قانون 80/20 علم داده

The 80/20 Rule of Data Science

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره آموزشی، به مربی هاوارد فریدمن بپیوندید تا مفاهیم اصلی قانون 20/80 را برای علم داده و چگونگی به دست آوردن بیشترین ارزش با حداقل تلاش بیان می کند. گام‌های اساسی مورد نیاز برای ارزش دادن به بخش‌های مختلف کارتان، از جمله تعریف موفقیت، به‌دست آوردن مجموعه داده‌های با کیفیت بالا، شروع با آمار اولیه، ساخت مدل‌های اولیه اولیه، و اجتناب از گرفتار شدن در جزئیات کمتر تاثیرگذار را بررسی کنید. این دوره برای رهبران تیم داده و اعضای ارشد تیم داده در دنیای فناوری که علاقه مند به شرکای تجاری کارآمد و مؤثر هستند، هدف قرار می گیرد.

سرفصل ها و درس ها

مقدمه Introduction

  • آنچه باید برای این دوره بدانید What you should know for this course

  • قانون 80/20 علم داده چیست؟ What is the 80/20 rule of data science?

1. شروع با اولویت بندی 1. Getting Started with Prioritizing

  • تعریف موفقیت Defining success

  • نقطه کاهش بازده The point of diminishing returns

  • حداقل محصولات قابل دوام (MVP) را دوست خود قرار دهید Make minimum viable products (MVP) your friend

  • برای استقرار برنامه ریزی کنید Plan for deployment

  • چرا پروژه های علم داده شکست می خورند؟ Why do data science projects fail?

2. انتخاب پایگاه داده و بررسی کیفیت 2. Database Selection and Quality Checks

  • پیدا کردن ویژگی های قوی Finding strong features

  • برخورد با داده های از دست رفته Dealing with missing data

  • بررسی کیفیت داده ها Checking data quality

  • ادبیات را شانه کنید Comb the literature

  • تریاژ منابع داده Triaging data sources

3. ابتدا مدل های ساده 3. Simple Models First

  • شرایط تعامل Interaction terms

  • تغییرات ویژگی Feature transformations

  • رگرسیون لجستیک Logistic regression

  • رگرسیون خطی Linear regression

  • افزودن منابع داده Adding data sources

  • تبدیل ویژگی های پیوسته Transforming continuous features

4. پیگیری عملکرد 4. Tracking Performance

  • انتخاب معیارها Choosing metrics

  • چه زمانی متوقف شود When to stop

  • نمونه سازی سریع Rapid prototyping

  • طراحی داشبوردهای ساده Designing simple dashboards

5. ارتباط 80/20 علم داده 5. Communicating the 80/20 of Data Science

  • روی نتیجه تمرکز کنید نه تکنیک Focus on outcome, not technique

  • مدیریت انتظارات و ایجاد اعتماد Manage expectations and build trust

  • بر همکاری تاکید کنید Emphasize collaboration

نتیجه گیری Conclusion

  • نکات کلیدی برای آینده شغلی شما در علم داده Key takeaways for your future career in data science

نمایش نظرات

قانون 80/20 علم داده
جزییات دوره
1h 26m
26
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
447
- 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

Howard Friedman Howard Friedman

دانشمند ارشد داده، اقتصاددان سلامت، نویسنده، پروفسور

هاوارد فریدمن دانشمند ارشد داده، اقتصاددان سلامت، نویسنده، و استاد دانشگاه کلمبیا است.

یک متخصص در علم داده با تجربه خاص که تیم‌هایی را در بخش‌های شرکتی، دانشگاهی و عمومی رهبری می‌کند. او در مراقبت‌های بهداشتی، مالی، مخابرات، خرده‌فروشی و شرکت‌های سهام خصوصی و همچنین سازمان‌های غیرانتفاعی و بهداشت عمومی، رهبری تیم‌های تحلیلی، برقراری ارتباط با مخاطبان ارشد اجرایی و عمومی، و به اشتراک گذاشتن بینش‌های علم داده با تیم‌های فنی و غیرفنی کار کرده است. هاوارد نویسنده چندین کتاب، از جمله Winning with Data Science و Measure of a Nation، دارای دکترا در مهندسی پزشکی و کارشناسی ارشد علم در آمار از جانز هاپکینز است. دانشکده پزشکی دانشگاه.