شناسایی مشکل و طراحی راه حل برای دانشمندان داده

Problem Identification and Solution Design for Data Scientists

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: چه به عنوان مشاور یا یک کارمند کار می کنید، اگر می خواهید به عنوان یک دانشمند داده موفق باشید، باید بتوانید با رهبران تجاری غیر فنی صحبت کنید. با این حال، دوزبانه شدن آسان نیست - پس راز تسلط بر این مهارت آرزو چیست؟ در این دوره برای متخصصان مشتاق داده، به مربی کیت مک کورمیک بپیوندید تا اصول شناسایی مشکل و طراحی راه حل را برای دانشمندان داده بیان کند. یاد بگیرید که چگونه نیازهای کسب و کار را به اصطلاحات فنی ترجمه کنید، از فرآیند استاندارد صنعت متقابل برای داده کاوی (CRISP-DM) پیروی کنید، با رهبران پروژه مصاحبه های ساختاریافته انجام دهید، و از دیدگاه یک رهبر تجاری در مورد پروژه ها فکر کنید. کیت بینش های سریع و نکات کاربردی آسان را برای انتقال مفاهیم فنی به وضوح و با سهولت ارائه می دهد. در طول مسیر، یاد خواهید گرفت که چگونه از مهارت های ارتباط تجاری و مستندسازی در هر مرحله از پروژه استفاده کنید.

سرفصل ها و درس ها

مقدمه Introduction

  • خوش آمدید Welcome

  • مخاطب مورد نظر Intended Audience

1. با مشتری پروژه ملاقات کنید 1. Meet the Project Customer

  • آماده شدن برای اولین جلسه به عنوان یک منبع داخلی Preparing for the first meeting as an internal resource

  • نگاهی به پروژه از دیدگاه اسپانسر Looking at the project from the sponsor's point of view

  • آماده شدن برای اولین جلسه به عنوان یک منبع خارجی Preparing for the first meeting as an external resource

  • خواندن توضیحات پروژه بصورت انتقادی Reading the project description critically

2. آنچه در جلسه اولیه انتظار می رود 2. What to Expect in the Initial Meeting

  • چه چیزی در جلسه اولیه انتظار می رود What to expect in the initial meeting

  • پیش بینی در مقابل پیش بینی Prediction vs. forecasting

  • استنتاج در مقابل پیش بینی Inference vs. prediction

  • اجتناب از سردرگمی با سایر انواع پروژه های تحلیلی Avoiding confusion with other analytic project types

  • برخی از سوالاتی که همیشه کاربرد دارند Some questions that always apply

  • غواصی عمیق تر در تجزیه و تحلیل پیش بینی Diving deeper into predictive analytics

  • شناسایی ROI Identifying ROI

3. مرحله درک تجاری CRISP-DM 3. The Business Understanding Phase of CRISP-DM

  • مشاوره در مورد میزان جزئیات به اشتراک گذاری Advice on how much detail to share

  • چهار وظیفه The four tasks

  • مروری بر فاز درک کسب و کار Business understanding phase overview

4. ملاقات با IT 4. Meeting with IT

  • منشأ داده ها The provenance of the data

  • اطمینان حاصل کنید که با اطلاعات مهم ترک می کنید Ensuring that you leave with the critical info

  • استفاده از تجربه و تخصص IT Leveraging IT experience and expertise

  • درخواست های قبل از جلسه و آماده سازی Pre-meeting requests and preparation

5. ملاقات با SMEها و تیم خط مقدم 5. Meeting with SMEs and the Frontline Team

  • این مصاحبه ها را برای آخر بگذارید Leave these interviews for last

  • ارزیابی فرهنگ Assessing culture

  • تمرکز بر شمول، نه طرد Focusing on inclusion, not exclusion

6. از تاخیر جلوگیری کنید 6. Avoid Delays

  • مراقب نمونه سازی بیش از حد باشید Beware too much prototyping

  • فراداده در مقابل داده Metadata vs. data

  • برآورد دقت Estimates of accuracy

7. نوشتن نتایج 7. Writing Up Your Results

  • مشاوره مستندسازی Documentation advice

  • یک تجسم ساده برای تعیین اولویت ها A simple visuatlization for setting priorities

  • ایجاد جزئیات بهینه Striking the optimal amount of detail

نتیجه گیری Conclusion

  • چه چیزی در شناسایی مشکل و طراحی راه حل برای دانشمندان داده است What's next in problem identification and solution design for data scientists

نمایش نظرات

شناسایی مشکل و طراحی راه حل برای دانشمندان داده
جزییات دوره
1h 27m
30
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
413
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Keith McCormick Keith McCormick

داده کاو ، مربی ، سخنران ، نویسنده کیت مک کورمیک یک کاوشگر اطلاعات ، مربی ، سخنران و نویسنده مستقل است.

کیت در توضیح روشهای پیچیده برای کاربران جدید یا تصمیم گیرندگان در سطوح مختلف از جزئیات فنی مهارت دارد. وی متخصص در مدل های پیش بینی و تجزیه و تحلیل تقسیم بندی از جمله درختان طبقه بندی ، شبکه های عصبی ، مدل خطی کلی ، تجزیه خوشه و قوانین ارتباط است.