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؟
  • تعریف مشکل
  • انتخاب داده ها
  • جذب منابع: تیم ، بودجه و شرکتهای متوسط
  • رسیدگی به داده های از دست رفته
  • یافتن راه حل
  • عملی کردن راه حل
  • 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

  • قانون 9 را درک کنید Understand law 9

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش عناصر اساسی پیش بینی تجزیه و تحلیل و داده کاوی
جزییات دوره
1h 28m
46
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
194,101
- 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

Keith McCormick Keith McCormick

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.