرفی مشخصات اساسی الگوریتم‌های داده کاوی توزیع شده و تغییرات خاص برای خوشه‌بندی توزیع شده DBSCAN.
  • توصیف تفاوت بین علیت و همبستگی.
  • معرفی اصول اولیه در مدل‌سازی شبکه بیزی.
  • آشنایی با حریم خصوصی در فرآیند داده کاوی.
  • خلاصه جنبه‌های اجتماعی و حقوقی برنامه‌های داده کاوی.
  • رجسته‌سازی مفاهیم رایانش ابری، چارچوب Hadoop و نقشه / الگوی برنامه‌نویسی را کاهش دهید.
  • توضیح اصول اساسی یادگیری تقویت‌کننده و فهم روش Q-learning.
کتاب داده کاوی فصل 12

کتاب داده کاوی – فصل 12: مطالب پیشرفته در داده کاوی

فصل 13: الگوریتم‌های ژنتیک

  • شناسایی الگوریتم‌های مؤثر برای راه‌حل‌های تقریبی بهینه‌سازی مشکلات توصیف شده با مجموعه داده‌های بزرگ.
  • اصول و مفاهیم اساسی تکامل طبیعی و شبیه‌سازی شده را مقایسه کنید تکامل بیان شده از طریق الگوریتم‌های ژنتیک.
  • شرح مراحل اصلی الگوریتم ژنتیک با مثال‌های گویا.
  • توضیح عملگرهای ژنتیکی استاندارد و غیراستاندارد مانند مکانیزمی برای بهبود راه‌حل‌ها
  • بحث درباره مفهوم طرح‌واره با مقادیر غیرمهم و کاربرد آن برای بهینه‌سازی تقریبی.
  • الگوریتم ژنتیک در مشکل فروشنده در حال سفر و اعمال بهینه‌سازی قوانین طبقه‌بندی به عنوان نمونه‌هایی از بهینه‌سازی‌های سخت.
کتاب داده کاوی فصل 13

کتاب داده کاوی – فصل 13: الگوریتم‌های ژنتیک

فصل 14: مجموعه‌های فازی و منطق فازی

  • توضیح مفهوم مجموعه‌های فازی با تفسیر رسمی به صورت مداوم و حوزه‌های گسسته.
  • تجزیه و تحلیل ویژگی‌های مجموعه‌های فازی و عملیات مجموعه‌های فازی.
  • اصل پسوند را به عنوان یک مکانیسم اساسی برای استنباط‌های فازی توصیف کنید.
  • در مورد اهمیت عدم دقت زبان و محاسبه با آن‌ها در بحث کنید فرآیندهای تصمیم‌گیری.
  • روش‌های ارزیابی چند عاملی و استخراج یک مدل مبتنی بر قاعده فازی از مجموعه داده‌های عددی بزرگ.
  • درک اینکه چرا محاسبات فازی و سیستم‌های فازی قسمت مهمی از آن هستند فناوری داده کاوی.
کتاب داده کاوی فصل 14

کتاب داده کاوی – فصل 14: مجموعه‌های فازی و منطق فازی

فصل 15: روش‌های مصورسازی

  • تشخیص اهمیت تجزیه و تحلیل درک بصری در انسان و کشف تکنیک‌های مناسب تجسم داده.
  • تفاوت بین تکنیک تجسم علمی و تجسم اطلاعات.
  • درک ویژگی‌های اساسی هندسی، آیکون محور، پیکسل‌گرا، و تکنیک‌های سلسله مراتبی در تجسم مجموعه‌های بزرگ داده.
  • توضیح روش مختصات موازی و تجسم شعاعی برای مجموعه داده‌های n بعدی.
  • تجزیه و تحلیل الزامات سیستم‌های تجسم پیشرفته در داده کاوی.
کتاب داده کاوی فصل 15

کتاب داده کاوی – فصل 15: روش‌های مصورسازی

سرفصل‌های کتاب داده کاوی:

  • Data-Mining Concepts
  • Preparing the Data
  • Data Reduction
  • Learning from Data
  • Statistical Methods
  • Decision Trees and Decision Rules
  • Artificial Neural Networks
  • Ensemble Learning
  • Cluster Analysis
  • Association Rules
  • Web Mining and Text Mining
  • Advances in Data Mining
  • Genetic Algorithms
  • Fuzzy Sets and Fuzzy Logic
  • Visualization Methods

فایل کتاب داده کاوی را می‌توانید پس از پرداخت دربافت کنید.

امتیاز شما:
[تعداد: 0   میانگین: 0/5]

اطلاعات فروشنده

  • فروشنده: Mostafa
  • آدرس:
  • 3.33 3.33 امتیاز از 3 دیدگاه
راه آسان‌تری برای ارتباط با کاربران‌مان پیدا کرده‌ایم :) عضویت در کانال

محصولات مرتبط

لینک کوتاه :

امتیاز کلی کتاب:

نماد اعتبار ما:

پرفروش ها

0
افزودن به سبد خرید