آموزش تحلیل داده‌ها و علم داده برای کسب‌وکار - آخرین آپدیت

مقدمه INTRODUCCIÓN

• خوش‌آمدگویی به دوره Bienvenida al curso

• علم داده، کلان داده و تحلیل داده‌ها Data Science, Big Data y Data Analytics

• تعریف تحلیل کسب‌وکار Definición de Business Analytics

• اهداف یک پروژه Objetivos de un proyecto

• تعریف اهداف مشترک و انواع آن‌ها Definición de los objetivos comunes y sus tipos

• هدف طبقه‌بندی یا خوشه‌بندی El objetivo de clasificación o agrupamiento

• هدف تخمین یا پیش‌بینی El objetivo de estimación o predicción

• ویدیو خلاصه درس ۱ و مباحث آینده Video de resumen de la Lección 1 y temas próximos

• معرفی ماژول ۲ Presentación Módulo 2

• یادگیری در تحلیل کسب‌وکار چیست؟ ¿Qué es el aprendizaje en Business Analytics?

• یادگیری نظارت شده El aprendizaje supervisado

• یادگیری نظارت نشده El aprendizaje no supervisado

• یادگیری تقویتی El aprendizaje por refuerzo

• پایگاه داده: نقطه شروع La base de datos: punto de partida

• پایگاه داده آموزشی La base de datos de entrenamiento

• پایگاه داده ارزیابی Base de datos de evaluación

• مراحل یک پروژه تحلیل کسب‌وکار Las etapas de un proyecto de Business Analytics

• مرحله ۱ و ابزارها Etapa 1 y herramientas

• مرحله ۲ و ابزارها Etapa 2 y herramientas

• مرحله ۳ و ابزارها Etapa 3 y herramientas

• مرحله ۴ و ابزارها Etapa 4 y herramientas

• مرحله ۵ و ابزارها Etapa 5 y herramientas

• مرحله ۶ و ابزارها Etapa 6 y herramientas

• خلاصه درس ۲ و مباحث آینده Resumen de la Lección 2 y temas próximos

ماژول ۱: مفاهیم کلی MÓDULO 1 CONCEPTOS GENERALES

• ویدیو معرفی ماژول ۱ Video de presentación del Módulo 1

• رایج‌ترین مواردی که تحلیل داده‌ها در آن‌ها استفاده می‌شود Casos más comunes donde se usa la analítica de datos

• معرفی رایج‌ترین موارد برای به کارگیری تحلیل کسب‌وکار Presentación de casos más comunes para aplicar análisis de negocio

• تحلیلگر داده و وظایف او El analista de datos y sus funciones

• مهارت‌های تحلیلگر داده Habilidades del analista de datos

• نرم‌افزارهای پیشنهادی که تحلیلگر داده باید بشناسد Softwares recomendados que el analista de datos debe conocer

• سایر نقش‌های تحلیلگر کسب‌وکار Otros roles del analista de negocio

• خلاصه درس ۱ Resumen de la lección 1

• بررسی وب‌سایت برنامه R Revisión de la web en R program

• پکیج‌های R و مستندات آنلاین Los paquetes de R y la documentación en línea

• نصب برنامه R Instalar el programa R

• فرآیند نصب و اجرای پکیج‌ها Proceso de instalación y ejecución de paquetes

• توابع در R Funciones en R

• مثال بارگذاری داده‌ها با Rcmdr Ejemplo de carga de datos con Rcmdr

• مثال رسم نمودارها با Rcmdr Ejemplo de generación de gráficos con Rcmdr

• مثال تحلیل توصیفی با Rcmdr Ejemplo de análisis descriptivo con Rcmdr

• مثال تحلیل مدل‌ها با Rcmdr Ejemplo de análisis de modelos con Rcmdr

• بررسی وب‌سایت R studio و فرآیند نصب Revisión de la web de R studio y proceso de instalación

• محیط R studio El entorno R studio

• خلاصه درس نصب برنامه R Resumen de la Lección Instalación en R program

ماژول ۲: پیش‌پردازش داده‌ها (۱): داده‌های گم‌شده MÓDULO 2 PREPROCESAMIENTO DE DATOS (1): Datos faltantes

• ویدیو معرفی ماژول ۲ Video de presentación del Módulo 2

• پیش‌پردازش داده‌ها شامل چه مواردی است؟ ¿En que consiste el preprocesamiento de datos?

• اصلی‌ترین تکنیک‌های کاربردی در پیش‌پردازش داده‌ها کدامند؟ ¿Cuáles son las principales técnicas aplicar en el preprocesamiento de datos?

• این تکنیک‌ها با چه ترتیبی اعمال می‌شوند؟ ¿En qué orden se aplican estas técnicas?

• خلاصه درس ۱، ماژول ۲ Resumen Lección 1, módulo 2

• داده‌های گم‌شده Los datos faltantes

• علت‌ها و پیامدهای داده‌های گم‌شده Causas y consecuencias de los datos faltantes

• تاثیر سطح گم‌شدگی داده‌ها Impacto del nivel de faltabilidad

• مکانیزم‌های داده‌های گم‌شده Mecanismos de los datos faltantes

• مدیریت داده‌های گم‌شده Tratamiento de los datos faltantes

• تکنیک‌های جایگذاری (Imputation) کدامند؟ ¿Cuáles son las técnicas de imputación?

• خلاصه درس ۲، ماژول ۲ Resumen de la lección 2, módulo 2

• پیاده‌سازی داده‌های گم‌شده در R Aplicación en R de los datos faltantes

• کد R برای اندازه‌گیری سطح گم‌شدگی در یک پایگاه داده Código en R para medir los niveles de faltabilidad en un base de datos

• حذف مشاهدات Borrado de observaciones

• حذف متغیرها Borrado de variables

• جایگذاری بر اساس معیارهای تمایل مرکزی Imputación por medidas de tendencia central

• جایگذاری بر اساس مقدار تخمینی از یک مدل Imputación por valor estimado a partir de un modelo

• خلاصه درس ۳، ماژول ۲ Resumen de Lección 3, Módulo 2

ماژول ۳: پیش‌پردازش داده‌ها (۲): شناسایی داده‌های پرت MÓDULO 3 PREPROCESAMIENTO DE DATOS (2): Detección de outliers

• معرفی ماژول ۳ Presentación del módulo 3

• داده‌های پرت تک‌متغیره Outliers univariados

• داده‌های پرت چندمتغیره Outliers multivariados

• روش‌های شناسایی داده‌های پرت چندمتغیره Métodos de detección de outliers multivariados

• اثرات حذف داده‌های پرت Efectos de la eliminación de outliers

• خلاصه درس ۱، ماژول ۳ Resumen de la lección 1, Módulo 3

• پیاده‌سازی مقادیر پرت یا Outliers در R Aplicación en R de los valores atípicos o outliers

• کدنویسی برای داده‌های پرت دو متغیره Código para outliers bivariados

• کدنویسی برای داده‌های پرت چندمتغیره Código para outliers multivariados

• تست داده‌های پرت Test de outliers

• پکیج outlier Paquete outlier

• مدیریت داده‌های پرت Tratamiento de los outliers

• خلاصه درس ۲، ماژول ۳ Resumen de la lección 2, Módulo 3

ماژول ۴: پیش‌پردازش داده‌ها (۳): نرمال‌سازی، گسسته‌سازی و کاهش ابعاد MÓDULO 4 PREPROCESAMIENTO DE DATOS (3): Normalización, Discretización y Reducción dimensional

• معرفی ماژول ۴ Presentación del módulo 4

• نرمال‌سازی Z-score Normalización Zcore

• نرمال‌سازی Box-Cox Normalización Box-Cox

• نرمال‌سازی Min-Max Normalización Min-Max

• گسسته‌سازی (Discretization) Discretización

• طبقه‌بندی روش‌های گسسته‌سازی Clasificación de los métodos de discretización

• گسسته‌سازی با بازه‌های با طول یکسان Discretización por intervalos de igual longitud

• گسسته‌سازی با بازه‌های با فراوانی یکسان Discretización por intervalos de igual frecuencia

• گسسته‌سازی 1R Discretización 1R

• خلاصه درس ۱، ماژول ۴ Resumen de la lección 1, Módulo 4

• گسسته‌سازی Chi Merge Discretización Chi Merge

• کاهش ابعاد Reducción dimensional

• روش تحلیل مؤلفه‌های اصلی (PCA) Método de componentes principales

• پیاده‌سازی نرمال‌سازی، گسسته‌سازی و کاهش ابعاد در R Aplicación en R para normalizacón, discretización y reducción dimensional

• کد R: نرمال‌سازی Box-Cox Código en R: normalización Box-Cox

• کد R: نرمال‌سازی Min-Max Código en R: normalización Min-Max

• کد R: مقایسه روش‌های نرمال‌سازی Código en R: comparación de métodos de normalización

• کد R: گسسته‌سازی با بازه‌های با طول یکسان Código en R: discretización por intervalos de igual longitud

• کد R: گسسته‌سازی با بازه‌های با فراوانی یکسان Código en R: discretización por intervalos de igual frecuencia

• کد R: گسسته‌سازی 1R Código en R: discretización 1R

• کد R: گسسته‌سازی Chi Merge Código en R: discretización Chi Merge

• روش تحلیل مؤلفه‌های اصلی Método de componentes principales

• خلاصه درس ۲، ماژول ۴ Resumen de la lección 2, Módulo 4