آموزش داده کاوی

آموزش های داده کاوی طیف متنوعی از محتوا را در بر دارند. یک دوره موفق آموزش داده کاوی بایستی تنوع خوبی از مهم ترین ابزارها و رویکردهای مطرح در داده کاوی را به مخاطب منتقل نماید. به صورت کلی می توان مطالب آموزشی مربوط به داده کاوی را در ۳ گروه موضوعات آموزش مرتبط با جنبه های کسب و کار در داده کاوی، مسائل آموزشی مرتبط با جنبه‌های فنی داده کاوی و آموزش متدولوژی داده کاوی، تقسیم بندی نمود. 

بر این اساس سرفصل ها و رئوس مطالب مهم مورد نظر در آموزش داده کاوی به صورت زیر می باشد:

آموزش مرتبط با جنبه های کسب و کار در داده کاوی

 در ارتباط با جنبه کسب و کار به موضوعاتی از قبیل موارد زیر پرداخته می شود:

•  شناسایی نیازهای اساسی کسب و کار
•  اولویت بندی نیازهای شناسایی شده در کسب و کار مورد مطالعه
•  تحلیل توانمندی داده کاوی برای پاسخ به نیاز های دارای اولویت ( در این محور مشخص می شود که آیا داده کاوی می‌تواند به نیاز مورد نظر پاسخ بدهد یا اینکه نیاز شناسایی شده خارج از حیطه و دامنه علم داده کاوی می باشد)
•  شناسایی و استخراج شاخص های کلیدی کسب و کار
•  تبدیل اهداف و نیازهای کسب و کار به مسائل داده کاوی
•  شناسایی شاخص های داده کاوی مرتبط
•  برنامه ریزی برای پیشبرد فعالیت ها و پروژه داده کاوی
•  چگونگی مدیریت یک پروژه داده کاوی به صورت اثربخش و کارا

آموزش مرتبط با جنبه های فنی در داده کاوی

در ارتباط با جنبه های فنی آموزش های داده کاوی محورهای زیر مورد توجه می باشند:

مقدمه ای بر داده کاوی

• داده کاوی چیست؟
• فناوری های مرتبط: یادگیری ماشین ، DBMS ، OLAP ، آمار
• اهداف داده کاوی
• مراحل فرآیند داده کاوی
• تکنیک های داده کاوی
• روشهای نمایش دانش
•  کاربردهای داده کاوی در حوزه های مختلف

انبار داده و OLAP

• انبار داده و DBMS
• مدل داده های چند بعدی
• عملیات OLAP

پیش پردازش داده ها

• تمیز کردن داده ها
• تبدیل داده ها
• کاهش داده ها
• نصب نرم افزار و ابزار داده کاوی 
• شروع کار با ابزار داده کاوی به منظور پیش پردازش و آماده سازی داده ها

نمایش و ارائه دانش  حاصل از داده کاوی

• شناسایی داده های مرتبط
• دانش  زمینه ای
• معیارها و شاخص های مورد توجه
• نمایش داده های ورودی و دانش خروجی  حاصل از عملیات  داده کاوی
• تکنیک های  تصویرسازی (مصورسازی داده ها)
• تصویرسازی به کمک ابزار و نرم افزار داده کاوی

تجزیه و تحلیل ویژگی ها

• تعمیم  ویژگی
•  میزان مرتبط بودن ویژگی ها
• مقایسه  کلاس ها
•  شاخص های آماری
• استفاده از فیلترها و  آماره ها در ابزار داده کاوی

الگوریتم های داده کاوی: کشف قواعد باهم آیی (Association rules) 

• مفاهیم و اصطلاحات مربوط به قواعد
• ایده اصلی:  مجموعه های آیتمی
• تولید مجموعه های آیتمی استخراج قواعد به صورت اثربخش
•  شاخص های مربوط به قواعد مانند درجه اطمینان پشتیبانی و لیفت
• تجزیه و تحلیل همبستگی
•  کار با نرم افزار داده کاوی به منظور استخراج قواعد باهم آیی

الگوریتم های داده کاوی: کلاس بندی

•  مفاهیم پایه مربوط به کلاس بندی
•  آنتروپی در کلاس بندی
•  شاخص بهره اطلاعاتی در کلاس بندی
•  استخراج قواعد در کلاس بندی
•  درخت های تصمیم
•  کار با ابزار داده کاوی به منظور به دست آوردن درخت های تصمیم و استخراج قواعد مرتبط

الگوریتم های داده کاوی: پیش بینی

• تشریح پیش بینی به  به عنوان یکی از از وظایف پایه داده کاوی
• طبقه بندی آماری (بیزین)
• شبکه های بیزی
• روشهای مبتنی بر نمونه (نزدیکترین همسایگی)
• مدل های خطی
• کار با ابزارها و نرم افزارهای داده کاوی به منظور پیش‌بینی  بر روی دیتاست

ارزیابی یافته ها و الگوهای حاصله

•  چالش های اساسی
•  تفکیک آموزش و تست  بر روی داده ها
• برآورد دقت  مدل های کلاس بندی
• ترکیب چندین مدل 
• پارتیشن بندی داده ها در ابزارهای داده کاوی به دو گروه داده های آموزشی و داده های تست

مطالعه موردی و داده کاوی بر روی داده های واقعی

• پیش پردازش داده ها از یک حوزه واقعی 
• استفاده از تکنیک های مختلف داده کاوی برای ایجاد یک مدل جامع و دقیق  تحلیلی

خوشه بندی

• مفاهیم اساسی در خوشه بندی
•  معیارهای شباهت و نزدیکی در خوشه بندی
•  الگوریتم های خوشه بندی مانند k-means 
• روش های سلسله مراتبی  در خوشه بندی
• خوشه بندی مفهومی
•  کار با ابزارهای داده کاوی به منظور خوشه بندی

تکنیک های پیشرفته

• متن کاوی: استخراج ویژگی ها (کلمات کلیدی)، رویکردهای ساخت یافته 
• رویکرد بیزین برای طبقه بندی متن
• وب کاوی:  کلاس بندی صفحات وب ، استخراج دانش از وب
• نرم افزار و برنامه های داده کاوی  برای متن کاوی و وب کاوی

آموزش مرتبط با متدولوژی داده کاوی

در ارتباط با متدولوژی داده کاوی محورهای زیر مورد توجه می باشند:

• چرایی و ضرورت کاربرد داده کاوی
• الگوریتم ها و متدولوژی های اجرای پروژه های داده کاوی- خصوصا الگوریتم CRISP-DM که یکی از رویکردهای کاربردی و مفید در سیستماتیک نمودن روند اجرای پروژه های تحلیل داده و داده کاوی می باشد که در ادامه مراحل این الگوریتم بیان می شود:
• درک و فهم مساله کسب و کار (business understanding)
• درک داده (data understanding)
• آماده سازی و پیش پردازش داده ها (data preparation)
• مدل سازی (modeling)
• ارزیابی (evaluation)
• اجرا و به کارگیری نتایج (deployment)