قانون 80/20 علم داده

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