مبانی و مفاهیم علوم داده آنلاین

اهداف از برگزاری دوره آموزشی :

• آشنایی شرکت کنندگان دوره پیرامون مفاهیم و مبانی علم داده
• آشنایی با ویژگی ها و قابلیت های منحصر به فرد نسل های مختلف کسب و کار و حوزه علم داده
• افزایش قدرت تعمیم دهی حوزه علم داده بر روی صنعت مدنظر جهت تجزیه وتحلیل داده
• تسلط بر ابزار های مختلف علم داده و طریقه­ی استفاده هر کدام با توجه به کاربرد

مخاطبان دوره:

حضور در کارگاه به افراد زير توصيه مي‌شود:

• کارشناسان، مدیران، تحلیلگران کسب و کار و علم داده، مهندسان دپارتمان IT و کلیه علاقه مندان به تحلیل داده

محتوای دوره آموزشی:

1. تشریح تحلیل های پیشرفته کسب و کار

• معرفی اولیه تحلیل های پیشرفته کسب و کار
• ارائه نسل های تحلیل های پیشرفته کسب و کار از دیدگاه گارتنر شامل
• تحلیل های پیشرفته توصیفی
• تحلیل های پیشرفته تشخیصی
• تحلیل های پیشرفته پیش گویانه
• تحلیل های پیشرفته تجویزی
• تحلیل های پیشرفته شناختی
• تحلیل های پیشرفته تطبیقی

2. معرفی هوش تجاری

• معرفی مبانی هوش تجاری و هوشمند سازی کسب و کار
• بررسی مفاهیم پیرامون هوش تجاری و تفاوت آن با علم داده
• ارائه نرم افزار های هوش تجاری و ویژگی های هرکدام (Power BI – QlikView – Alteryx)

3. معرفی مسائل و الگوریتم های علم داده، ابزارها و ماژول های پیاده سازی

• معرفی الگوریتم های داده کاوی و یادگیری ماشینی
• الگوریتم های مسائل طبقه بندی – Classification
• الگوریتم های شبکه عصبی (Neural Network)
• الگوریتم ماشین های بردار پشتیبان (Support Vector Machine)
• الگوریتم نزدیک ترین همسایگی (K Nearest Neighbors)
• الگوریتم درخت تصمیم (Decision Tree)
• الگوریتم جنگل های تصادفی (Random Forest)
• الگوریتم های رگرسیون (خطی، غیرخطی، لجستیک) (Regression)
• الگوریتم نایو بیز (Naïve Bayes)
• الگوریتم های مسائل خوشه بندی- Clustering
• الگوریتم مایانگین مراکز خوشه (K – Means)
• الگوریتم زنجیره پنهان مارکوف (Hidden Markov Chain)
• الگوریتم گائوسین (Gaussian)
• الگوریتم های مسائل تقویتی – Reinforcement
• الگوریتم های پیشرفته داده کاوی ( هایبرید، فازی)
• بررسی مفاهیم داده کاوی و یادگیری ماشینی و تفاوت آن ها
• ابزار ها، نرم افزارها و زبان های برنامه نویسی حوزه علم داده
• معرفی زبان برنامه نویسی Python
• بررسی محیط های توسعه (IDE) مختلف در قالب آنالیز نقاط ضعف و قوت هر کدام
  • (ژوپیتر، پای چرم، اتم، اسپایدر و …)
• معرفی زبان برنامه نویسی R و R Studio
• معرفی کلی نرم افزار متلب (MATLAB) و رپیدماینر (Rapid Miner) و کاربرد های آن در داده کاوی
• معرفی کلی پایگاه داده SQL
• معرفی انواع پایگاه های داده مورد استفاده در علم داده
• پرزنت رودمپ تبدیل به دانشمند داده و بررسی اجمالی ماژول ها با توجه به جاب پوزیشن های پیش رو
• پرزنت اصطلاحات مهم و تفاوت های ضروری مباحثی پیرامون علم داده
• تفاوتData Analytics  و Data Analysis
• تفاوت Verification و Validation
• تفاوت سه مفهوم Data Collecting و Data Gathering و Data Acquiring
• تفاوت Data Base و Data Set و Data Frame
• بررسی مفاهیم اولیه پیش پردازش داده ها Data Pre – Processing
• بررسی مفاهیم Data Cleaning و Data Wrangling
• نمایش چگونگی پیاده سازی الگوریتم های یادگیری ماشینی
• تعریف اعتبار سنجی و امتیازدهی
• بیان مثال ها و Case Study های روز و بین المللی دنیا در حوزه و بستر علم داده

4. معرفی عظیم داده ها (Big Data)

• معرفی عظیم داده ها و نقش آن ها
• ویژگی های عظیم داده ها
• زیرساخت ها و چارچوب های عظیم داده ها و بررسی نقاط ضعف و قوت هر کدام
  • شامل هدوپ، اسپارک
• معرفی پایگاه های داده (Cassandra)
• بیان مثال ها و Case Study های روز و بین المللی دنیا در حوزه و بستر عظیم داده ها

5. معرفی هوش مصنوعی (Artificial Intelligence)

• معرفی اولیه هوش مصنوعی
• ارائه تفاوت های آن با رشته علم داده و یادگیری ماشینی
• ارائه مبانی وب کاوی، متن کاوی، پردازش تصویر، پردازش زبان طبیعی و بینایی ماشین
• بیان مثال ها و Case Study های روز و بین المللی دنیا در حوزه و بستر هوش مصنوعی

6. معرفی علوم کامپیوتر (Computer Science)

• معرفی اولیه علوم کامپیوتر
• بیان مثال ها و Case Study های روز و بین المللی دنیا در حوزه و بستر عظیم داده ها
• پاسخ گویی به سئوالات

مدت‌زمان دوره :

• 6 ساعت