کتاب داده کاوی

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.