لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش تجزیه و تحلیل پیش بینی برای مدیران
Predictive Analytics Essential Training for Executives
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
سازمانهای تقریباً در هر صنعت دانشمندان داده را استخدام و استخدام می کنند ، اما بسیاری از این متخصصان مدتها در پست خود باقی نمی مانند. حتی اگر مهارت های تجزیه و تحلیل داده ها بسیار ارزشمند است ، افراد با این مجموعه مهارت نمی توانند تأثیر بگذارند ، مگر اینکه مدیریت متوسط و ارشد بدانند که چگونه از تجزیه و تحلیل برای سود طولانی مدت سازمان خود استفاده کنند. چالش این است که بیشتر افرادی که ناظر بر تجزیه و تحلیل پیشرفته هستند ، سابقه علمی در زمینه داده ندارند.
در این دوره ، کیت مک کورمیک به مدیران اجرایی که تسلط کافی در تجزیه و تحلیل داده ها ندارند ، نحوه استخدام متخصصان علوم داده را نشان می دهد ، تیم های دانش داده را مدیریت کنید و با استفاده از تجزیه و تحلیل پیشرفته کارآمد ، تجارت آنها را متحول کنید. کیت جزئیات نحوه استخدام تیمی کاملاً کامل ، از جمله نحوه شناسایی دانشمندان با عملکرد بالا را بیان می کند. به علاوه ، او به اشتراک می گذارد که چگونه می توانید از گزینه های مختلف نرم افزار تجزیه و تحلیل و یادگیری ماشین در بازار استفاده کنید ، علم داده را در ساختار سازمانی شما قرار دهید و موارد دیگر.
موضوعات شامل:
امتیازدهی تمایل را تعریف کنید و کاربرد آن را توصیف کنید. li>
پروژه های تحلیلی معمولی را مشخص کنید. li>
روشهای یافتن و استخدام دانشمندان با استعداد داده را توصیف کنید. li>
مشخصات ، صفات و نقش دانشمندان با عملکرد بالا را لیست کنید. li>
توضیح دهید که چرا تهیه داده ها بخش بزرگی از هر پروژه تحلیلی است. li>
ویژگی های کلی نرم افزار تجزیه و تحلیل را توصیف کنید. li>
نحوه مدیریت پروژه ها ، برنامه ها و نمونه کارهای تجزیه و تحلیل را شرح دهید. li>
سرفصل ها و درس ها
مقدمه
Introduction
به زبان دانشمندان داده صحبت کنید
Speak the language of data scientists
1. جدی گرفتن در مورد تجزیه و تحلیل
1. Getting Serious about Analytics
تجزیه و تحلیل در مورد تصمیم گیری است
Analytics is about making decisions
نمرات تمایل و مشکلات تجاری
Propensity scores and business problems
عواقب ناخواسته اثبات پروژه های مفهومی
The unintended consequences of proof of concept projects
چرا استقرار ، نه بینش ، هدف اصلی است
Why deployment, not insight, is the primary goal
تجزیه و تحلیل به عنوان یک مرکز سود
Analytics as a profit center
2. استخدام در Analytics
2. Hiring for Analytics
الزامات شغلی علوم داده و مشکلاتی که می توانند ایجاد کنند
Data science job requirements and problems they can create
رشد یک تیم علوم داده به صورت ارگانیک
Growing a data science team organically
دانشمندان داده هر دو با و بدون تجربه صنعت عمودی
Data scientists both with and without vertical industry experience
اهمیت تخصص موضوع در مدل سازی
The importance of subject matter expertise to modeling
CRISP-DM: فرآیند ایجاد مدلهای پیش بینی شده ایجاد شده است
CRISP-DM: Established process of producing predictive models
صفات دانشمندان داده برتر عملکرد
Traits of top performing data scientists
3. چه چیزی را باید قبل از خرید نرم افزار در نظر بگیرید
3. What to Consider before Buying Software
آنالیز و گزینه های نرم افزار یادگیری ماشین
Analytics and machine learning software options
آماده سازی داده های خاص برای هر پروژه
Specific data prep for each project
دانشمندان داده شهروندان و آنالیز خود سرویس
Citizen data scientists and self service analytics
AutoML و تجزیه و تحلیل خودکار خدمات: فن آوری های نوظهور
AutoML and self-service analytics: Emerging technologies
هوش مصنوعی قابل توضیح و یادگیری ماشین قابل تفسیر
Explainable AI and interpretable machine learning
4- ساختار سازمانی
4. Organizational Structure
مدیریت پروژه تحلیلی
Analytics project management
مسیر شغلی دانشمند داده
The career path of the data scientist
دانشمندان کی باید اطلاعات را به آنها ارائه دهند
Who data scientists should report to
CAO: ساختار سازمانی از POV اجرایی ارشد
The CAO: Organizational structure from a senior executive POV
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