📢 فرصتی ویژه برای دسترسی به محتوای هفته اول «دوره علم داده اجتماعی» (ASDS)

🔺اگر هنوز برای ثبت‌نام دوره «علم داده اجتماعی» مردد هستید و به‌خاطر نداشتن تصویر دقیق از محتوا، تردید دارید، این فرصت را از دست ندهید!
✅ دسترسی رایگان به محتوای کامل هفته اول + بخش منتخب هفته دوم دوره را برای شما فعال کرده‌ایم تا:
🔹 ساختار و قالب آموزشی را از نزدیک ببینید .
🔹 متدها و روش‌های تدریس را تجربه کنید.
🔹 قبل از ثبت نام و خرید، با اطمینان صددرصد تصمیم بگیرید.
📲 برای دسترسی به این محتوا کافی است به شماره 09216139651 در تلگرام یا بله پیام دهید.


🔗 ثبت‌نام: https://tehranasds.ir

🌐 [لینکدین] | [اینستاگرام] | [تلگرام] | [بله]

🔶 نقش علوم اجتماعی در عصر داده‌ها : گزارشی از سخنرانی دکتر غفاری در نشست افتتاحیه دوره علم داده اجتماعی ASDS

🔺 دکتر غفاری، رئیس دانشکده علوم اجتماعی دانشگاه تهران در مراسم افتتاحیه دوره علم داده اجتماعی ASDS، بر ضرورت تسلط هم‌زمان بر علم داده و تفسیرهای اجتماعی تأکید کرد.
🔹 وی افزود «شرکت‌کنندگان در این دوره، مهارت‌های لازم در حوزه علم داده و تحلیل اجتماعی را به‌صورت توأمان به دست خواهند آورد.»
🔷 دکتر غفاری با اشاره به اهمیت نگاه چندبُعدی به پدیده‌های اجتماعی افزود: «واقعیت‌های اجتماعی را نمی‌توان تک‌ساحتی دید. از ابتدا هم بزرگان علوم اجتماعی بر مشاهده کامل پدیده‌ها تأکید داشتند.»
🔷 وی تقسیم‌بندی‌های رایج را عاملی در اختلال درک دقیق واقعیت دانست و گفت: «چنین تفکیکی در برخی موارد مانع فهم درست پدیده‌های اجتماعی می‌شود.»
🔷 دکتر غفاری با اشاره به علم داده گفت: «هرچند ابزارهای تحلیلی پیشرفته‌تر شده‌اند، اما این فرآیند همچنان نیازمند دقت، پالایش و انتخاب دقیق داده‌هاست.»
🔗 ثبت‌نام
https://tehranasds.ir

📞 تماس با ما: 09216139651

🌐 [لینکدین] | [اینستاگرام] | [تلگرام] | [بله]

🔶 دوره علم داده اجتماعی (ASDS): علم داده اجتماعی،چشم اندازها و روش شناسی
🔺دکتر محمدعلی دادگسترنیا

🔹 چه کسی به نیمهٔ خالی لیوان فکر می‌کند؟

🔸 در علوم اجتماعی محاسباتی، تقسیم کار میان مهندسان داده و پژوهشگران علوم اجتماعی، کلیدی است. مهندس داده، دغدغه‌ی دقت مدل، کاهش خطا و کارآمدی الگوریتم دارد؛ او به زبان کد فکر می‌کند و به عملکرد فنی می‌نگرد.
🔸 اما پژوهشگر علوم اجتماعی وظیفه‌ای متفاوت دارد: باید بپرسد این مدل، واقعیت اجتماعی را چگونه بازنمایی می‌کند؟ چه صداهایی شنیده نمی‌شوند؟ کدام گروه‌ها نادیده گرفته می‌شوند؟
🔸 در واقع، اگر مهندس داده به نیمهٔ پُر لیوان می‌اندیشد، پژوهشگر علوم اجتماعی باید چشم به نیمهٔ خالی لیوان بدوزد. این تمایز، جوهره‌ی کار بین‌رشته‌ای در علم داده اجتماعی است.

🔗 ثبت‌نام
https://tehranasds.ir

📞 تماس با ما: 09216139651

🌐 [لینکدین] | [اینستاگرام] | [تلگرام] | [بله]

🔶 دوره علم داده اجتماعی (ASDS): مبانی علم داده

🔺 مدرس: دکتر اکبرصمدی

🔹 برشی از تدریس روش‌های استانداردسازی و شناسایی داده‌های پرت

🔸 در کلاس مبانی علم داده، دکتر اکبر صمدی با ادامه بحث پیش‌پردازش داده‌ها، به معرفی روش‌های استانداردسازی و شناسایی داده‌های پرت پرداخت. در این راستا، روش Z-score به‌عنوان یکی از شیوه‌های آماری نرمال‌سازی و تشخیص داده‌های پرت (outliers) معرفی شد؛ علاوه بر این روش و نمودار و Boxplot به‌عنوان روشی دیگر برای تشخیص داده‌های پرت معرفی و آموزش داده شد. در ادامه دانشجویان با فرمول‌نویسی در اکسل شناسایی داده‌های پرت به کمک هر دو روش را در عمل تمرین و اجرا کردند.

🔗 ثبت‌نام
https://tehranasds.ir

📞 تماس با ما: 09216139651

🌐 [لینکدین] | [اینستاگرام] | [تلگرام] | [بله]

📘 مصورسازی بهتر داده‌ها
✍🏻 اثر: Jon Schwabish
📙 ترجمه: اکبر صمدی، فرشید دلجو، علی واعظی‌نژاد

🔹 اگر با داده‌ها کار می‌کنید، دیر یا زود باید آن‌ها را به شکلی واضح و اثرگذار ارائه کنید. در چنین شرایطی، صرفاً داشتن داده‌ی خوب کافی نیست؛ باید بتوانید آن‌ها را درست و حرفه‌ای مصورسازی کنید.

🔸 یکی از مزایای این کتاب، توجه به زمینه‌های مختلف کاربرد داده است: از ارائه‌های مدیریتی گرفته تا گزارش‌های پژوهشی، از محتوای آموزشی تا گرافیک رسانه‌ای.
خواننده یاد می‌گیرد که چطور بر اساس نوع مخاطب، هدف تحلیل و بستر انتشار، از ابزارهای بصری به شکلی هوشمندانه استفاده کند.

این کتاب برای چه کسانی مفید است؟
✅ تحلیل‌گران داده و دانشجویان علم داده
✅ پژوهشگران حوزه‌های مختلف علوم انسانی، اجتماعی و سلامت
✅ تولیدکنندگان محتوا، طراحان گزارش و نویسندگان علمی

📚 «مصورسازی بهتر داده‌ها» تنها درباره‌ی زیباسازی نمودار نیست، بلکه درباره‌ی فهم بهتر و انتقال دقیق‌تر داده‌ها به زبان تصویر است.

#معرفی_کتاب

🔗 ثبت‌نام
https://tehranasds.ir

📞 تماس با ما: 09216139651

🌐 لینکدین | اینستاگرام | تلگرام | بله

📌 مطالعه موردی علم داده اجتماعی: شناسایی و مقابله با شایعات زیکا با علم داده

🔍 هدف پژوهش:
در بحران جهانی زیکا (۲۰۱۶)، اطلاعات نادرست زیادی به‌سرعت در شبکه‌های اجتماعی پخش می‌شد. این مطالعه به‌دنبال شناسایی خودکار شایعات درباره زیکا در توییتر و تحلیل الگوی گسترش آن‌ها با کمک علم داده بود.

🛠️ روش کار:
پژوهشگران بیش از ۱۳ میلیون توییت را از دوره بحران جمع‌آوری کردند. با تلفیق روش‌های NLP، یادگیری ماشین و تحلیل شبکه، توانستند الگوهای شایعه‌پراکنی را استخراج و تحلیل کنند.

🧪 تکنیک‌های علم داده‌ای:

✅️ جمع‌آوری داده با Twitter API
✅️ پاک‌سازی و استخراج ویژگی‌های زبانی (TF-IDF، word2vec)
✅️ مدل‌سازی با SVM، Random Forest و Logistic Regression
✅️ تحلیل موج‌های شایعه‌سازی (burst detection)

📈 نتایج پژوهش:

1. شایعات اغلب با الگوهای انفجاری و از چند نود مرکزی منتشر می‌شوند.
2. ترس و بی‌اعتمادی در شرایط بحران، محرک اصلی شایعات‌اند.
3. داده‌کاوی می‌تواند نقاط مداخله و لحظات بحرانی را به‌موقع شناسایی کند.
4. این مطالعه نشان داد علم داده ابزاری مؤثر در مدیریت مسائل اجتماعی است.


🌐 لینکدین اینستاگرام تلگرام بله

@tehranasds 👇

📘 معرفی کتاب
🎙 «روایتگری با داده – Storytelling with Data»
✍️ نویسنده: Cole Nussbaumer Knaflic

۱️⃣ درکِ بستر و زمینه (Context)
🧭 مخاطب شما کیست؟ دغدغه‌اش چیست؟
🎯 هدف شما از ارائهٔ داده چیست؟ اطلاع‌رسانی، متقاعدسازی، یا تصمیم‌سازی؟
📌 این موارد تعیین می‌کنند چه داده‌ای را، چگونه و با چه سطح از جزئیات نمایش دهید.

۲️⃣ انتخاب نمودار مناسب
📊 نوع نمودار باید با پیام شما هماهنگ باشد:
📏 نمودار میله‌ای: برای مقایسه
📈 نمودار خطی: برای روندهای زمانی
⚪ نمودار پراکندگی: برای روابط بین متغیرها
🌡 نقشه حرارتی (Heatmap): برای شدت یا تراکم
🚫 از نمودارهای دایره‌ای، سه‌بعدی و شلوغ پرهیز کنید مگر واقعاً مفید باشند.

۳️⃣ حذف شلوغی‌ها (Clutter)
✂️ «فقط چون نرم‌افزار چیزی را اضافه می‌کند، به‌معنای لازم بودنش نیست.»
🧹 حذف کنید: خطوط شبکه، قاب‌ها، پس‌زمینه‌های سنگین، برچسب‌های تکراری یا زائد و راهنماهایی که می‌توان آن‌ها را با برچسب مستقیم جایگزین کرد
🧮 از اصل نسبت جوهر به اطلاعات (Data-Ink Ratio) استفاده کنید.

۴️⃣ جلب توجه روی نکات کلیدی
🧲 برای هدایت نگاه مخاطب از ویژگی‌های بصری استفاده کنید:
✅ بولد
🎨 رنگ
🔠 اندازه
📍 موقعیت
⬜ فضای خالی
🔔 پیام کلیدی را مستقیم برجسته کنید؛ تفسیر را به مخاطب نسپارید.

۵️⃣ مثل یک طراح فکر کنید
🎨 از اصول طراحی بهره بگیرید:
🔹 تراز بودن (Alignment)
🔹 نزدیکی عناصر مرتبط (Proximity)
🔹 کنتراست (Contrast)
🧩 عناصر مرتبط را گروه‌بندی کنید و سلسله‌مراتب بصری بسازید.
🖋 فونت، رنگ و فاصله‌ها را هماهنگ و خوانا انتخاب کنید.

۶️⃣ داستان تعریف کنید
📖 روایت داده‌ای خود را در قالب ساختار داستانی ارائه دهید:
🪧 شروع (وضعیت موجود): مشکل یا سوال چیست؟
🚧 میانه (کشمکش): داده چه چیزی را روشن می‌کند؟
🏁 پایان (نتیجه‌گیری): چه باید کرد؟
🧠 + ❤️ هم منطق را درگیر کنید، هم احساس مخاطب را.

۷️⃣ تمرین، بازخورد، بازبینی
🔁 روایتگری با داده نیازمند تمرین و بازنگری است.
📣 از دیگران بازخورد بگیرید: آیا پیام قابل درک است؟
🧪 ارائهٔ آزمایشی انجام دهید و نقاط ضعف را شناسایی کنید.

🧰 ابزارها و تکنیک‌های عملی کتاب:
📝 از یادداشت‌گذاری (Annotation) استفاده کنید تا پیام را مستقیم درون نمودار نمایش دهید.
🔄 اطلاعات را لایه‌لایه ارائه دهید؛ ساده شروع کنید و در صورت لزوم به عمق بروید.
🎯 پیام کلیدی را در ابتدا بیاورید، نه در انتها.

📌 جملات کلیدی کتاب:
💬 «داده‌ها فقط عددند، مگر اینکه کاری با آن‌ها انجام دهید.»
💬 «مخاطب را در تفسیر تنها نگذارید — راهنمایی‌اش کنید.»

📈 مثال کاربردی:
❌ اشتباه: داشبوردی شلوغ پر از اطلاعات فروش، مناطق، دسته‌بندی‌ها و تاریخچه، بدون تأکید یا نتیجه‌گیری.
✅ راه درست: نموداری ساده با عنوان روشن:
«🔻 کاهش ۱۲٪ فروش در منطقه شمالی – ناشی از افت الکترونیک»
با هایلایت رنگی روی دادهٔ کلیدی و یادداشت کوتاه روی نمودار.
#معرفی_کتاب

🔗 سایت
https://tehranasds.ir

📞 تماس با ما: 09216139651

🌐 [لینکدین]| [اینستاگرام] | [تلگرام]| [بله]

🔶 دوره علم داده اجتماعی (ASDS) هفته‌ی نهم: مبانی علم داده
🔺 مدرس: دکتر اکبرصمدی

در این جلسه، دکتر صمدی به آموزش مدل بیز ساده (Naive Bayes) به دانشجویان می‌پردازند.
👨‍🏫 در ابتدای کلاس، ایشان با معرفی فرمول پایه‌ای این مدل آغاز می‌کنند:
P(A|B) = (P(B|A) × P(A)) / P(B)

و تلاش می‌شود که منطق پشت این رابطه‌ی ساده و کاربردی به زبانی قابل فهم توضیح داده شود.
🔍 سپس، فضای آموزش به سمت کاربرد عملی سوق داده می‌شود.
مثالی با موضوع پیش‌بینی بیماری قلبی ارائه می‌گردد و پرسیده می‌شود:
«احتمال اینکه فردی با ویژگی‌هایی مانند قد، وزن، کلسترول و فشار خون دچار بیماری قلبی باشد، چقدر است؟»
در ادامه، تأکید می‌شود که برای تحلیل درست، باید احتمال وقوع بیماری به شرط داشتن ویژگی‌ها (مانند X1، X2، X3 و...) محاسبه گردد.

🧠 در این کلاس، تلاش می‌شود تا ذهن دانشجویان با منطق تحلیلی آشنا شده و نحوه‌ی استدلال آماری با استفاده از داده‌ها و احتمال شرطی در فضای واقعی تمرین گردد.

🔗 ثبت‌نام
https://tehranasds.ir

📞 تماس با ما: 09216139651

🌐 لینکدین | اینستاگرام | تلگرام | بله

@tehranasds 👇

🔷️ پروژه علم داده اجتماعی : تحلیل نابرابری دسترسی به مدارس متوسطه – کلارندون (Clarendon)، جامائیکا

📌 ۱. اهداف پروژه
هدف اصلی‌ این پروژه نمایش شکاف آموزشی و ارائه راه‌حل‌هایی مبتنی بر عدالت اجتماعی بود.


🎯 ۲. توضیح مسئله
در منطقه‌ی کلارندون در جامائیکا، نابرابری دسترسی به مدارس متوسطه معضلی فراگیر شده بود ؛ مناطقی که جمعیت دانش‌آموزی زیادی داشتند، از نبود مدارس کافی یا مسیرهای دشوار حمل‌ونقل رنج می‌بردند و در نتیجه فرصت‌های آموزشی برای بسیاری از دانش‌آموزان محدود بود .
این پروژه نه‌ فقط تلاشی آکادمیک در چارچوب روش‌های تحلیل جغرافیایی بود، بلکه معطوف به عدالت اجتماعی و برابری آموزشی نیز طراحی شده بود. پژوهشگران با تکیه بر این یافته‌ها پیشنهاد کردند که سیاست‌گذاران با درک اولویت‌های جمعیتی و جغرافیایی—و نه فقط آمار کلی—در تصمیم‌گیری درباره مراحل بعدی سرمایه‌گذاری در زیرساخت آموزشی عمل کنند. همچنین به موجب دغدغه‌های اخلاقی، تأکید شد که تصمیمات مکانی نباید منابع را به مناطق پرجمعیت‌تر یا دارای صدا بیشتر منتقل کنند؛ بلکه باید پوشش عدالت‌محور را در دستور کار قرار داد تا هیچ گروهی به‌خاطر موقعیت جغرافیایی از حق آموزش محروم نماند. این مطالعه، به‌ویژه برای نواحی شبیه کلارندون، چیزی فراتر از یک مدل داده‌محور ارائه می‌داد: چشم‌اندازی از آموزش فراگیر، فرصت برابر و آینده‌ای که در آن هیچ دانش‌آموزی در دورافتاده‌ترین منطقه، به‌خاطر جغرافیا، از آینده‌اش جامانده نیست. مرجع این پژوهش در دانشگاه شیکاگو منتشر شد و می‌توان آن را در مخزن ERIC یافت.


🛠️ ۳. استفاده از ابزارهای علم داده برای حل مسئله
پژوهش در گستره‌ای انجام شد که داده‌های مکانی مدارس، ظرفیت پذیرش آن‌ها و کیفیت آموزشی‌شان، با داده‌های جمعیتی در هر ناحیه به‌دقت تلفیق شد. پژوهشگران فراتر از صرفا بررسی فاصله آماری، کوشیدند با مدل‌های شبکه‌ای—یعنی آنچه در GIS به عنوان شبکه جاده‌ای و تحلیل Service Area شناخته می‌شود—مسیر واقعی حرکت دانش‌آموزان تا نزدیک‌ترین مدرسه را محاسبه کنند و درک کنند که کدام نواحی بیشترین محرومیت را دارند.
در این پروژه از ابزارهای تحلیل جغرافیایی (GIS) برای بررسی دقیق موقعیت مکانی مدارس و مسیرهای دسترسی دانش‌آموزان استفاده شد. با بهره‌گیری از مدل‌های شبکه‌ای، زمان و مسیر واقعی سفر دانش‌آموزان تا نزدیک‌ترین مدرسه محاسبه گردید. همچنین روش‌های تحلیل فضایی مانند buffer analysis و density analysis به‌کار رفت تا نواحی محروم شناسایی شوند. برای پیشنهاد مکان‌های بهینه ساخت مدارس جدید، مدل location-allocation مورد استفاده قرار گرفت که بر اساس داده‌های جمعیتی و زیرساخت‌های حمل‌ونقل بهترین نقاط را تعیین می‌کند. این روش‌ها در کنار پردازش داده‌های جمعیتی و ترکیب چندمنظوره داده‌ها، چارچوبی جامع برای حل مسئله نابرابری آموزشی فراهم کردند.

📈 ۴. نتایج
این تحلیل نشان داد که نقاطی مانند Chapelton و Mocho با تراکم بالای دانش‌آموزان در کنار کمبود مدارس، در معرض شدیدترین نابرابری‌ها هستند؛ جایی که نه تنها مدارس اندک‌اند بلکه حتی مسیرهای طولانی و دشوار به‌شدت دسترسی را محدود می‌کند. با به‌کارگیری مدل location-allocation، پژوهشگران توانستند پیشنهاداتی مشخص ارائه دهند: ساخت تنها چهار مدرسه جدید می‌توانست اکثریت مناطق محروم را تحت پوشش قرار دهد و فاصله زمانی بین دانش‌آموز و مدرسه را به کمتر از سی دقیقه کاهش دهد؛ تغییری که می‌توانست از ترک تحصیل، آسیب‌های روانی و توقف مسیر آموزشی جلوگیری کند.

🌐 وبسایت ما : https://tehranasds.ir
📞 تماس با ما: 09216139651
🌐 [لینکدین] | [اینستاگرام] | [تلگرام] | [بله]

@tehranasds 👇

🔷️ پروژه علم داده اجتماعی : پیش‌بینی و جلوگیری از ترک تحصیل در مدارس برزیل

🎯 ۱. توضیح مسئله
مسئله ی ترک تحصیل در مقطع دبیرستان همیشه یک چالش بزرگ اجتماعی در کشور برزیل بوده است . دانش‌آموزان با رها کردن مدرسه ممکن است دچار فرصت شغلی کمتر ، فقر و احتمال بیشتر برای کنار گذاشته شدن از جامعه شوند .

📌 ۲. اهداف پروژه
سیاست‌گذاران و مسئولان آموزش و پرورش به راهی نیاز داشتند تا قبل از وقوع ترک تحصیل دانش‌آموزانی که احتمال ترک تحصيل بالاتری داشتند را شناسایی کنند و مورد حمایت قرار دهند .

🛠️ ۳. استفاده از ابزارهای علم داده برای حل مسئله
وزارت آموزش برزیل با پژوهشگران و متخصصان داده همکاری کرد تا یک مدل یادگیری ماشین بسازد که بتواند پیش‌بینی کند کدام دانش‌آموزان احتمال بیشتری برای ترک تحصیل دارند.ابتدا داده‌هایی از منابع مختلف مانند کارنامه، حضور و غیاب، سطح درآمد و تحصیلات والدین، شرایط خانه و امکانات مدرسه و محله جمع‌آوری و در یک پایگاه مرکزی ادغام شد. سپس داده‌ها پاک‌سازی شدند؛ یعنی موارد ناقص با روش‌های آماری یا تخمینی تکمیل و مقیاس متغیرها یکسان‌سازی و متغیرهای کیفی به کد عددی تبدیل شدند. در مرحله بعد، چند الگوریتم یادگیری ماشین مانند Random Forest، Gradient Boosting و شبکه‌های عصبی روی داده‌ها آموزش داده شد و هرکدام برای هر دانش‌آموز احتمال ترک تحصیل محاسبه کردند. برای ارزیابی دقت مدل، داده‌ها به دو بخش آموزش و تست تقسیم شدند و معیار AUC-ROC نشان داد که بهترین مدل توانسته است بیش از ۹۰٪ موارد را درست پیش‌بینی کند. بر اساس این مدل، برای هر دانش‌آموز یک امتیاز ریسک بین صفر تا یک تعیین شد؛ کسانی که امتیاز بالای ۰.۷ داشتند به عنوان پرخطر شناخته شدند و به برنامه‌های حمایتی معرفی شدند، از جمله کمک‌هزینه مالی برای خانواده‌های فقیر، جلسات مشاوره روانشناسی و اجتماعی و کلاس‌های جبرانی. همه این مراحل با استفاده از ابزارهایی مانند Python، کتابخانه‌های Pandas و scikit-learn برای مدیریت داده و مدل‌سازی، TensorFlow برای شبکه‌های عصبی و Matplotlib برای تحلیل بصری انجام شد. نتیجه این بود که داده‌های آموزشی و اجتماعی در کنار هم به یک ابزار عملی برای سیاست‌گذاری بدل شدند؛ جایی که علوم اجتماعی دلایل ترک تحصیل را توضیح می‌داد و علم داده پیش‌بینی و پیشگیری آن را ممکن ساخت.

منابع داده:
کارنامه و حضور و غیاب دانش‌آموزان
اطلاعات اقتصادی–اجتماعی خانواده (درآمد، تحصیلات والدین، شرایط خانه)
اطلاعات مدرسه و محله (امکانات، موقعیت مکانی)


ابزارهای به کاررفته:
الگوریتم‌های یادگیری ماشین مثل Random Forest و Gradient Boosting
کتابخانه‌های پایتون مثل scikit-learn، Pandas، TensorFlow
پاک‌سازی و آماده‌سازی داده (تکمیل داده‌های ناقص، نرمال‌سازی)
معیار ارزیابی: AUC-ROC برای سنجش دقت پیش‌بینی



📈 ۴. نتایج
مدل نهایی توانست با بیش از ۹۰٪ دقت ترک تحصیل را پیش‌بینی کند.
دولت یک سیستم امتیازدهی ریسک ساخت: دانش‌آموزانی که احتمال بالای ترک داشتند، علامت‌گذاری شدند تا حمایت ویژه دریافت کنند.
این کار باعث شد منابع محدود آموزشی به‌طور هدفمند صرف دانش‌آموزانی شود که بیشترین نیاز را داشتند.

🌐 وبسایت ما : https://tehranasds.ir
📞 تماس با ما: 09216139651
🌐 [لینکدین] | [اینستاگرام] | [تلگرام] | [بله]

📊 دوره‌ی حرفه‌ای و کاربردی IBM SPSS Modeler

اگر به تحلیل داده، یادگیری ماشین و کشف الگوهای پنهان علاقه‌مندی،
این دوره فرصتی است تا با یکی از قدرتمندترین نرم‌افزارهای داده‌کاوی دنیا آشنا شوی!

🔹 آنچه در این دوره می‌آموزی:
• مفاهیم پایه‌ای علم داده و متدولوژی CRISP-DM
• آشنایی با مشاغل حوزه داده و روش‌های پیش‌پردازش
• یادگیری ماشین: Supervised، Unsupervised و Reinforcement
• الگوریتم‌های خوشه‌بندی (K-Means، K-Medoids، DBSCAN)
• قوانین و الگوهای انجمنی (Apriori، FP-Growth)
• کشف الگوهای پنهان، مدل‌های طبقه‌بندی و رگرسیون
• روش‌های تجمیعی مانند Ensemble Learning (Bagging، Boosting)
• الگوریتم‌های پیشرفته مثل Random Forest و SVM

👨‍🏫 مدرس: دکتر اکبر صمدی
مدیرعامل گروه مشاوران تحول و درمان کسب‌و‌کار متود
و دانشمند علم داده

📍 محل برگزاری: دانشکده علوم اجتماعی دانشگاه تهران
🕒 زمان: پنج‌شنبه‌ها، به مدت 32 ساعت
💻 به‌صورت حضوری و مجازی

برای کسب اطلاعات بیشتر:
🌐 www.tehranasds.ir
📱 ۰۹۲۱۶۱۳۹۶۵۱

لینک مستقیم ثبت نام
@tehranasds


#علم_داده #SPSS_Modeler #داده‌کاوی #یادگیری_ماشین #دانشگاه_تهران