لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش علوم داده در دنیای واقعی
- آخرین آپدیت
دانلود Data Science in Real Life
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
آیا تا به حال تجربه یک پروژه کامل و بینقص در علوم داده داشتهاید؟ استخراج دادهها بدون مشکل پیش برود، هیچ خطایی در ادغام دادهها نباشد و دادههای گمشدهای وجود نداشته باشد. فرضیات پیش از تحلیل به طور دقیق تعریف شده باشند، تصادفیسازی برای متغیر مورد نظر به درستی انجام شود، برنامه تحلیلی پیش از اجرا تدوین شده و دقیقاً دنبال شود و در نهایت نتایج شفاف و تصمیمات عملی بدیهی باشند. آیا چنین اتفاقی برای شما افتاده است؟ قطعاً خیر. تحلیل دادهها در دنیای واقعی پیچیده و آشفته است.
چگونه میتوان تیمی را که با تحلیلهای واقعی دادهها سر و کار دارد مدیریت کرد؟ در این دوره یک هفتهای، ما حالت ایدهآل را با آنچه در واقعیت رخ میدهد مقایسه میکنیم. با این مقایسه، مفاهیم کلیدی را خواهید آموخت که به شما در مدیریت تحلیلهای دنیای واقعی کمک میکند.
این یک دوره متمرکز است که برای آشنایی سریع شما با اجرای علوم داده در محیط واقعی طراحی شده است. هدف ما این بود که بدون حذف محتوای ضروری، این دوره را تا حد امکان کاربردی کنیم. ما اطلاعات فنی پیچیده را کنار گذاشتهایم تا شما بتوانید بر مدیریت تیم خود و پیشبرد پروژه تمرکز کنید.
پس از اتمام این دوره، شما قادر خواهید بود:
۱. تجربه یک پروژه «ایدهآل» در علوم داده را توصیف کنید.
۲. نقاط قوت و ضعف در طراحیهای آزمایشی را شناسایی کنید.
۳. خطاهای احتمالی هنگام استخراج و جمعآوری دادهها را شناسایی کرده و راهکارهای مدیریت آنها را بیاموزید.
۴. مفروضات مدلسازی آماری را به چالش بکشید و بازخوردهای لازم را به تحلیلگران داده منتقل کنید.
۵. اشتباهات رایج در گزارشدهی و ارتباطات تحلیل داده را توصیف کنید.
۶. نگاهی به فعالیتهای روزمره یک مدیر تحلیل داده بیندازید.
این دوره در سطح مفهومی و برای مدیران فعال دانشمندان داده و متخصصان آمار تدریس میشود. برخی از مفاهیم کلیدی مورد بحث عبارتند از:
۱. طراحی آزمایش، تصادفیسازی و تست A/B
۲. استنباط علی و متغیرهای ضدواقعیت (Counterfactuals)
۳. استراتژیهای مدیریت کیفیت دادهها
۴. سوگیری (Bias) و عوامل مخدوشکننده (Confounding)
۵. مقایسه یادگیری ماشین در مقابل استنباط آماری کلاسیک
ویدیو معرفی دوره:
https://www.youtube.com/watch?v=9BIYmw5wnBI
تصویر کاور دوره توسط Jonathan Gross. Creative Commons BY-ND https://flic.kr/p/q1vudb
سرفصل ها و درس ها
مقدمه و تجربه ایدهآل در علوم داده
Introduction, the perfect data science experience
فقط برای سرگرمی، ویدیو معرفی دوره
Just for fun, course promotional video
علوم داده در حالت ایدهآل در مقابل واقعیت - بخش اول
Data science in the ideal versus real life Part 1
علوم داده در حالت ایدهآل در مقابل واقعیت - بخش دوم
Data science in the ideal versus real life Part 2
مثالها
Examples
یادگیری ماشین در مقابل آمار سنتی - بخش اول
Machine Learning vs. Traditional Statistics Part 1
یادگیری ماشین در مقابل آمار سنتی - بخش دوم
Machine Learning vs. Traditional Statistics Part 2
مدیریت استخراج دادهها
Managing the Data Pull
طراحی آزمایش و تحلیل مشاهدهای
Experimental design and observational analysis
علیت - بخش اول
Causality part 1
علیت - بخش دوم
Causality Part 2
چه مشکلاتی پیش میآید؟: عوامل مخدوشکننده
What Can Go Wrong?: Confounding
تست A/B
A/B Testing
سوگیری نمونهگیری و نمونهگیری تصادفی
Sampling bias and random sampling
بلاکبندی و تعدیل
Blocking and adjustment
چندگانه بودن (Multiplicity)
Multiplicity
اندازه اثر، معناداری و مدلسازی
Effect size, significance, & modeling
مقایسه با اثرات بنچمارک
Comparison with benchmark effects
کنترلهای منفی
Negative controls
عدم معناداری
Non-significance
ارتباط هدف تخمین با واقعیت
Estimation Target is Relevant
نمایش نظرات