آموزش عناصر اساسی پیش بینی تجزیه و تحلیل و داده کاوی

The Essential Elements of Predictive Analytics and Data Mining

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      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.