لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش پروژه نهایی تحلیل پیشرفته کسب و کار (Capstone)
- آخرین آپدیت
دانلود Advanced Business Analytics Capstone
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
فرآیند تحلیل داده مجموعهای از فعالیتهای مرتبط به هم است که منجر به تصمیمگیریهای بهتر و ارتقای عملکرد کسبوکار میشود. پروژه نهایی این تخصص با هدف تجربه عملی این فرآیند طراحی شده است. این پروژه شما را از مرحله جمعآوری دادهها به سمت تحلیل، مدلسازی و در نهایت ارائه بینشهای استراتژیک هدایت میکند.
در این پروژه نهایی، شما دادههای مربوط به وامهای مالی را تحلیل خواهید کرد تا به تصمیمات سرمایهگذاری یک شرکت سرمایهگذاری کمک کنید. شما تمامی مراحل استاندارد یک پروژه تحلیل داده، شامل درک دادهها، پاکسازی، تحلیل و ارائه نتایج تحلیلی را طی خواهید کرد.
در هفته اول، هدف درک دادهها و آمادهسازی آنها برای تحلیل است. همانطور که در این تخصص بررسی شد، پیشپردازش و پاکسازی دادهها اغلب اولین گام در پروژههای تحلیل داده است و بدون شک، این مرحله برای موفقیت کل پروژه حیاتی است.
در هفته دوم، شما وظایف تحلیل پیشبینانه (Predictive Analytics) را انجام خواهید داد، از جمله دستهبندی وامها و پیشبینی ضررهای ناشی از وامهای پرداختنشده. در این هفته ابزارها و تکنیکهای متنوعی را امتحان میکنید، زیرا دقت پیشبینی در ابزارهای مختلف متفاوت است. به ندرت اتفاق میافتد که مدل پیشفرض تولید شده توسط ASP بهترین مدل ممکن باشد؛ بنابراین، تنظیم دقیق (Tuning) مدلهای مختلف برای بهبود عملکرد بسیار مهم است.
از ابتدای هفته سوم، تمرکز ما به سمت تحلیل تجویزی (Prescriptive Analytics) میرود؛ جایی که شما پیشنهاداتی عملی برای نحوه تخصیص وجوه سرمایهگذاری با استفاده از ابزارهای تحلیلی، از جمله خوشهبندی (Clustering) و بهینهسازی مبتنی بر شبیهسازی ارائه میدهید. خواهید دید که تخصیص هوشمندانه منابع برای بازده مالی سبد سرمایهگذاری بسیار حیاتی است.
در هفته آخر، از شما انتظار میرود نتایج تحلیلی خود را به مشتریان ارائه دهید. از آنجایی که نتایج زیادی در پروژه به دست میآورید، انتخاب هوشمندانه موارد برای گنجاندن در ارائه بسیار مهم است. همچنین انتظار میرود در آمادهسازی ارائه خود، از اصولی که در طول دورهها آموزش داده شد، پیروی کنید.
سرفصل ها و درس ها
ماژول ۱: درک دادهها و آمادهسازی آنها برای تحلیل
Module 1 - Understand the data and prepare your data for analysis
پاکسازی و تبدیل دادهها
Data Cleanup and Transformation
مدیریت مقادیر گمشده (Missing Values)
Dealing with Missing Values
مدیریت دادههای پرت (Outliers)
Dealing with Outliers
بصریسازی مناسب دادهها چیست؟
What is Good Data Visualization
اعتبارسنجی متقاطع و ماتریس اغالت (Confusion Matrix)
Cross Validation and Confusion Matrix
ارزیابی دقت پیشبینی با استفاده از اعتبارسنجی متقاطع
Assessing Predictive Accuracy Using Cross-Validation
ساخت مدلهای رگرسیون لجستیک با استفاده از XLMiner
Building Logistic Regression Models using XLMiner
نحوه ساخت یک مدل با استفاده از XLMiner
How to Build a Model using XLMiner
ماژول ۳: ارائه پیشنهاداتی برای تخصیص وجوه سرمایهگذاری با ابزارهای تحلیل تجویزی
Module 3 - Provide suggestions on how to allocate investment funds using prescriptive analytics tools
ماژول ۴: ارائه نتایج تحلیلی به مشتریان
Module 4 - Present your analytics results to your clients
نمایش نظرات