لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش عناصر اساسی پیش بینی تجزیه و تحلیل و داده کاوی
The Essential Elements of Predictive Analytics and Data Mining
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یک پروژه تجزیه و تحلیل پیش بینی و داده کاوی مناسب می تواند افراد و هفته های زیادی را درگیر کند. همچنین بسیاری از خطاهای احتمالی برای جلوگیری از وجود دارد. برای ادامه مسیر پروژه ، یک چشم انداز "تصویر بزرگ" لازم است. این دوره از دریچه یک پزشک باسابقه که دهها پروژه در دنیای واقعی را به اتمام رسانده است ، این دیدگاه را فراهم می کند. کیت مک کورمیک یک کاوشگر و نویسنده داده مستقل است که در مدل های پیش بینی و تجزیه و تحلیل تقسیم بندی ، از جمله درختان طبقه بندی ، تجزیه خوشه و قوانین ارتباط تخصص دارد. در اینجا او دانش خود را با شما در میان می گذارد. هر مرحله از یک پروژه معمولی را طی کنید ، از تعریف مشکل و جمع آوری داده ها و منابع ، تا عملی کردن راه حل. کیت همچنین یک نمای کلی از CRISP-DM (روش واقعی کاوش داده) و 9 قانون داده کاوی ارائه می دهد که شما را بر استراتژی و ارزش تجاری متمرکز می کند.
موضوعات شامل:
چه چیزی یک پروژه تحلیلی پیش بینی موفق را ایجاد می کند؟ li>
تعریف مشکل li>
انتخاب داده ها li>
جذب منابع: تیم ، بودجه و شرکتهای متوسط li>
رسیدگی به داده های از دست رفته li>
یافتن راه حل li>
عملی کردن راه حل li>
بررسی اجمالی CRISP-DM
سرفصل ها و درس ها
مقدمه
Introduction
خوش آمدی
Welcome
آنچه باید قبل از تماشای این دوره بدانید
What you should know before watching this course
1. داده کاوی و تجزیه و تحلیل پیش بینی کننده چیست؟
1. What Is Data Mining and Predictive Analytics?
مقدمه
Introduction
تعریف داده کاوی
A definition of data mining
داده کاوی و تجزیه و تحلیل پیش بینی چیست؟
What's data mining and predictive analytics?
عناصر اساسی چیست؟
What are the essential elements?
2. تعریف مسئله
2. Problem Definition
مقدمه
Introduction
هدف تجارت را تعیین کنید
Determine the business objective
یک استراتژی مداخله را مشخص کنید
Identify an intervention strategy
بازده سرمایه گذاری را تخمین بزنید
Estimate the return on investment
مدیریت برنامه
Program management
3. مورد نیاز داده ها
3. Data Requirements
مقدمه
Introduction
ردپای مشتری
Customer footprint
پرونده تخت
Flat file
هدف خود را درک کنید
Understand your target
داده ها را برای مدل سازی انتخاب کنید
Select the data for modeling
ادغام را درک کنید
Understand integration
ساخت داده را درک کنید
Understand data construction
4. منابعی که به آنها احتیاج دارید
4. Resources You'll Need
مقدمه
Introduction
الگوریتم های داده کاوی را درک کنید
Understand data mining algorithms
الزامات تیم را ارزیابی کنید
Assess team requirements
زمان بودجه
Budget time
با کارشناسان موضوع کار کنید
Work with subject matter experts
5. مشکلاتی که با آنها روبرو خواهید شد
5. Problems You'll Face
با داده های از دست رفته مقابله کنید
Deal with missing data
مقاومت سازمانی را حل کنید
Resolve organizational resistance
چرا مدل ها تخریب می شوند
Why models degrade
6. پیدا کردن راه حل
6. Finding the Solution
مقدمه
Introduction
فضای راه حل را جستجو کنید
Search the solution space
نتایج غیر منتظره
Unexpected results
ازمایش و خطا
Trial and error
اثبات ساخت
Construct proof
7. قرار دادن راه حل به کار
7. Putting the Solution to Work
مقدمه
Introduction
گرایش را درک کنید
Understand propensity
متامدلینگ را درک کنید
Understand metamodeling
تکرارپذیری را درک کنید
Understand reproducibility
مستندات استاد
Master documentation
زمان استقرار
Time to deploy
8. CRISP-DM و نه قانون
8. CRISP-DM and the Nine Laws
مقدمه
Introduction
مقدمه
Introduction
درک CRISP-DM
Understanding CRISP-DM
قوانین 1 و 2 را درک کنید
Understand laws 1 and 2
قانون 3 را درک کنید
Understand law 3
قوانین 4 و 5 را درک کنید
Understand laws 4 and 5
قوانین 6 ، 7 و 8 را درک کنید
Understand laws 6, 7, and 8
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.
نمایش نظرات