Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
در حال بارگزاری، لطفا صبر کنید...
توضیحات دوره:
مفاهیم اساسی برای مبتدیان مفاهیم اساسی زیربنای فعالیت های برنامه ریزی اصلی که برای موفقیت یک پروژه علم داده حیاتی هستند. لطفا توجه داشته باشید: این دوره مباحث فنی مانند برنامه نویسی، آمار و الگوریتم ها را پوشش نمی دهد. پیش نیازها: تمایل به نگاه فراتر از جنبههای فنی و یادگیری در مورد فعالیتهای برنامهریزی حیاتی مربوط به پروژه علم داده. آشنایی با ریاضیات مقطع دبیرستان
موفقیت هر پروژه بستگی زیادی به این دارد که چقدر خوب برنامه ریزی شده است. پروژه های علم داده نیز از این قاعده مستثنی نیستند.
تعداد زیادی از پروژه های علم داده در محیط های صنعتی به دلیل عدم برنامه ریزی مناسب در مرحله آغازین، انتظارات را برآورده نمی کنند.
این دوره مروری بر فعالیتهای اصلی برنامهریزی که برای موفقیت هر پروژه علم داده حیاتی هستند، ارائه میکند.
ما در مورد مفاهیم اساسی بحث خواهیم کرد - تعریف مشکل تجاری. تعریف مسئله علم داده; ارزیابی وضعیت؛ زمانبندی وظایف و تحویلها.
مفاهیم آموخته شده به دانش آموزان در موارد زیر کمک می کند:
الف) قاب بندی مشکل کسب و کار
ب) خرید از سهامداران
ج) شناسایی راه حل مناسب علم داده که می تواند مشکل کسب و کار را حل کند
د) تعیین معیارها و معیارهای موفقیت برای ارزیابی تحویلپذیرهای کلیدی پروژه، یعنی؛ مدلها، خط لوله جریان داده و مستندات.
E) ارزیابی وضعیت حاکم بر پروژه. برای مثال در دسترس بودن داده ها و منابع؛ خطرات؛ هزینه های برآورد شده و منافع درک شده
F) تهیه برنامههای تحویل که به مشتریان امکان میدهد تا بینشهای عملی ارزشمند زودهنگام و افزایشی را به مشتریان ارائه دهد
ز) درک ویژگیهای تیم مورد نظر و نیازهای ارتباطی
سرفصل ها و درس ها
معرفی
Introduction
پیش نمایش دوره
Course Preview
خوش آمدی
Welcome
متن نوشته
Context
پروژه علم داده - چالش ها
Data Science Project - Challenges
برنامه ریزی پروژه علم داده - مروری
Data Science Project Planning - An Overview
معرفی
Introduction
معرفی
Introduction
پیش نمایش دوره
Course Preview
خوش آمدی
Welcome
متن نوشته
Context
پروژه علم داده - چالش ها
Data Science Project - Challenges
برنامه ریزی پروژه علم داده - مروری
Data Science Project Planning - An Overview
معرفی
Introduction
تعریف مشکل کسب و کار
Business Problem Definition
معرفی
Introduction
تعریف مشکل کسب و کار - یک مرور کلی
Business Problem Definition - An Overview
درک مشکل کسب و کار
Understanding the Business Problem
تجزیه و تحلیل سهامداران - I
Stakeholder Analysis - I
تجزیه و تحلیل سهامداران - II
Stakeholder Analysis - II
بررسی کارهای قبلی
Review of Previous Work
چارچوب بندی مشکل کسب و کار
Framing the Business Problem
بررسی سوالات
Review Questions
تعریف مشکل کسب و کار
Business Problem Definition
معرفی
Introduction
تعریف مشکل کسب و کار - یک مرور کلی
Business Problem Definition - An Overview
درک مشکل کسب و کار
Understanding the Business Problem
تجزیه و تحلیل سهامداران - I
Stakeholder Analysis - I
تجزیه و تحلیل سهامداران - II
Stakeholder Analysis - II
بررسی کارهای قبلی
Review of Previous Work
چارچوب بندی مشکل کسب و کار
Framing the Business Problem
بررسی سوالات
Review Questions
فرمول بندی مسئله علم داده
Data Science Problem Formulation
معرفی
Introduction
چرخه حیات پروژه علم داده - مروری بر CRISP-DM
Data Science Project Lifecyle - An Overview of CRISP-DM
فرمول بندی مسئله علم داده – مروری
Data Science Problem Formulation – An Overview
نوع مسئله علم داده - طبقه بندی
Data Science Problem Type - Classification
نوع مسئله علم داده - رگرسیون
Data Science Problem Type - Regression
نوع مسئله علم داده - خوشه بندی
Data Science Problem Type - Clustering
نوع مسئله علم داده - تشخیص ناهنجاری
Data Science Problem Type - Anomaly Detection
نوع مسئله علم داده - انجمن
Data Science Problem Type - Association
نوع مسئله علم داده - توصیه
Data Science Problem Type - Recommendation
خلاصه انواع مسائل علم داده
Summary of Data Science Problem Types
تعیین اهداف پروژه
Setting Project Goals
تعیین معیارهای موفقیت پروژه - یک مرور کلی
Specifying Project Success Criteria – An Overview
بررسی سوالات
Review Questions
معیارهای ارزیابی برای مدل های طبقه بندی
Evaluation Metrics for Classification Models
معیارهای ارزیابی برای مدل های تشخیص ناهنجاری
Evaluation Metrics for Anomaly Detection Models
معیارهای ارزیابی برای مدل های رگرسیونی
Evaluation Metrics for Regression Models
معیارهای ارزیابی برای مدلهای خوشهبندی - I: ارزیابی داخلی
Evaluation Metrics for Clustering Models - I : Internal Evaluation
معیارهای ارزیابی برای مدل های خوشه بندی - II: ارزیابی خارجی
Evaluation Metrics for Clustering Models - II: External Evaluation
معیارهای ارزیابی برای مدل های ارتباطی
Evaluation Metrics for Association Models
معیارهای ارزیابی برای مدل های پیشنهادی - I
Evaluation Metrics for Recommendation Models - I
معیارهای ارزیابی برای توصیه - II
Evaluation Metrics for Recommendation - II
بررسی سوالات
Review Questions
معیارها و معیارهای استقرار مدل
Model Deployment Criteria and Metrics
معیارهای مانیتورینگ مدل
Model Monitoring Metrics
معیارهای خط لوله جریان داده
Data Flow Pipeline Metrics
معیارهای مستندسازی
Documentation Criteria
بررسی سوالات
Review Questions
فرمول بندی مسئله علم داده
Data Science Problem Formulation
معرفی
Introduction
چرخه حیات پروژه علم داده - مروری بر CRISP-DM
Data Science Project Lifecyle - An Overview of CRISP-DM
فرمول بندی مسئله علم داده – مروری
Data Science Problem Formulation – An Overview
نوع مسئله علم داده - طبقه بندی
Data Science Problem Type - Classification
نوع مسئله علم داده - رگرسیون
Data Science Problem Type - Regression
نوع مسئله علم داده - خوشه بندی
Data Science Problem Type - Clustering
نوع مسئله علم داده - تشخیص ناهنجاری
Data Science Problem Type - Anomaly Detection
نوع مسئله علم داده - انجمن
Data Science Problem Type - Association
نوع مسئله علم داده - توصیه
Data Science Problem Type - Recommendation
خلاصه انواع مسائل علم داده
Summary of Data Science Problem Types
تعیین اهداف پروژه
Setting Project Goals
تعیین معیارهای موفقیت پروژه - یک مرور کلی
Specifying Project Success Criteria – An Overview
بررسی سوالات
Review Questions
معیارهای ارزیابی برای مدل های طبقه بندی
Evaluation Metrics for Classification Models
معیارهای ارزیابی برای مدل های تشخیص ناهنجاری
Evaluation Metrics for Anomaly Detection Models
معیارهای ارزیابی برای مدل های رگرسیونی
Evaluation Metrics for Regression Models
معیارهای ارزیابی برای مدلهای خوشهبندی - I: ارزیابی داخلی
Evaluation Metrics for Clustering Models - I : Internal Evaluation
معیارهای ارزیابی برای مدل های خوشه بندی - II: ارزیابی خارجی
Evaluation Metrics for Clustering Models - II: External Evaluation
معیارهای ارزیابی برای مدل های ارتباطی
Evaluation Metrics for Association Models
معیارهای ارزیابی برای مدل های پیشنهادی - I
Evaluation Metrics for Recommendation Models - I
معیارهای ارزیابی برای توصیه - II
Evaluation Metrics for Recommendation - II
بررسی سوالات
Review Questions
معیارها و معیارهای استقرار مدل
Model Deployment Criteria and Metrics
معیارهای مانیتورینگ مدل
Model Monitoring Metrics
معیارهای خط لوله جریان داده
Data Flow Pipeline Metrics
معیارهای مستندسازی
Documentation Criteria
بررسی سوالات
Review Questions
ارزیابی وضعیت
Situation Assessment
معرفی
Introduction
ارزیابی وضعیت - یک مرور کلی
Situation Assessment - An Overview
نمایش نظرات