آموزش ضروری تجزیه و تحلیل پیش بینی کننده: داده کاوی

مدرس Keith McCormick

انتشار 2021/10/07

مدت زمان 1h 54m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Predictive Analytics Essential Training: Data Mining

آیا شما یک متخصص علوم داده هستید و به دنبال توسعه یا افزایش مهارت های خود در تجزیه و تحلیل پیش بینی و داده کاوی هستید؟ این دوره چندین بینش «تصویر بزرگ» را از طریق مربی کیت مک کورمیک، یک تمرین‌کننده کهنه‌کار که ده‌ها پروژه در دنیای واقعی را تکمیل کرده است، ارائه می‌کند. کیت با معرفی تعاریف و فرآیندهای کلیدی که برای تکمیل دوره با موفقیت به آنها نیاز دارید، شروع می کند. او شما را از طریق تعریف مشکلی که نیاز به تحلیل پیش‌بینی شما برای حل آن دارید، گام می‌نهد، سپس بر چگونگی اطمینان از برآورده کردن الزامات داده و اینکه چگونه آماده‌سازی خوب داده‌ها پروژه‌های داده کاوی شما را بهبود می‌بخشد، تمرکز می‌کند. کیت در مجموعه مهارت ها و منابعی که به آن نیاز دارید و مشکلاتی که با آن روبرو خواهید شد، غوطه ور می شود. سپس مراحل را طی می‌کند تا راه‌حل را بیابد و آن را با احتمالات، تمایلات، داده‌های از دست رفته، مدل‌سازی متا و خیلی چیزهای دیگر کار کند. کیت با توضیحات دقیق در مورد نه قانون داده کاوی CRISP-DM و تام خبازا، به علاوه قانون دهم جدید تام، کار را به پایان می رساند.

Data Mining Predictive Analytics

Introduction

Data mining and predictive analytics ()

1. What Is Data Mining and Predictive Analytics?

Introducing the essential elements ()

Defining data mining ()

Introducing CRISP-DM ()

2. Problem Definition

Beginning with a solid first step: Problem definition ()

Framing the problem in terms of a micro-decision ()

Why every model needs an effective intervention strategy ()

Evaluate a project's potential with business metrics and ROI ()

Translating business problems into data mining problems ()

3. Data Requirements

Understanding data requirements ()

Gathering historical data ()

Meeting the flat file requirement ()

Determining your target variable ()

Selecting relevant data ()

Hints on effective data integration ()

Understanding feature engineering ()

Developing your craft ()

4. Resources You Will Need

Skill sets and resources that you'll need ()

Compare machine learning and statistics ()

Assessing team requirements ()

Budgeting sufficient time ()

Working with subject matter experts ()

5. Problems You Will Face

Anticipating project challenges ()

Addressing missing data ()

Addressing organizational resistance ()

Addressing models that degrade ()

6. Finding the Solution

Preparing for the modeling phase tasks ()

Searching for optimal solutions ()

Seeking surprise results ()

Establishing proof that the model works ()

Embracing a trial and error approach ()

7. Putting the Solution to Work

Preparing for the deployment phase ()

Using probabilities and propensities ()

Understanding meta modeling ()

Understanding reproducibility ()

Preparing for model deployment ()

How to approach project documentation ()

8. The Nine Laws of Data Mining

CRISP-DM and the laws of data mining ()

Understanding CRISP-DM ()

Advice for using CRISP-DM ()

Understanding the nine laws of data mining ()

Understanding the first and second laws ()

Understanding the data preparation law ()

Understanding the laws about patterns ()

Understanding the insight and prediction laws ()

Understanding the value law ()

Understanding why models change ()

Conclusion

Next steps ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش آموزش ضروری تجزیه و تحلیل پیش بینی کننده: داده کاوی

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Predictive Analytics Essential Training: Data Mining در 3 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

تجزیه و تحلیل کسب و کار از داده ها برای حل چالش های تجاری استفاده می کند و دنیای تجارت را متحول می کند. این مسیر یادگیری شما را به درک و به کارگیری تجزیه و تحلیل، پوشش اصولی، ابزارهای محبوب، تجزیه و تحلیل پیش بینی، تجسم داده ها، و ارتباط موثر بینش ها مجهز می کند.

آموزش آموزش ضروری تجزیه و تحلیل پیش بینی کننده: داده کاوی ، ایستگاه شماره 8 در مسیر یادگیری مهارت های تجزیه و تحلیل کسب و کار خود را ارتقا دهید ، است.

مسیر یادگیری مهارت های تجزیه و تحلیل کسب و کار خود را ارتقا دهید

تجزیه و تحلیل پیش بینی یکی از غنی ترین رشته ها در حوزه علم داده است. از آنجایی که ابزارها و تکنیک‌های استفاده از داده‌ها برای پیش‌بینی نتایج آینده تکامل یافته‌اند، متخصصان کسب‌وکار و تجزیه و تحلیل داده‌ها می‌توانند از این مسیر یادگیری برای به‌روز ماندن با آخرین پیشرفت‌ها استفاده کنند.

آموزش آموزش ضروری تجزیه و تحلیل پیش بینی کننده: داده کاوی ، ایستگاه شماره 2 در مسیر یادگیری مهارت های خود را در تجزیه و تحلیل پیش بینی کننده ارتقا دهید ، است.

مسیر یادگیری مهارت های خود را در تجزیه و تحلیل پیش بینی کننده ارتقا دهید

تحلیلگران داده ها اطلاعات را با استفاده از ابزارهای تجزیه و تحلیل داده ها بررسی می کنند و به تیم های خود کمک می کنند تا بینش ها و استراتژی های تجاری را توسعه دهند. شما به مهارت هایی در ریاضیات، آمار، ارتباطات و کار با ابزارهای طراحی شده برای تجزیه و تحلیل داده ها و تجسم داده ها نیاز دارید. این حرفه پر تقاضا را کاوش کنید.

آموزش آموزش ضروری تجزیه و تحلیل پیش بینی کننده: داده کاوی ، ایستگاه شماره 7 در مسیر یادگیری یک تحلیلگر داده شوید ، است.