داده‌کاوی (تحصیلات تکمیلی)

1-1) چرا داده‌کاوی؟
2-1) داده‌کاوی چیست؟
3-1) یک دید چندبعدی از داده‌کاوی
4-1) چه نوع داده‌هایی را می‌توان کاوش نمود؟
5-1) چه نوع الگوهایی را می‌توان کاوش نمود؟
6-1) از چه تکنولوژی‌هایی استفاده می‌شود؟
7-1) چه کاربردهایی مدنظر است؟
8-1) بحث‌های اصلی در داده‌کاوی
9-1) تاریخچه‌ای مختصر از داده‌کاوی و جامعه داده‌کاوی

1-2) اشیاء داده‌ای و انواع صفت‌ها
2-2) توصیف آماری داده‌ها
3-2) مصورسازی داده‌ها
4-2) اندازه‌گیری میزان شباهت و عدم شباهت داده‌ها

1-3) پیش‌پردازش داده‌ها (یک دید کلی)
2-3) پاک‌سازی داده‌ها
3-3) یکپارچه‌سازی داده‌ها
4-3) کاهش داده‌ها
5-3) تغییر شکل داده‌ها و گسسته‌سازی داده‌ها

1-4) مفاهیم پایه
2-4) مدل‌سازی انبار داده (مکعب داده و OLAP)
3-4) طراحی و استفاده از انبار داده
4-4) پیاده‌سازی انبار داده
5-4) تعمیم داده‌ها با استفاده از استقرای مبتنی بر صفت

1-5) مفاهیم پایه
2-5) روش‌های کاوش الگوهای پرتکرار

1-2-5) رهیافت تولید و تست کاندیدها (Apriori)
2-2-5) بهبود کارآیی روش Apriori
3-2-5) رهیافت رشد الگوهای پرتکرار (FPGrowth)
4-2-5) کاوش الکوهای پرتکرار از داده‌های با فرمت عمودی (ECLAT)
5-2-5) کاوش الگوهای پرتکرار بسته و الگوهای بیشینه

3-5) کدام الگوها جذاب هستند؟ (روش‌های ارزیابی الگوها)

1-6) مفاهیم پایه
2-6) استنتاج درخت تصمیم
3-6) روش‌های طبقه‌بندی بیز
4-6) طبقه‌بندی مبتنی بر قانون
5-6) ارزیابی و انتخاب مدل
6-6) روش‌های بهبود دقت طبقه‌بندی (روش‌های تجمیعی)

1-7) شبکه‌های باور بیزین
2-7) شبکه‌های عصبی (انتشار رو به عقب)
3-7) ماشین‌های بردار پشتیبان
4-7) طبقه‌بندی با استفاده از الگوهای پرتکرار
5-7) رهیافت نزدیکترین همسایه‌ها (یادگیرنده‌های تنبل)
6-7) الگوریتم ژنتیک
7-7) دیگر روش‌های طبقه‌بندی
8-7) مطالب اضافی در مورد طبقه‌بندی

1-8) مفاهیم پایه
2-8) روش‌های افرازبندی
3-8) روش‌های سلسله مراتبی
4-8) روش‌های مبتنی بر چگالی
5-8) روش‌های مبتنی بر مشبک
6-8) ارزیابی خوشه‌بندی

1-9) وب معنایی و گراف دانش (بخش اول)
2-9) وب معنایی و گراف دانش (بخش دوم)

1-10) پردازش زبان طبیعی و یادگیری عمیق