آموزش علم داده برای تجارت | 6 مطالعات موردی در دنیای واقعی

Data Science for Business | 6 Real-world Case Studies

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: حل 6 مشکل واقعی کسب و کار. ساخت مدل‌های قوی هوش مصنوعی، DL و NLP برای پروژه‌های فروش، بازاریابی، عملیات، منابع انسانی و روابط عمومی. یک مدل هوش مصنوعی برای کاهش هزینه‌های استخدام و آموزش کارکنان با پیش‌بینی اینکه کدام کارکنان ممکن است شرکت را ترک کنند، توسعه دهید. توسعه مدل یادگیری عمیق برای خودکارسازی و بهینه سازی فرآیندهای تشخیص بیماری در بیمارستان. مدل‌های پیش‌بینی سری‌های زمانی را برای پیش‌بینی قیمت‌های محصول آینده توسعه دهید. توسعه مدل های تشخیص، طبقه بندی و بومی سازی عیب. استراتژی بازاریابی را با انجام تقسیم بندی مشتری بهینه کنید. مدل های پردازش زبان طبیعی را برای تجزیه و تحلیل نظرات مشتریان در رسانه های اجتماعی و شناسایی احساسات مشتریان ایجاد کنید. پیش نیازها: دانش اولیه برنامه نویسی توصیه می شود. با این حال، این موضوعات به طور گسترده در طول سخنرانی های دوره اولیه پوشش داده خواهد شد. بنابراین، این دوره هیچ پیش نیازی ندارد و برای افرادی که دانش اولیه برنامه نویسی دارند آزاد است. دانش‌آموزانی که در این دوره ثبت‌نام می‌کنند، بر اصول علم داده تسلط پیدا می‌کنند و مستقیماً این مهارت‌ها را برای حل مشکلات تجاری چالش‌برانگیز دنیای واقعی به کار می‌گیرند.

آیا به دنبال یافتن شغلی پردرآمد در علم داده هستید؟

یا شما یک تمرین‌کننده باتجربه هوش مصنوعی هستید که می‌خواهید حرفه خود را به سطح بعدی برسانید؟

یا شما یک کارآفرین مشتاق هستید که می خواهید با علم داده و هوش مصنوعی درآمد کسب و کار را به حداکثر برسانید؟


اگر پاسخ هر یک از این سوالات مثبت است، این دوره برای شما مناسب است!

علوم داده یکی از داغ ترین زمینه های فناوری است که در حال حاضر در آن حضور دارید! این رشته با فرصت ها و آینده شغلی در حال انفجار است. علم داده امروزه به طور گسترده در بسیاری از بخش ها مانند بانکداری، مراقبت های بهداشتی، حمل و نقل و فناوری پذیرفته شده است.

در تجارت، Data Science برای بهینه‌سازی فرآیندهای تجاری، به حداکثر رساندن درآمد و کاهش هزینه استفاده می‌شود. هدف از این دوره ارائه دانشی در مورد جنبه های کلیدی کاربردهای علم داده در تجارت به روشی کاربردی، آسان و سرگرم کننده است. این دوره با استفاده از مجموعه داده های دنیای واقعی، تجربه عملی عملی را برای دانش آموزان فراهم می کند.

در این دوره، فرض را بر این می‌گیریم که شما یک دانشمند داده با تجربه هستید که اخیراً به عنوان مشاور علوم داده چندین مشتری بوده‌اید. شما موظف شده اید که تکنیک های علم داده را در 6 بخش زیر به کار ببرید: (1) منابع انسانی، (2) بازاریابی، (3) فروش، (4) عملیات، (5) روابط عمومی، (6) تولید/نگهداری. مجموعه داده هایی از همه این بخش ها به شما ارائه می شود و از شما خواسته می شود تا به وظایف زیر دست یابید:

  1. وظیفه شماره 1 @اداره منابع انسانی: یک مدل هوش مصنوعی برای کاهش هزینه‌های استخدام و آموزش کارکنان با پیش‌بینی اینکه کدام کارکنان ممکن است شرکت را ترک کنند، ایجاد کنید.

  2. وظیفه شماره 2 @Marketing Department: بهینه سازی استراتژی بازاریابی با انجام بخش بندی مشتری

  3. وظیفه شماره 3 @بخش فروش: مدل‌های پیش‌بینی سری‌های زمانی را برای پیش‌بینی قیمت‌های محصول آینده ایجاد کنید.

  4. وظیفه شماره 4 @Operations Department: مدل یادگیری عمیق را برای خودکارسازی و بهینه سازی فرآیندهای تشخیص بیماری در بیمارستان ایجاد کنید.

  5. وظیفه شماره 5 @ بخش روابط عمومی: مدل های پردازش زبان طبیعی را برای تجزیه و تحلیل نظرات مشتریان در رسانه های اجتماعی و شناسایی احساسات مشتریان ایجاد کنید.

  6. وظیفه شماره 6 @بخش‌های تولید/نگهداری: مدل‌های تشخیص، طبقه‌بندی و بومی‌سازی عیب را ایجاد کنید.



سرفصل ها و درس ها

معرفی دوره و پیام خوش آمد گویی Course Introduction and Welcome Message

  • به‌روزرسانی‌های Udemy Reviews Updates on Udemy Reviews

  • معرفی Introduction

  • نکات کلیدی و بهترین شیوه ها Key Tips and Best Practices

  • طرح کلی دوره و نتایج کلیدی یادگیری Course Outline and Key Learning Outcomes

  • مواد را دریافت کنید Get the Materials

اداره منابع انسانی Human Resources Department

  • مقدمه ای بر مطالعه موردی و نتایج کلیدی یادگیری Introduction to Case Study and Key Learning Outcomes

  • وظیفه شماره 1: بیان مسئله و مورد تجاری Task #1: Problem Statement and Business Case

  • وظیفه شماره 2: وارد کردن کتابخانه ها و مجموعه داده ها Task #2: Import Libraries and Datasets

  • وظیفه شماره 3: کاوش مجموعه داده - قسمت 1 Task #3: Explore Dataset - Part 1

  • وظیفه شماره 3: کاوش مجموعه داده - قسمت 2 Task #3: Explore Dataset - Part 2

  • وظیفه شماره 3: کاوش مجموعه داده - قسمت 3 Task #3: Explore Dataset - Part 3

  • وظیفه شماره 3: کاوش مجموعه داده - قسمت 4 Task #3: Explore Dataset - Part 4

  • وظیفه شماره 4: پاکسازی داده ها را انجام دهید Task #4: Perform Data Cleaning

  • وظیفه شماره 5: درک شهود جنگل تصادفی، رگرسیون لجستیک و شبکه های عصبی مصنوعی Task #5: Understand intuition of Random Forest, Logistic Regression, and ANNs

  • وظیفه شماره 6: KPIهای طبقه بندی را درک کنید Task #6: Understand Classification KPIs

  • وظیفه شماره 7: ساخت و آموزش طبقه بندی رگرسیون لجستیک Task #7: Build and Train Logistic Regression Classifier

  • وظیفه شماره 8: ساخت و آموزش مدل طبقه‌بندی‌کننده جنگل تصادفی Task #8: Build and Train Random Forest Classifier Model

  • وظیفه شماره 9: ساخت و آموزش مدل طبقه‌بندی‌کننده شبکه عصبی مصنوعی Task #9: Build and Train Artificial Neural Network Classifier Model

واحد بازاریابی Marketing Department

  • مقدمه ای بر مطالعه موردی و نتایج کلیدی یادگیری Introduction to Case Study and Key Learning Outcomes

  • وظیفه شماره 1: بیان مسئله و مورد تجاری را درک کنید Task #1: Understand Problem Statement and Business Case

  • وظیفه شماره 2: وارد کردن کتابخانه ها و مجموعه داده ها Task #2: Import Libraries and Datasets

  • وظیفه شماره 3: تجسم داده ها را انجام دهید Task #3: Perform Data Visualization

  • وظیفه شماره 4: تئوری و شهود پشت الگوریتم K-Mean را درک کنید Task #4: Understand the Theory and Intuition behind K-Mean Algorithm

  • وظیفه شماره 5: به دست آوردن تعداد بهینه خوشه "K" Task #5: Obtain Optimal Number of Clusters "K"

  • وظیفه شماره 6: استفاده از K-Means Clustering برای انجام بخش بندی بازار Task #6: Apply K-Means Clustering to Perform Market Segmentation

  • وظیفه شماره 7: درک شهود پشت تجزیه و تحلیل مؤلفه اصلی (PCA) Task #7: Understand the Intuition Behind Principal Component Analysis (PCA)

  • وظیفه شماره 8: درک شهود پشت رمزگذارهای خودکار Task #8: Understand the Intuition Behind Autoencoders

  • وظیفه شماره 9: ساخت و آموزش رمزگذار خودکار - قسمت شماره 1 Task #9: Build and Train Autoencoder - Part #1

  • ساخت و آموزش رمزگذار خودکار - قسمت شماره 2 Build and Train Autoencoder - Part #2

بخش فروش Sales Department

  • مقدمه ای بر مطالعه موردی و نتایج کلیدی یادگیری Introduction to Case Study and Key Learning Outcomes

  • وظیفه شماره 1: بیان مسئله و مورد تجاری را درک کنید Task #1: Understand the Problem Statement and Business Case

  • وظیفه شماره 2: وارد کردن مجموعه داده ها - قسمت شماره 1 Task #2: Import Datasets - Part #1

  • وظیفه شماره 2: وارد کردن مجموعه داده ها - قسمت شماره 2 Task #2: Import Datasets - Part #2

  • وظیفه شماره 3: کاوش داده ها - قسمت شماره 1 Task #3: Explore Data - Part #1

  • وظیفه شماره 3: کاوش داده ها - قسمت شماره 2 Task #3: Explore Data - Part #2

  • وظیفه شماره 3: کاوش داده ها - قسمت شماره 3 Task #3: Explore Data - Part #3

  • وظیفه شماره 3: کاوش داده ها - قسمت شماره 4 Task #3: Explore Data - Part #4

  • وظیفه شماره 4: درک شهود پیامبر فیس بوک Task #4: Understand Facebook Prophet intuition

  • وظیفه شماره 5: آموزش مدل - قسمت شماره 1 Task #5: Train The Model - Part #1

  • وظیفه شماره 6: آموزش مدل - قسمت شماره 2 Task #6: Train The Model - Part #2

بخش عملیات Operations Department

  • مقدمه ای بر مطالعه موردی و نتایج کلیدی یادگیری Introduction to Case Study and Key Learning Outcomes

  • وظیفه شماره 1: درک مورد تجاری و بیانیه مشکل Task #1: Understand the Business Case and Problem Statement

  • وظیفه شماره 2: مجموعه داده را بارگیری و کاوش کنید Task #2: Load and Explore Dataset

  • وظیفه شماره 3: تجسم مجموعه داده ها Task #3: Visualize Datasets

  • وظیفه شماره 4: درک شهود پشت شبکه های عصبی کانولوشنال (CNN) Task #4: Understand Intuition Behind Convolutional Neural Networks (CNNs)

  • وظیفه شماره 5: درک شهود پشت یادگیری انتقال Task #5: Understand Intuition Behind Transfer Learning

  • وظیفه شماره 6: بارگذاری مدل با وزنه های از پیش آموزش دیده Task #6: Load Model with Pretrained Weights

  • وظیفه شماره 7: ساخت و آموزش ResNet Task #7: Build and Train ResNet

  • وظیفه شماره 8: عملکرد مدل آموزش دیده را ارزیابی کنید Task #8: Evaluate Trained Model Performance

اداره روابط عمومی Public Relations Department

  • مقدمه ای بر مطالعه موردی و نتایج کلیدی یادگیری Introduction to Case Study and Key Learning Outcomes

  • وظیفه شماره 1: بیان مسئله و مورد تجاری را درک کنید Task #1: Understand Problem Statement and Business Case

  • وظیفه شماره 2: وارد کردن کتابخانه ها و مجموعه داده ها Task #2: Import Libraries and Datasets

  • وظیفه شماره 3: کاوش مجموعه داده - قسمت شماره 1 Task #3: Explore Dataset - Part #1

  • وظیفه شماره 3: کاوش مجموعه داده - قسمت شماره 2 Task #3: Explore Dataset - Part #2

  • وظیفه شماره 4: پاکسازی داده ها را انجام دهید Task #4: Perform Data Cleaning

  • وظیفه شماره 5: حذف علائم نقطه گذاری Task #5: Remove Punctuation

  • وظیفه شماره 6: حذف Stopwords Task #6: Remove Stopwords

  • وظیفه شماره 7: توکنیزاسیون/بردارسازی شمارش را انجام دهید Task #7: Perform Tokenization/Count Vectorization

  • وظیفه شماره 8: خط لوله پاکسازی متن را انجام دهید Task #8: Perform Text Cleaning pipeline

  • وظیفه شماره 9: شهود ساده بیز Task #9: Naive Bayes Intuition

  • وظیفه شماره 10: یک طبقه بندی کننده ساده لوح بیز را آموزش دهید Task #10: Train a Naive Bayes Classifier

  • وظیفه شماره 11: طبقه بندی کننده ساده و بی تکلف آموزش دیده را ارزیابی کنید Task #11: Evaluate Trained Naive Bayes Classifier

  • وظیفه شماره 12: یک طبقه بندی کننده رگرسیون لجستیک را آموزش و ارزیابی کنید Task #12: Train and Evaluate a Logistic Regression Classifier

بخش تولید/ساخت/تعمیر و نگهداری Production/Manufacturing/Maintenance Department

  • معرفی و پیام خوش آمد گویی Introduction and Welcome Message

  • وظیفه شماره 1 - بیان مشکل و مورد تجاری را درک کنید Task #1 - Understand the Problem Statement & Business Case

  • وظیفه شماره 2 - وارد کردن کتابخانه ها و مجموعه داده ها Task #2 - Import Libraries and Datasets

  • وظیفه شماره 3 - مجموعه داده را تجسم و کاوش کنید Task #3 - Visualize and Explore Dataset

  • وظیفه شماره 4 - شهود پشت ResNet، CNN ها و آموزش انتقال را درک کنید Task #4 - Understand the Intuition behind ResNet, CNNs, and Transfer Learning

  • وظیفه شماره 5 - ساخت و آموزش طبقه بندی کننده های ResNet Task #5 - Build & Train ResNet Classifiers

  • وظیفه شماره 6 - عملکرد مدل ResNet آموزش دیده را ارزیابی کنید Task #6 - Assess Trained ResNet Model Performance

  • وظیفه شماره 7 - درک شهود پشت مدل های تقسیم بندی ResUnet Task #7 - Understand the Intuition behind ResUnet Segmentation Models

  • وظیفه شماره 8 - ساخت و آموزش یک مدل تقسیم بندی ResUnet Task #8 - Build & Train a ResUnet Segmentation Model

  • وظیفه شماره 9 - مدل ResUnet آموزش دیده را ارزیابی کنید Task #9 - Assess Trained ResUnet Model

نمایش نظرات

آموزش علم داده برای تجارت | 6 مطالعات موردی در دنیای واقعی
جزییات دوره
11.5 hours
73
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
9,348
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر

Stemplicity Q A Support Stemplicity Q A Support