لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
لینکدین: شبکه اجتماعی حرفهای برای ارتباط و کارآفرینی
لینکدین به عنوان یکی از بزرگترین شبکههای اجتماعی حرفهای، به میلیونها افراد در سراسر جهان این امکان را میدهد تا ارتباط برقرار کنند، اطلاعات حرفهای خود را به اشتراک بگذارند و فرصتهای شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان میدهد تا رزومه حرفهای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمنها و گروههای حرفهای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهرهمند شوند.
لینکدین همچنین به کارفرمایان امکان میدهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفهای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصتهای شغلی و گسترش شبکه حرفهای خود، نقش مهمی را ایفا میکند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفهای در دنیای امروز مورد توجه قرار دارد.
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.
نمایش نظرات