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

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