با سلام
لطفا اگر کسی فایل پاور پوینت کنفرانس دکتر نخعی در اصفهان را در مورد داده کاوی دارد در اختیار قرار دهد. ضمنا فهرست سخنرانی ایشان به صورت زیر بوده است:
شماره اسلاید زمان موضوع فایل صوتی
۰:۰٤:٥۳ ۱ معرفی
۱ ۱
۰:۲۱:٥۸ ۱ منابع داده کاوی
۰:۲٥:٤۰ ۱ چرا داده کاوی؟
۰:۲۸:٤٥ ۱ چند نمونه مجموعه داده واقعی
۰:٤۱:٥۲ ۱ داده کاوی چيست؟
۰:٥۱:۰٥ ۱ انواع الگ وها
Text mining & web mining ۱:۱۰:۱٤ ۱
۱:۱٤:۳۰ ۱ انبار داد هها
۱:۱٦:۳٦ ۱ ابزار داده کاوی
۱:٤۱:۰۰ ۱ کنفرانسهای داده کاوی
۱:٤۷:۲۳ ۱ داده کاوی در ایران
۱:٥٥:۰۰ ۱ کنفرانسهای دیگر
۱:٥۷:٥٦ پاسخ به سوالات
۲:۰٥:۳٥ ۲ فرایند داده کاوی
CRISPDM
۲:۸:۰۱ ۲ استاندارد
Clementine ۲:۱۲:۱۰ ۲ معرفی ابزار
Business Understanding ۲:۱۸:٥۸ ۲
جمع آوری داده ها , Data Understanding ۲:۲۳:۱٥ ۲
۲:۳٤:۱۰ ۲ منابع دادهء تحقيقاتی
۲:۳٦:٤۹ ۲ توصيف داده ها
۲:٤۲:٤۰ ۲ مشاهده و صفت
۲:٥۰:۰۰ پاسخ به سوالات
۰٤:٤٥ ۲ معرفی شرکت کنندگان از صنایع و سازمانها
٤۸:۱۹ ۲ آ شنایی با ساختار صفات مختلف
٥۱:۳۳ ۲ صفات اسمی
٥۳:۳۸ ۲ صفات ترتيبی
۱ ۲
٥٦:۱٥ ۲ صفات فاصله ا ی /نسبی
۱:۰۱ ۲ صفات گسسته
۱:۰۳:۳٦ ۲ صفات پيوسته
۱:۰٤:۳۳ ۲ دسته بندی اعداد
crosssection
data ۱:۰٥:۱۷ ۲
time series data ۱:۰۷:۰۰ ۲
panel data ۱:۰۷:٥۰ ۲
sequence data ۱:۰۹:۳۲ ۲
data streams ۱:۱۰:۳۰ ۲
۱:۱۲:۳۸ ۲ اعداد مکانی
special temporal data ۱:۱۳:۰۹ ۲
transaction data ۱:۱۳:٤٥ ۲
text and web data ۱:۱٤:۱۰ ۲
multimedia data ۱:۱٤:۲۲ ۲
۱:۲۱:۱۰ ۲ مثال های از انواع اعداد
data exploration ۱:۲۹:۱۰ ۲
۱:۳٦:۳۰ ۲ معيارهای پراکندگی
data cleaning ۱:٤۰:٤۰ ۲
Data Understanding ۱:٤۳:۰٤ ۲ مروری بر
۱:٤٥:۱٤ پاسخ به پرسش ها
Data Preparation ۰۰: ۰٥ :٤۳ ۲
۲ ۱
Data Selection ۰۰:۸:٤۰ ۲
Observation Reduction ۰۰:۱۰:۳۰ ۲
۰۰:۱۱:٥۹ ۲ نمونه گيری هوشمند
۰۰:۱٦:۳۸ ۲ روشهای نمونه گيری
۰۰:۲٥:۲۳ ۲ نمونه گيری تصادفی
۰۰:۲۸:۳۷ ۲ نمونه گيری سيستماتيک
۰۰:۳۲:۲۰ ۲ نمونه گيری طبقه ای
Clementine ۰۰:۳۷:۰٦ ۲ نمونه گيری با
supervised & unsupervised learning ۰۰:٤۹:۰٥ ۲
۱:۰۰:۱۰ ۲ انواع مدل ها
۱:۰۱:۲۷ ۲ رده بندی
۱:۰٦:٥٤ ۲ پيش بينی
۱:۰۸:۰۸ ۲ خوشه بندی
۱:۱۰:٥۹ ۲ شناسایی انحرافات
۱:۱۲:٥۰ ۲ همبستگی
۱:۱۳:٥۰ ۲ قوانين پيوند
۱:۳۱:٤۰ ۲ مثا لهایی از مدل سازی
۱:٤۱:۲۷ ۲ مثال هایی از پي شبينی
۱:٤۹:۳۰ ۲ مقایسه مد لها
۱:٥٤:٥۰ ۲ روش های ارزیابی مد لها
test و train ۱:٥۹:۰٦ ۲ تقسيم داده ها به
Clementine ۲:۰٥:۰۰ مثال د ر
۲:۱۰:٥۸ ۲ تعيين ضریب دقت مدل
Confusion Matrix در مورد Clementine ۲:۲۰:۰۰ ۲ آموزش
۲:۲۸:٤۰ ۲ ارزیابی مدل برای متغير هدف پيوسته
Evaluation ۲:۳٥:۳۳ ۲
SAS استاندارد شرکت SEMA
۲:۳۸:٤۸ ۲
۲:٤۱:۳۳ پاسخ به سوالات
۰۰:۰۰:۰۰ ۸ ترکيب بهينه تيم داده کاوی / فاکتورهای موفقيت پروژه
۲ ۲
۰:۳٤:۳۰ ۲ رو شهای انتخاب متغير
Clementine ۰:٥۳:۱٤ ۲ انتخاب متغير با
Embedded Methods ۱:۰٤:۰۰ ۲
Wrapper Methods ۱:۰٦:٤۰ ۲
Forward & Backward Selection ۱:۱۰:۲٥ ۲
PCA ۱:۱۲:۳۰ ۲
۱:۲۳:۰۰ پاسخ به سوالات
Data Cleaning ۱:۳۲:۲۰ ۲
۱:۳٤:۲۰ ۲ مقادیر گمشده
۱:٤۲:۱۷ ۲ مقادیر غير دقيق و نادرست
۱:٤٥:۰۰ ۲ داده های تکراری
۱:٤۸:۱۲ ۲ نقاط دور افتاده
۱:٥۳:٤۰ ۲ استاندارد سازی
۱:٥۹:۱۰ ۲ گسسته سازی
۲:۰۰:۲۸ ۲ تلفيق داده ها و کد گذاری
۲:۰۱:٤٦ ۲ تعيين مسئله
۲:۰٤:۱۲ ۲ بهينه سازی
۲:۰۷:۱٥ ۲ مرور فرایند داده کاوی
۲:۱۰:٥۰ پاسخ به سوالات
۰۰:۰۰:۰۰ ٤ درخت های تصميم گيری
۳ ۱
Overfitting ۰۰:۲۱:٥۳ ٤
Clementine ۰۰:۲٥:٤۷ ٤ مثال هایی با
۰۰:٥۰:۰۰ ٤ بُرد اطلاعاتی ٬ آنتروپی
۱:۲۱:٤٤ ٤ پاسخ به سوالات
۱:۳۰:۰۰ ٤ شاخص جينی
۱:٤۰:۱۰ ٤ هرس کردن درخت تصميم
۱:٤٤:٤٦ ٤ مزایا و معایب درخت های تصميم
۱:٥۰:۳٥ ٥ قوانين پيوند
۱:٥۳:۱۰ ٥ الگوهای مکرر
Support & Confidence ۰۲:۰٥:۰٤ ٥
Apriori ۰۲:۱۸:٤٥ ٥ اصول
Apriori ۲:۲٤:۲٦ ٥ الگوریتم
Clementine ۲:۲۹:۲۸ ٥ قوانين پيوند در
۲:۳٦:۳۰ پاسخ به سوالات
OLAP ۰۰:۰٦:۰۲ ۳
۳ ۲
Data Warehouse ۰۰:۲٤:۲۰ ۳
۰۰:۳٤:٥٥ پاسخ به سوالات
۰۰:۳۹:٥٤ ٦ رگرسيون و شبکه های عصبی مصنوعی
۰۰:٤۰:۲۸ ٦ رگرسيون ساده
۰۰:٥۲:۱٦ ٦ رگرسيون چند متغيره
Clementine ۰۰:٥۸:۱۰ ٦ رگرسيون در
۰۱:۰۳:٤٦ ٦ شبکه های عصبی مصنوعی
۰۱:۱۸:۰۹ ٦ ساختار شبکه های عصبی مصنوعی
۰۱:۲۰:۱۳ ٦ فرایند آموزش
۰۱:۳۹:۱۷ ٦ روشهای رمزگذاری و رمز گشایی
۰۱:٤٤:۰۳ ٦ انواع شبکه های عصبی مصنوعی
Clementine ۰۱:٥۸:۰٦ ٦ شبکه های عصبی مصنوعی در
۰۲:۰۸:٥۰ ۸ روند و آیندهء تحقيقات داده کاوی / کاربردهای داده کاوی , ۷
با سپاس و احترام
|