دوره از داده‌کاوی مقدماتی تا پیشرفته در IBM PC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب از داده‌کاوی مقدماتی تا پیشرفته در IBM PC

موضوع کلی: تحلیل داده با کامپیوترهای شخصی

موضوع میانی: تجزیه و تحلیل داده‌های آماری با استفاده از IBM PC

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مفاهیم اولیه داده‌کاوی
• 2. نصب و راه‌اندازی نرم‌افزار IBM PC
• 3. مروری بر سخت‌افزار IBM PC برای تحلیل داده
• 4. سیستم عامل DOS و دستورات پایه
• 5. مقدمه‌ای بر ساختار داده
• 6. انواع داده‌های عددی و متنی
• 7. ذخیره‌سازی داده‌ها در IBM PC
• 8. فایل‌های متنی و فرمت‌های رایج
• 9. مقدمه‌ای بر پایگاه داده
• 10. مفاهیم اولیه جداول و رکوردها
• 11. ایجاد و مدیریت فایل‌های داده
• 12. وارد کردن داده‌ها از منابع خارجی
• 13. پاکسازی داده‌های خام
• 14. شناسایی و مدیریت مقادیر گمشده
• 15. شناسایی و مدیریت داده‌های پرت (Outliers)
• 16. استانداردسازی داده‌ها
• 17. نرمال‌سازی داده‌ها
• 18. تبدیل داده‌ها
• 19. ایجاد متغیرهای جدید
• 20. تجمیع داده‌ها
• 21. دسته‌بندی داده‌ها
• 22. مقدمه‌ای بر آمار توصیفی
• 23. محاسبه معیارهای مرکزی (میانگین، میانه، مد)
• 24. محاسبه معیارهای پراکندگی (واریانس، انحراف معیار)
• 25. محاسبه صدک‌ها و چارک‌ها
• 26. رسم نمودارها در IBM PC
• 27. نمودارهای میله‌ای (Bar Charts)
• 28. نمودارهای خطی (Line Charts)
• 29. نمودارهای پراکندگی (Scatter Plots)
• 30. نمودارهای هیستوگرام (Histograms)
• 31. نمودارهای جعبه‌ای (Box Plots)
• 32. نمودارهای دایره‌ای (Pie Charts)
• 33. تجزیه و تحلیل اکتشافی داده‌ها (EDA)
• 34. شناسایی الگوهای اولیه
• 35. یافتن روابط بین متغیرها
• 36. مقدمه‌ای بر مدل‌سازی داده‌ها
• 37. انواع مدل‌های داده‌کاوی
• 38. مدل‌های پیش‌بینی‌کننده
• 39. مدل‌های توصیفی
• 40. رگرسیون خطی ساده
• 41. تفسیر ضرایب رگرسیون
• 42. ارزیابی مدل رگرسیون
• 43. رگرسیون خطی چندگانه
• 44. انتخاب متغیرهای مناسب در رگرسیون
• 45. مقدمه‌ای بر طبقه‌بندی
• 46. الگوریتم K-نزدیکترین همسایه (KNN)
• 47. انتخاب مقدار K در KNN
• 48. ارزیابی مدل KNN
• 49. درختان تصمیم (Decision Trees)
• 50. ساخت و تفسیر درختان تصمیم
• 51. کاهش پیچیدگی درختان تصمیم
• 52. ارزیابی مدل درخت تصمیم
• 53. مقدمه‌ای بر خوشه‌بندی
• 54. الگوریتم K-Means
• 55. انتخاب تعداد خوشه‌ها (K)
• 56. ارزیابی نتایج خوشه‌بندی
• 57. مقدمه‌ای بر قواعد انجمنی (Association Rules)
• 58. پیدا کردن اقلام پرتکرار (Frequent Itemsets)
• 59. تولید قواعد انجمنی
• 60. معیارهای ارزیابی قواعد انجمنی (Support, Confidence)
• 61. الگوریتم Apriori
• 62. کاربرد قواعد انجمنی در تحلیل بازار
• 63. مقدمه‌ای بر داده‌های سری زمانی
• 64. تحلیل روند (Trend Analysis)
• 65. تحلیل فصلی (Seasonal Analysis)
• 66. پیش‌بینی سری زمانی با روش‌های ساده
• 67. مقدمه‌ای بر تحلیل آماری پیشرفته
• 68. آزمون فرض آماری
• 69. آزمون t (t-test)
• 70. آزمون کای‌دو (Chi-Squared Test)
• 71. آنالیز واریانس (ANOVA)
• 72. مقدمه‌ای بر داده‌کاوی در IBM PC
• 73. برنامه‌نویسی در محیط IBM PC برای داده‌کاوی
• 74. استفاده از زبان BASIC برای تحلیل داده
• 75. استفاده از زبان FORTRAN برای تحلیل داده
• 76. استفاده از زبان Pascal برای تحلیل داده
• 77. مقدمه‌ای بر ابزارهای تخصصی داده‌کاوی در IBM PC (در صورت وجود)
• 78. پیاده‌سازی الگوریتم‌های ساده داده‌کاوی
• 79. مدیریت حافظه در IBM PC برای داده‌های حجیم
• 80. بهینه‌سازی عملکرد تحلیل داده در IBM PC
• 81. مقدمه‌ای بر تصور داده‌ها (Data Visualization)
• 82. ایجاد گزارش‌های تحلیلی
• 83. ارائه نتایج تحلیل داده
• 84. نکات مهم در تحلیل داده با IBM PC
• 85. چالش‌های تحلیل داده با سخت‌افزار قدیمی
• 86. مقایسه با روش‌های مدرن داده‌کاوی
• 87. کاربردهای عملی داده‌کاوی در IBM PC
• 88. مطالعات موردی (Case Studies)
• 89. مثال‌های عملی از داده‌کاوی در علوم مختلف
• 90. مقدمه‌ای بر آینده داده‌کاوی
• 91. نکات کلیدی دوره
• 92. مرور کلی مفاهیم
• 93. تمرین‌های عملی
• 94. پروژه نهایی
• 95. جمع‌بندی دوره