آموزش نرم افزار اورنج – داده کاوی و هوش تجاری بدون کدنویسی با Orange
ORANGE، یک نرمافزار آماری و دادهکاوی متنباز (Open Source) است که به کاربران امکان میدهد؛ تا بدون نیاز به دانش تخصصی در زمینههای برنامهنویسی و آمار، تحلیل دادهها و پردازش آنها را انجام دهند. این نرمافزار ابزارهای متنوعی را برای پردازش دادههای مختلف، شبکههای عصبی، دستهبندی، خوشهبندی و دیگر الگوریتمهای یادگیری ماشین، در اختیار کاربران قرار میدهد.
- فصل یکم: مقدمهای بر تحلیل دادهکاوی و هوش تجاری با نرمافزار Orange
- درس ۱: مقدمات دادهکاوی و هوش تجاری
- درس ۲: هوش تجاری، دادهکاوی و کاربرد آن در صنعت
- درس ۳: فرایند کریسپ (CRISP) در دادهکاوی
- درس ۴: زبانها و ابزارهای مناسب برای دادهکاوی و هوش تجاری
- درس ۵: نصب نرمافزار Orange بر روی سیستمعامل ویندوز
- فصل دوم: تحلیل اکتشافی دادهها در نرمافزار Orange
- درس ۶: تعریف تحلیل اکتشافی دادهها
- درس ۷: تحلیل دادههای پروازهای فرودگاه
- درس ۸: آمار تفسیری بر روی مجموعه دادهها
- درس ۹: بصریسازی دادهها و انواع نمودارها جهت تحلیل مجموعه دادهها
- درس ۱۰: اعمال تغییرات در دامنه مجموعه دادهها
- فصل سوم: پیشپردازش دادهها در نرمافزار Orange
- درس ۱۱: تعریف پیشپردازش دادهها
- درس ۱۲: حذف و تغییر دادههای گمشده در مجموعه دادهها
- درس ۱۳: تبدیل ستونهای غیرعددی به عددی
- درس ۱۴: هممقیاسسازی دادهها
- فصل چهارم: طبقهبندی و رگرسیون در نرمافزار Orange
- درس ۱۵: تعریف طبقهبندی و رگرسیون
- درس ۱۶: پیشبینی تاخیر در پروازها با الگوریتم درخت تصمیم
- درس ۱۷: پیشبینی تاخیر در پروازها با الگوریتمهای جنگل تصادفی، شبکه عصبی و بردار ماشین پشتیبان
- درس ۱۸: ارزیابی الگوریتمهای یادگیری ماشین بر روی مجموعه دادهها
- درس ۱۹: مثال پیشبینی ابتلا به دیابت با الگوریتمهای یادگیری ماشین
- درس ۲۰: مثال پیشبینی زودهنگام حمله قلبی به بیمار با الگوریتمهای یادگیری ماشین
- فصل پنجم: خوشهبندی دادهها در نرمافزار Orange
- درس ۲۱: خوشهبندی و الگوریتمهای مختلف آن
- درس ۲۲: خوشهبندی آگهیهای اپلیکیشن جهت ساخت یک سیستم پیشنهادگر
- درس ۲۳: خوشهبندی مشتریان فروشگاه اینترنتی جهت ساخت یک سیستم پیشنهادگر
- درس ۲۴: ارزیابی الگوریتمهای خوشهبندی
- فصل ششم: تحلیل و پیشبینی سریهای زمانی در نرمافزار Orange
- درس ۲۵: تعریف دادههای مبتنی بر سری زمانی
- درس ۲۶: پیشبینی قیمت سهام در بورس با مدل ARIMA
- درس ۲۷: پیشبینی و ارزیابی دادههای مبتنی بر سری زمانی با مدلهای ARIMA و VAR
- فصل هفتم: تحلیل و شناسایی دادههای دورافتاده در نرمافزار Orange
- درس ۲۸: دادههای دورافتاده چه دادههایی هستند و چگونه میتوان آنها را شناسایی کرد؟
- درس ۲۹: پیشبینی تقلب در کارتهای مترو با استفاده از الگوریتمهای جنگل ایزوله و DBSCAN
- فصل هشتم: متنکاوی و تصویرکاوی در نرمافزار Orange
- درس ۳۰: کار با دادههای تصویر و متن در نرمافزار Orange
- درس ۳۱: مثال تشخیص بیماری ریوی با استفاده از عکس قفسه سینه
- درس ۳۲: مثال پیشبینی دستهبندی اخبار با استفاده از متن خبر
- فصل نهم: تحلیل شبکههای اجتماعی در نرمافزار Orange
- درس ۳۳: تعریف دادههای مبتی بر گراف و شبکه
- درس ۳۴: مثال کار با دادههای شبکههای تلفن همراه
- فصل دهم: راهنمایی ادامه مسیر
- درس ۳۵: جمعبندی و نتیجه مباحث
- درس ۳۶: ادامه یادگیری
منبع:
فرادرس