آموزش راهنمای اجرایی استراتژی مدل‌سازی پیش‌بینی‌کننده در مقیاس

سرفصل ها و درس ها

معرفی Introduction

• تعریف اصطلاحات Defining terms

• مقیاس‌پذیری ابتکارات یادگیری ماشینی Scaling machine learning initiatives

1. مراحل یک پروژه یادگیری ماشینی 1. The Phases of a Machine Learning Project

• نه گلوگاه داده های بزرگ The nine big data bottlenecks

• داده ها و یادگیری ماشینی نظارت شده Data and supervised machine learning

• مراحل داده های تحلیل پیش بینی The stages of predictive analytics data

• چرا ممکن است داده های بسیار کمی داشته باشید Why you might have too little data

2. طراحی مجموعه داده یادگیری ماشین 2. Designing a Machine Learning Dataset

• چقدر داده نیاز دارم؟ How much data do I need?

• متعادل کردن Balancing

• ارزیابی داده ها Assessing data

• فصلی و تراز زمانی Seasonality and time alignment

• انتخاب: داده هایی که باید حذف شوند Selecting: Data that should be left out

• چه کسی واقعا داده های بزرگ دارد؟ Who truly has big data?

3. چالش های آماده سازی داده ها 3. Data Prep Challenges

• مهندسی ویژگی Feature engineering

• تجمیع و بازسازی Aggregate and restructure

• کدنویسی ساختگی Dummy coding

• داده ها و دانشمند داده Data and the data scientist

4. نام فصل 4. Chapter Name

• الگوریتم های آهسته: مدل های بیشتر Slow algorithms: More models

• الگوریتم های آهسته: محاسبات بیشتر Slow algorithms: More calculations

• درک فرآیند مدل سازی Understanding the modeling process

• الگوریتم های آهسته: نیروی بی رحم Slow algorithms: Brute force

• مدل سازی با داده های از دست رفته Modeling with missing data

• نحوه نمونه برداری صحیح How to sample properly

• نگاه به آینده برای استقرار و امتیاز در تولید Looking ahead to deployment and scoring in production

نتیجه Conclusion

• به سفر مدلسازی پیشگویانه خود ادامه دهید Continuing your predictive modeling journey