توضیحات : با سلام و احترام. جزوه حاضر در 230 صفحه داده کاوی را با مثالهای متنوع شرح داده است و شامل بخش های زیر است: • تفاوت بین Feature Selection و Feature Extraction • انواع مختلف صفات و ویژگی ها و مجموعه داده، کیفیت داده ها و پالایش آنها و طریقه کشف داده های پرت و نویز، داده های گمشده • پیش‌پردازش داده‌ها (ترکیب کردن، نمونه گیری) • انتخاب صفات یا ویژگیها و تولید آن • تبدیل فوریه و تبدیل موجک • اندازه های تشابه و عدم تشابه • روش فاصله (ماهالانوبیس و ...) • نظریه اطلاع • اکتشاف داده ها • شاخص های مرکزی و پراکندگی داده ها • مصورسازی داده ها، رگرسیون و الگوریتم های بهینه یابی • گرادیان • منظم سازی داده ها • رگرسیون لاسو • طبقه بندی و درخت تصمیم • معیار جایگزین جداسازی بر اساس نظریه اطلاع • درخت تصمیم طبقه‌بندی • روش های طبقه بندی • مدل های گرافی • ماشین بردار پشتیبان • الگوریتم Bagging • مترهای مورد نیاز برای داده های نامتوازن • قواعد انجمنی یا Association Rules • تولید درخت Hash • قاعده تولید با الگوریتم های مختلف • الگوریتم FP Growth • خوشه بندی • کاهش بعد با PCA این جزوه برای همه دانشجویان که با داده کاوی سروکار دارند مفید است.