نوشتهشده در سپتامبر 8, 2017فوریه 21, 2019 از مسعود کاویانی«نقشه راه یادگیری در ChistIO» مدرس: مسعود کاویانی MasoudKaviani.ir داده کاوی و یادگیری ماشین مهندسی داده و کلان داده ترم اول » دوره ریاضیات پایه و جبر خطی برای یادگیریماشین جبر خطی (linear algebra) یکی از پیشنیازهای عملیات داده کاوی و یادگیری عمیق است. به همین جهت در این دوره به مبانی کاربردی جبرخطی میپردازیم تا دانشجویان جهت یادگیری مباحث تئوری و عملی دادهکاوی آمادهتر شوند ترم دوم » دوره آمار مقدماتی و تحلیل اکتشافی داده جهت شناخت دادهها و شروع عملیات دادهکاوی نیاز است که دادهها را خلاصهسازی و تحلیل کنیم. در این ترم، قصد داریم تا با روشهای آماری آشنا شویم که میتوانند به ما در شناخت بیشتر مجموعه دادههایی که در اختیار داریم کمک کنند ترم سوم » دوره مقدمات داده کاوی و یادگیری ماشین در این دوره قصد بر این است که با مباحثِ اساسی در دادهکاوی آشنا شویم و بخشهای مختلفِ اکوسیستمِ دادهکاوی و یادگیری ماشین را بشناسیم. همچنین با کاربردهای دادهکاوی و یادگیری ماشین در صنایع و بخشهای مختلف آشنا شویم ترم چهارم » دوره آشنایی با روشهای پیشپردازش دادهها دادهها قبل از انجام عملیاتِ دادهکاوی و یادگیریماشین، نیاز به پیشپردازش دارند. پیشپردازشِ دادهها شامل روشهایی میشود که عموماً به آمادهسازی دادهها برای عملیات بعدی مانند طبقهبندی یا خوشهبندی کمک میکنند. ترم پنجم » دوره الگوریتمهای طبقه بندی (Classification) در دوره طبقهبندی قصد داریم الگوریتمهای مختلف حوزه طبقهبندی را در دادهکاوی بیان کنیم. هر کدام از این الگوریتمها مزایا و معایب خاص خود را دارند و در پروژههای مختلف دادهکاوی میتوان از یک یا چند الگوریتم استفاده کرد ترم ششم » دوره الگوریتمهای خوشه بندی (Clustering) هدف از دورهی الگوریتمهای خوشهبندی، معرفی الگوریتمهای این حوزه برای گروهبندی دادههاست. خوشهبندی نوعی یادگیری غیر نظارت شده است که میتواند بدون برچسب، گروههای شبیه به هم را در میان دادهها پیدا کند ترم هفتم » دوره مقدمات شبکههای عصبی (Neural Networks) شبکههای عصبی یکی از روشهای مشهور در دادهکاوی و یادگیری ماشین است. این شبکهها میتوانند الگوهای مختلف و گاهاً پیچیدهی موجود در دادهها را کشف کرده و پایهای برای الگوریتمهای یادگیری عمیق باشند ترم هشتم » دورهی یادگیری عمیق (Deep Learning) شبکههای عصبی عمیق (deep neural networks) و یادگیری عمیق (deep learning) از زیر شاخههای یادگیری ماشین هستند که قادر به کشف الگوهای پیچیدهتری از بین مجموعههای داده هستند ترم نهم » دوره متنکاوی (TEXT MINING) و پردازش زبان طبیعی (NLP) در دوره متنکاوی میخواهیم یک نمونه کاربردِ عملیِ دادهکاوی را در حوزهی متن و زبان طبیعی با یکدیگر یاد بگیریم. با خواندن این دوره میتوانیم یاد بگیریم که چگونه الگوریتم میتواند دانش ارزشمند را از میان متون استخراج کرد ترم دهم » آشنایی با الگوریتمهای فراابتکاری (META HEURISTIC) آشنایی با الگوریتمهای هوشمند فراابتکاری هدف اصلی این دوره است. در این دوره با روشهای مختلف الگوریتمهای هوشمند که قادر به بهینهسازی مسائل هستند آشنا میشویم. ترم یازدهم » دوره توزیع احتمال (Probability Distributions) و کاربردها توزیعهای احتمالی از جمله مباحث کاربردی در حوزهی آنالیز مجموعههای داده هستند. این توزیعها باعث ایجاد یک دیدِ سطح بالا از دادهها شده و میتوانند به تحلیل داده کمک کنند. ترم اول » تکنیکها و ابزارهای کلان داده (Big Data) در این دوره قصد داریم در مورد تکنیکهایی که در پردازش کلانداده مورد استفاده قرار میگیرد صحبت کنیم. این تکنیکها همراه با ابزارهای مختلف میتوانند به درک بهتر کلانداده کمک کنند ترم دوم » آشنایی با سبک برنامه نویسی Map Reduce و مدل محاسبات توزیع شده سبک برنامهنویسی Map Reduce یکی از نامهای آشنا در چند سال اخیر است. در این درس میخواهیم به معرفی این سبک برنامهنویسی و کاربرد آن در سیستمهای توزیع شده بپردازیم ترم سوم » دوره آشنایی با انبار داده (Data Warehouse) و کاربردهای آن انبارداده و مدلهای مختلف مکعبسازی داده، یکی از بخشهای مهم در حوزه نگهداری داده و هوش تجاری میباشد. برای همین در این دوره قصد داریم به بحث انبارش داده و روشهای مختلف آن جهت انجام فرآیندهای نگهداری داده و هوش تجاری بپردازیم ترم چهارم » آشنایی با پایگاه داده های NoSQL NoSQL نامیست که این روزها بسیار توسط افراد مختلف به کار برده میشود و منظور مجموعهای از پایگاهدادههایی است که از قوانین مرسوم و استاندارهای SQL تبعیت نمیکنند. در این دوره قصدا داریم با انواع پایگاهدادههای NoSQL آشنا شویم ترم پنجم » دوره همروندی (Concurrency) و مدیریت ترمیم در پایگاه داده ها در این دوره قصد داریم تا یکی از مباحث پایه و مهم در حوزه پایگاهداده یعنی بحث همروندی را با یکدیگر یاد بگیریم و نگاهی عمیقتر به این حوزه مهم داشته باشیم ترم ششم » دوره آموزش برنامه نویسی و مهندسی نرم افزار مبتنی بر اصل SOLID یکی از معیارهای یک نرم افزار خوب، نرم افزار کدنویسی شده بر اساس اصول SOLID است. در دوره SOLID میخواهیم به بررسی اصول ابتدایی SOLID بپردازیم و به نحوه کارگیری آنها را در نرمافزارهای خود یاد بگیریم ترم هفتم » دوره آشنایی با ضد الگوها (Anti Patterns) در برنامه نویسی ضد الگوها مجموعهای از قواعدی هستند که بهتر است به در طراحی نرم افزار و کدنویسی خود به کار نگیرید. در این دوره قصد داریم به برخی از مهمترین ضد الگوها در برنامه نویسی و مهندسی نرم افزار بپردازیم ترم هشتم » دوره سیستم های توزیع شده (Distributed Systems) در این دوره قصد داریم به معرفی سیستمهای توزیع شده و کلیدواژههای مهم در این سیستمها بپردازیم. تعریف سیستمهای توزیع شده و چند مثال و زیر حوزه کاربردی را نیز با یکدیگر یاد خواهیم گرفت ترم نهم » دوره توابع درهم ساز (Hash Functions) در این دوره قصد داریم تا بیشتر در مورد توایع درهمساز و همچنین کمک آنها به سیستمهای توزیع شده گفت و گو کنیم