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.
آموزش نرم افزار اورنج – داده کاوی و هوش تجاری بدون کدنویسی با Orange
  • 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
فرادرس
798,000 تومان
دریافت فایل
شنبه 29 دی 1403، ساعت 00:49