آموزش علم داده - متدولوژی مدیریت پروژه - CRISP-DM - ۲۰۲۵ - آخرین آپدیت

دانلود Data Science- Project Management Methodology-CRISP-DM-2025

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره:

مروری جامع بر پروژه‌های علم داده و هوش مصنوعی: از ابتدا تا انتها

با متدولوژی مدیریت پروژه شگفت‌انگیز CRISP-DM در مدیریت پروژه‌های علم داده و هوش مصنوعی آشنا شوید. این دوره به شما درک جامعی از چرخه کامل پروژه‌های علم داده و هوش مصنوعی (از ابتدا تا انتها) ارائه می‌دهد.

پیش‌نیازها:

دانش پایه علم داده توصیه می‌شود اما الزامی نیست.

این دوره شامل یک رویکرد ساختاریافته برای مدیریت پروژه‌های مرتبط با داده به منظور افزایش نرخ موفقیت است. بینش‌هایی در مورد چگونگی کمک داده‌ها به سازمان‌ها برای اتخاذ تصمیمات آگاهانه و مبتنی بر داده بیاموزید. داده‌ها به عنوان "نفت جدید" برای تمام صنایع و بخش‌ها تلقی می‌شوند که سازمان‌ها را در رقابت پیش می‌اندازد. کاربرد Big Data Analytics را در دنیای واقعی بیاموزید و با یک مطالعه موردی، نیاز به تحلیل داده‌ها را درک کنید. همچنین، متدولوژی برتر مدیریت پروژه برای داده کاوی - CRISP-DM را در سطح کلان خواهید آموخت.

آنچه خواهید آموخت:

آشنایی با متدولوژی مدیریت پروژه - CRISP-DM برای مدیریت پروژه‌های علم داده یا هوش مصنوعی از ابتدا تا انتها.
یادگیری تمام 6 مرحله شامل درک کسب و کار، درک داده، آماده‌سازی داده، مدل‌سازی داده، ارزیابی مدل و در نهایت استقرار مدل.
آموزش جمع‌آوری داده، پاکسازی داده، آماده‌سازی داده، دستکاری داده (Data Munging)، بسته‌بندی داده (Data Wrapping) و موارد مشابه.
آشنایی با مراحل اولیه پردازش داده که به عنوان تحلیل اکتشافی داده شناخته می‌شوند. در این بخش، با محاسبات آماری که برای استخراج اطلاعات از داده‌ها استفاده می‌شوند، آشنا می‌شوید. شروع به درک نحوه انجام تحلیل توصیفی خواهیم کرد.
یادگیری توزیع احتمال پیوسته. درک ویژگی‌های یک متغیر تصادفی پیوسته و توزیع آن در شرایط عادی. برای شناسایی ویژگی‌های یک متغیر تصادفی پیوسته، آمارشناسان یک متغیر را به عنوان معیار استاندارد تعریف کرده‌اند؛ ویژگی‌های متغیر استاندارد و توزیع آن را خواهید آموخت. با استفاده از نمودار نرمال Q-Q، بررسی خواهید کرد که آیا یک متغیر تصادفی پیوسته از توزیع نرمال پیروی می‌کند یا خیر.
یادگیری علم پشت تخمین مقدار برای یک جمعیت با استفاده از داده‌های نمونه.

سرفصل ها و درس ها

مقدمه ای درباره ترینر Introduction About Trainer

معرفی مربی و دوره Introduction About Trainer & Course

معرفی مربی Introduction About Trainer

مقدمه ای بر روش های PM و درک تفصیلی Introduction to PM Methodologies & Detailed Understanding

مقدمه Introduction

مقدمه‌ای بر متدولوژی‌های PM و درک جزئیات Introduction to PM Methodologies & Detailed Understanding

فاز 1 | درک کسب و کار Phase-1 | Business Understanding

درک KDD، SEMMA و CRISP-DM Underatanding KDD, SEMMA & CRISP-DM
مسئله کسب و کار – الف Business Problem -A
مقایسه بین KDD، SEMMA، CRISP-DM Comparison between KDD, SEMMA, CRISP-DM
مسئله کسب و کار – ب Business Problem -B
مسئله کسب و کار – ج Business Problem -C
مسئله کسب و کار – د و ه Business Problem -D & E

فاز ۱ | درک کسب و کار Phase-1 | Business Understanding

فاز 2 | درک داده ها Phase-2 | Data Understanding

مقدمه درک داده Data Understanding Introduction
الف. جمع‌آوری داده A. Data Collection
الف-۱: تمایز انواع جمع‌آوری داده A-1: Differentiation of Various Data Collection
الف-۲: جمع‌آوری داده با استفاده از نظرسنجی A-2 : Data Collection Using Survey
الف-۳: جمع‌آوری داده با استفاده از طراحی آزمایش‌ها A-3 : Data Collection Using Design Of Experiments
الف-۴: تحلیل اکتشافی داده A-4 : Exploratory Data Analysis
الف-۵: تحلیل کیفیت داده A-5 : Data Quality Analysis

فاز ۲ | درک داده Phase-2 | Data Understanding

فاز 3 | آماده سازی داده ها Phase-3 | Data Preparation

ادغام و پاکسازی داده Data Integration & Wrangling
تولید و انتخاب ویژگی Attribute Generation and Selection

فاز ۳ | آماده‌سازی داده Phase-3 | Data Preparation

فاز 4 | مدل سازی Phase-4 | Modelling

مقدمه مدل‌سازی Modelling Introduction
ساخت مدل: یادگیری با نظارت و بدون نظارت Model Building Supervised and Unsupervised Learning
ساخت مدل: یادگیری تقویتی Model Building Re-inforcement Learning
ساخت مدل: یادگیری نیمه‌نظارتی و سایر یادگیری‌ها Model Building Semi-Supervised and Other Learnings
مثال‌های ساخت مدل Model Building Learning Examples
انتخاب تکنیک مدل – وقتی Y مشخص است؟ Selecting Model Technique-When Y is known ?
انتخاب تکنیک مدل – وقتی Y نامشخص است؟ Selecting Model Technique-When Y is unknown ?
انتخاب تکنیک مدل – برای پیش‌بینی و داده‌های سری زمانی Selecting Model Technique- For Forecasting and Time-series data
تکنیک تفکیک داده Data Separation Technique
تکنیک ارزیابی مدل – بیش‌برازش در مقابل کم‌برازش مجموعه داده Model Evaluation Technique - Over fitting Vs Under fitting Datasets
تکنیک ارزیابی مدل – مجموعه داده‌های متعادل و نامتعادل Model Evaluation Technique-Balanced and Imbalanced Datasets
خطاها، دقت و معیارها | وقتی Y پیوسته است؟ Errors Accuracy & Measures | When Y is continuous ?
خطاها، دقت و معیارها | وقتی Y گسسته است؟ Errors Accuracy & Measures | When Y is discrete ?
ادامه... | وقتی Y گسسته است؟ Conti....| When Y is discrete ?
تکنیک ارزیابی مدل – منحنی ROC و ارزیابی مدل Model Evaluation Technique-ROC Curve and Model Assessment

آموزش علم داده - متدولوژی مدیریت پروژه - CRISP-DM - ۲۰۲۵ - آخرین آپدیت

دانلود Data Science- Project Management Methodology-CRISP-DM-2025

مروری جامع بر پروژه‌های علم داده و هوش مصنوعی: از ابتدا تا انتها

پیش‌نیازها:

آنچه خواهید آموخت:

مقدمه ای درباره ترینر Introduction About Trainer

معرفی مربی و دوره Introduction About Trainer & Course

معرفی مربی Introduction About Trainer

مقدمه ای بر روش های PM و درک تفصیلی Introduction to PM Methodologies & Detailed Understanding

مقدمه Introduction

مقدمه‌ای بر متدولوژی‌های PM و درک جزئیات Introduction to PM Methodologies & Detailed Understanding

فاز 1 | درک کسب و کار Phase-1 | Business Understanding

درک KDD، SEMMA و CRISP-DM Underatanding KDD, SEMMA & CRISP-DM

مسئله کسب و کار – الف Business Problem -A

مقایسه بین KDD، SEMMA، CRISP-DM Comparison between KDD, SEMMA, CRISP-DM

مسئله کسب و کار – ب Business Problem -B

مسئله کسب و کار – ج Business Problem -C

مسئله کسب و کار – د و ه Business Problem -D & E

فاز ۱ | درک کسب و کار Phase-1 | Business Understanding

فاز 2 | درک داده ها Phase-2 | Data Understanding

مقدمه درک داده Data Understanding Introduction

الف. جمع‌آوری داده A. Data Collection

الف-۱: تمایز انواع جمع‌آوری داده A-1: Differentiation of Various Data Collection

الف-۲: جمع‌آوری داده با استفاده از نظرسنجی A-2 : Data Collection Using Survey

الف-۳: جمع‌آوری داده با استفاده از طراحی آزمایش‌ها A-3 : Data Collection Using Design Of Experiments

الف-۴: تحلیل اکتشافی داده A-4 : Exploratory Data Analysis

الف-۵: تحلیل کیفیت داده A-5 : Data Quality Analysis

فاز ۲ | درک داده Phase-2 | Data Understanding

فاز 3 | آماده سازی داده ها Phase-3 | Data Preparation

ادغام و پاکسازی داده Data Integration & Wrangling

تولید و انتخاب ویژگی Attribute Generation and Selection

فاز ۳ | آماده‌سازی داده Phase-3 | Data Preparation

فاز 4 | مدل سازی Phase-4 | Modelling

مقدمه مدل‌سازی Modelling Introduction

ساخت مدل: یادگیری با نظارت و بدون نظارت Model Building Supervised and Unsupervised Learning

ساخت مدل: یادگیری تقویتی Model Building Re-inforcement Learning

ساخت مدل: یادگیری نیمه‌نظارتی و سایر یادگیری‌ها Model Building Semi-Supervised and Other Learnings

مثال‌های ساخت مدل Model Building Learning Examples

انتخاب تکنیک مدل – وقتی Y مشخص است؟ Selecting Model Technique-When Y is known ?

انتخاب تکنیک مدل – وقتی Y نامشخص است؟ Selecting Model Technique-When Y is unknown ?

انتخاب تکنیک مدل – برای پیش‌بینی و داده‌های سری زمانی Selecting Model Technique- For Forecasting and Time-series data

تکنیک تفکیک داده Data Separation Technique

تکنیک ارزیابی مدل – بیش‌برازش در مقابل کم‌برازش مجموعه داده Model Evaluation Technique - Over fitting Vs Under fitting Datasets

تکنیک ارزیابی مدل – مجموعه داده‌های متعادل و نامتعادل Model Evaluation Technique-Balanced and Imbalanced Datasets

خطاها، دقت و معیارها | وقتی Y پیوسته است؟ Errors Accuracy & Measures | When Y is continuous ?

خطاها، دقت و معیارها | وقتی Y گسسته است؟ Errors Accuracy & Measures | When Y is discrete ?

ادامه... | وقتی Y گسسته است؟ Conti....| When Y is discrete ?

تکنیک ارزیابی مدل – منحنی ROC و ارزیابی مدل Model Evaluation Technique-ROC Curve and Model Assessment

فاز ۴ | مدل‌سازی Phase-4 | Modelling

فاز 5 | ارزیابی Phase-5 | Evaluation

ارزیابی Evaluation

فاز ۵ | ارزیابی Phase-5 | Evaluation

فاز 6 | گسترش Phase-6 | Deployment

استقرار Deployment

فاز ۶ | استقرار Phase-6 | Deployment

نمایش نظرات

https://donyad.com/d/e1d3b5