مسعود مظلوم

مسعود مظلوم

محقق در زمینه هوش مصنوعی و علم داده دانشگاه آمستردام و فردوسی مشهد

صفحه شخصی

زمانبندی

تاریخ شروع پایان
1401-06-1214:3016:00
1401-06-1216:3018:00
هدف :

به پروسه جمع‎آوری داده برای استفاده در تصمیم‌گیری تجاری، برنامه ریزی استراتژیک، تحقیقات و اهداف دیگر جمع‌آوری داده میگویند. این کار بخش الزامی برای تحلیل داده و تحقیقات روی داده است. جمع‌آوری داده موثر اطلاعاتی را فراهم میکند که به سوالات ما پاسخ دقیق میدهد، کسب و کار را تحلیل میکند و یا به اهداف دیگر ما پاسخ میدهد. اطمینان از صحت داده و کیفیت آنها از چالش های جمع‌آوری داده است.

شرکت کننده ها در انتهای دوره چه مطالبی را می‌آموزند ؟
  • Where is Data?
  • Why is Data collected?
  • Determining what data to collect
  • How to collect Data?
  • Data Collection Problems

زمانبندی

تاریخ شروع پایان
1401-06-1309:3011:00
1401-06-1311:3013:00
هدف :

به پروسه آماده‌ کردن داده خام به جهت خوانایی و دقیق بودن برای پردازش ها و تحلیل آماده سازی داده میگویند. از گام های اصلی این کار میتوان به جمع‌آوری از منابع مختلف، استاندار سازی ساختار داده، تمیزکردن(cleaning) و لیبلینگ داده خام اشاره کرد. این کار به شکلی انجام میشود که داده برای الگوریتم‌های یادگیری ماشین، اکتشاف و مصورسازی داده آماده باشد. آماده‌سازی داده میتواند 80 درصد زمان یک پروژه داده ای را به خود اختصاص دهد، و این اهمیت این بخش و اهمیت استفاده از ابزار های بهینه برای این بخش را نشان میدهد.

شرکت کننده ها در انتهای دوره چه مطالبی را می‌آموزند ؟
  • Prerequisites to good data preparation
  • Dealing with variables
  • Sparsity
  • Increasing dimensionality
  • Missing values
  • Outliers
  • Normalization, transformation, feature engineering
  • Data separation
  • Dealing with imbalanced data

زمانبندی

تاریخ شروع پایان
1401-06-2008:3009:30

زمانبندی

تاریخ شروع پایان
1401-06-1314:3016:00
1401-06-1316:3018:00
هدف :

اکتشاف داده به رویکرد آنالیز داده ها به قصد خلاصه سازی کارکتر اصلی داده است که اکثرا به کمک نمودار های آماری و روش های مصور‌سازی داده انجام میشود. هدف اصلی اکتشاف‌داده پیدا کردن اطلاعات و ارزش های مخفی درون داده هاست.

شرکت کننده ها در انتهای دوره چه مطالبی را می‌آموزند ؟
  • Introduction to Exploratory Data Analysis (EDA)
  • EDA with Visualization
  • Grouping Data for EDA
  • Variable Transformation
  • Feature Encoding
  • Feature Scaling