0
0

مبانی و مفاهیم علوم داده آنلاین

400,000 تومان

امروز ثابت‌شده است كه توفيق يك كشور در زمینه‌های فرهنگي، اجتماعي، سياسي و اقتصادي درگرو برخورداري از يك نظام آموزشي منسجم و پويا است و تنها با داشتن چنين نظامي، مي تواند با تحولات و پیشرفت‌های اجتماعي و صنعتي همگام و در ميان كشورهاي موفق جهان از جايگاه شایسته‌ای برخوردار شود

ظرفیت تکمیل است

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

 

  1. 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)

 

  1. 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
  1. 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
  1. 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
  1. 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