کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش به‌کارگیری تکنیک‌های R برای پیش‌بینی ریزش مشتریان در صنعت تلکام - آخرین آپدیت

دانلود Apply R Techniques for Telecom Customer Churn Prediction

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: دانشجویان در این دوره قادر خواهند بود داده‌های مشتریان تلکام را آماده‌سازی کرده، تکنیک‌های مهندسی ویژگی (Feature Engineering) را پیاده‌سازی کنند و یک مجموعه داده ساختاریافته برای پیش‌بینی ریزش مشتریان با استفاده از زبان R بسازند. با تکمیل این دوره، یادگیرندگان مهارت‌های عملی در کدگذاری متغیرهای دسته‌ای، مقیاس‌بندی ویژگی‌های عددی، انتخاب پارامترهای بهینه مدل و سازماندهی مجموعه‌داده‌ها برای گردش‌کارهای یادگیری ماشین را کسب می‌کنند. این دوره به دانشجویان کمک می‌کند تا تجربه عملی در مواجهه با چالش‌های واقعی پیش‌بینی ریزش مشتریان تلکام به دست آورند و بر مراحل آماده‌سازی داده‌ها که مستقیماً بر دقت مدل تأثیر می‌گذارند، تمرکز کنند. یادگیرندگان درک خواهند کرد که چگونه داده‌های خام تلکام را به فرمت آماده برای یادگیری ماشین تبدیل کنند، منطق پیش‌پردازش K-نزدیک‌ترین همسایه (KNN) را اعمال نمایند و مجموعه‌داده‌ها را برای ارزیابی بدون سوگیری مدل ساختاردهی کنند. از طریق دروس عملی و هدایت‌شده، دانشجویان حذف متغیرهای نامرتبط، ایجاد و کاهش متغیرهای Dummy و تقسیم‌بندی داده‌ها برای آموزش و تست را تمرین می‌کنند. آنچه این دوره را منحصر‌به‌فرد می‌کند، رویکرد عملی و جامع (End-to-End) در پیش‌بینی ریزش مشتریان با استفاده از R است که ارتباط مستقیمی بین تصمیمات پیش‌پردازش داده‌ها و تأثیر آن‌ها بر عملکرد پیش‌بینی برقرار می‌کند. این دوره که برای تحلیل‌گران داده آینده و مبتدیان یادگیری ماشین طراحی شده است، پلی میان تئوری و تحلیل‌های کاربردی ایجاد کرده و یادگیرندگان را قادر می‌سازد تا با اطمینان، مجموعه‌داده‌های تلکام را برای مدل‌سازی ریزش مشتریان در سناریوهای واقعی آماده کنند.
سرفصل ها و درس ها

آماده‌سازی داده‌ها برای مدل‌سازی ریزش در R Preparing Data for Churn Modeling in R

  • مقدمه Introduction

  • کدگذاری متغیرها Encoding variable

  • مقیاس‌بندی مجموعه‌داده Scaling dataset

  • یافتن مقدار بهینه k Finding out the optimal value of k

  • نتیجه مقدار بهینه Result of the optimum value

مهندسی ویژگی و ساختاردهی مجموعه‌داده Feature Engineering and Dataset Structuring

  • بارگذاری و حذف متغیرها Loading and Removing Variables

  • ایجاد متغیرهای Dummy Creating Dummies

  • تقسیم‌بندی مجموعه‌داده Splitting Dataset

  • کاهش متغیرهای Dummy Reducing Dummies

آموزش انتخاب متغیر، اعتبارسنجی مدل و رگرسیون غیرخطی

آموزش انتخاب متغیر، اعتبارسنجی مدل و رگرسیون غیرخطی

دانلود Variable Selection, Model Validation, Nonlinear Regression

آموزش تحلیل عملکرد ایجنت‌ها: ساخت و آزمایش

آموزش تحلیل عملکرد ایجنت‌ها: ساخت و آزمایش

دانلود Analyze Agent Performance: Build and Test

آموزش مفاهیم و چالش‌های داده‌های هوش مصنوعی

آموزش مفاهیم و چالش‌های داده‌های هوش مصنوعی

دانلود 인공 지능 데이터 공정성 및 편향

نمایش نظرات

آموزش به‌کارگیری تکنیک‌های R برای پیش‌بینی ریزش مشتریان در صنعت تلکام
جزییات دوره
4h 27m
9
(آخرین آپدیت)
12
- از 5
دارد
دارد
دارد
Chris Croft

https://donyad.com/d/07251e

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده

Machine Learning Algorithms Predictive Modeling Model Optimization Model Training Data Preprocessing Classification Algorithms R Programming Predictive Analytics Supervised Learning Data Cleansing Data Transformation Applied Machine Learning Model Evaluation Feature Engineering الگوریتم‌های یادگیری ماشین مدل‌سازی پیش‌بینانه بهینه‌سازی مدل آموزش مدل پیش‌پردازش داده‌ها الگوریتم‌های طبقه‌بندی برنامه‌نویسی R تحلیل‌های پیش‌بینانه یادگیری نظارت شده پاک‌سازی داده‌ها تبدیل داده‌ها یادگیری ماشین کاربردی ارزیابی مدل مهندسی ویژگی