[ENGLISH]

01 Course Overview [2mins]
01-01 Course Overview [2mins]

02 Evaluating the Effectiveness of a Clustering Model [48mins]
02-01 Version Check [0mins]
02-02 Module Overview [2mins]
02-03 Prerequisites and Course Outline [1mins]
02-04 Evaluating the Results of Data Mining [6mins]
02-05 White-box Models and Concept Drift [4mins]
02-06 Model Simplicity [5mins]
02-07 Evaluating Clustering Models [7mins]
02-08 Demo: Performing Clustering Analysis Using K-means Clustering [7mins]
02-09 Demo: Performing Clustering Analysis Using Agglomerative Clustering and Mean Shift Clustering [4mins]
02-10 Demo: Evaluating K-means Clustering Using Sum of Squared Distances and Silhoutte Score [5mins]
02-11 Demo: Evaluating Agglomerative Clustering and Estimating the Right Bandwidth for Mean Shift Clustering [5mins]
02-12 Module Summary [2mins]

03 Evaluating the Effectiveness of Association Rule Mining [40mins]
03-01 Module Overview [2mins]
03-02 Association Rule Mining for Market Basket Analysis [3mins]
03-03 Support and Frequent Itemsets [4mins]
03-04 Confidence, Lift, and Conviction [8mins]
03-05 An Overview of the Apriori Algorithm [3mins]
03-06 Demo: Using the Apriori Algorithm to Generate Frequent Itemsets [7mins]
03-07 Demo: Association Rule Mining on a Toy Dataset [5mins]
03-08 Demo: Exploring the Bread Basket Dataset [4mins]
03-09 Demo: Association Rule Mining Using the Bread Basket Data [3mins]
03-10 Module Summary [1mins]

04 Evaluating the Effectiveness of Regression Models [36mins]
04-01 Module Overview [1mins]
04-02 Finding the Best Fit Line [3mins]
04-03 Interpreting Regression Results [3mins]
04-04 R-square and Adjusted R-square [3mins]
04-05 T-statistics and F-statistic [2mins]
04-06 Demo: Exploring the Regression Dataset [6mins]
04-07 Demo: Building and Evaluating a Regression Model [5mins]
04-08 Demo: Interpreting Results Using Residuals and Learning Curves [5mins]
04-09 Demo: Evaluating Multiple Regression Models [7mins]
04-10 Module Summary [1mins]

05 Evaluating the Effectiveness of Classification Models [42mins]
05-01 Module Overview [1mins]
05-02 Accuracy as an Evaluation Metric [2mins]
05-03 Precision and Recall to Evaluate Classifiers [5mins]
05-04 The ROC Curve [5mins]
05-05 Validating Models Using Training, Validation, and Test Sets [5mins]
05-06 K-fold Cross Validation [3mins]
05-07 Demo: Exploring the Classification Dataset [5mins]
05-08 Demo: K-fold, Hold-out, and Shuffle Split Cross Validation [6mins]
05-09 Demo: Grid Search for Hyperparameter Tuning with Cross Validation [5mins]
05-10 Demo: Evaluating the Model Using Accuracy, Precision, Recall and the ROC Curve [3mins]
05-11 Module Summary [2mins]

[فارسی]

01 بررسی اجمالی دوره [2 دقیقه]
01-01 بررسی اجمالی دوره [2 دقیقه]

02 ارزیابی اثربخشی یک مدل خوشه‌بندی [48 دقیقه]
02-01 بررسی نسخه [0 دقیقه]
02-02 نمای کلی ماژول [2 دقیقه]
02-03 پیش نیازها و خلاصه دوره [1 دقیقه]
02-04 ارزیابی نتایج داده کاوی [6 دقیقه]
02-05 مدل‌های جعبه سفید و دریفت مفهومی [4 دقیقه]
02-06 مدل سادگی [5 دقیقه]
02-07 ارزیابی مدل‌های خوشه‌بندی [7 دقیقه]
02-08 نسخه‌ی نمایشی- انجام تجزیه و تحلیل خوشه‌بندی با استفاده از خوشه‌بندی K-means [7 دقیقه]
02-09 نسخه آزمایشی- انجام تجزیه و تحلیل خوشه‌بندی با استفاده از خوشه‌بندی تجمعی و خوشه‌بندی میانگین شیفت [4 دقیقه]
02-10 نسخه‌ی نمایشی- ارزیابی خوشه‌بندی K-means با استفاده از مجموع فاصله‌های مربعی و امتیاز تصویر [5 دقیقه]
02-11 نسخه‌ی نمایشی- ارزیابی خوشه‌بندی تجمعی و تخمین پهنای باند مناسب برای خوشه‌بندی میانگین شیفت [5 دقیقه]
02-12 خلاصه ماژول [2 دقیقه]

03 ارزیابی اثربخشی کاوی قانون انجمن [40 دقیقه]
03-01 نمای کلی ماژول [2 دقیقه]
03-02 استخراج قانون انجمن برای تحلیل سبد بازار [3 دقیقه]
03-03 پشتیبانی و مجموعه آیتم‌های مکرر [4 دقیقه]
03-04 اعتماد به نفس، بالابردن، و اعتقاد [8 دقیقه]
03-05 مروری بر الگوریتم Apriori [3 دقیقه]
03-06 نسخه‌ی نمایشی- استفاده از الگوریتم Apriori برای ایجاد مجموعه‌های مکرر [7 دقیقه]
03-07 نسخه‌ی نمایشی- استخراج قوانین انجمن در مجموعه داده اسباب بازی [5 دقیقه]
03-08 نسخه‌ی نمایشی- کاوش مجموعه داده سبد نان [4 دقیقه]
03-09 نسخه‌ی نمایشی- استخراج قوانین انجمن با استفاده از داده‌های سبد نان [3 دقیقه]
03-10 خلاصه ماژول [1 دقیقه]

04 ارزیابی اثربخشی مدل‌های رگرسیون [36 دقیقه]
04-01 نمای کلی ماژول [1 دقیقه]
04-02 یافتن بهترین خط مناسب [3 دقیقه]
04-03 تفسیر نتایج رگرسیون [3 دقیقه]
04-04 R-square و R-square تنظیم شده [3 دقیقه]
04-05 آمار T و آمار F [2 دقیقه]
04-06 نسخه‌ی نمایشی- کاوش مجموعه داده‌های رگرسیون [6 دقیقه]
04-07 نسخه‌ی نمایشی- ساخت و ارزیابی یک مدل رگرسیون [5 دقیقه]
04-08 نسخه‌ی نمایشی- تفسیر نتایج با استفاده از پسماندها و منحنی‌های یادگیری [5 دقیقه]
04-09 نسخه‌ی نمایشی- ارزیابی مدل‌های رگرسیون چندگانه [7 دقیقه]
04-10 خلاصه ماژول [1 دقیقه]

05 ارزیابی اثربخشی مدل‌های طبقه‌بندی [42 دقیقه]
05-01 نمای کلی ماژول [1 دقیقه]
05-02 دقت به عنوان معیار ارزیابی [2 دقیقه]
05-03 دقت و یادآوری برای ارزیابی طبقه‌بندی‌کننده‌ها [5 دقیقه]
05-04 منحنی ROC [5 دقیقه]
05-05 اعتبارسنجی مدل‌ها با استفاده از مجموعه‌های آموزشی، اعتبارسنجی و تست [5 دقیقه]
05-06 K-fold Cross Validation [3 دقیقه]
05-07 نسخه‌ی نمایشی- کاوش مجموعه داده‌های طبقه‌بندی [5 دقیقه]
05-08 نسخه نمایشی- K-fold، Hold-out و Shuffle Split Cross Validation [6 دقیقه]
05-09 نسخه‌ی نمایشی- جستجوی شبکه برای تنظیم فراپارامتر با اعتبارسنجی متقاطع [5 دقیقه]
05-10 نسخه‌ی نمایشی- ارزیابی مدل با استفاده از دقت، دقت، یادآوری و منحنی ROC [3 دقیقه]
05-11 خلاصه ماژول [2 دقیقه]