عناصر اساسی تجزیه و تحلیل پیش بینی و داده کاوی

مدرس Keith McCormick

انتشار 2017/07/10

مدت زمان 1h 28m

سطح متوسط

فایل تمرینی ندارد

آموزش The Essential Elements of Predictive Analytics and Data Mining

یک پروژه تجزیه و تحلیل پیش بینی و داده کاوی مناسب می تواند افراد زیادی و چندین هفته را درگیر کند. همچنین خطاهای احتمالی زیادی وجود دارد که باید از آنها اجتناب کرد. چشم انداز تصویر بزرگ برای حفظ پروژه در مسیر ضروری است. این دوره این دیدگاه را از طریق دریچه یک تمرین‌کننده کهنه‌کار که ده‌ها پروژه در دنیای واقعی را تکمیل کرده است، ارائه می‌کند. کیت مک کورمیک یک داده کاوی مستقل و نویسنده است که در مدل‌های پیش‌بینی و تجزیه و تحلیل بخش‌بندی، از جمله درخت‌های طبقه‌بندی، تجزیه و تحلیل خوشه‌ای و قوانین تداعی تخصص دارد. در اینجا او دانش خود را با شما به اشتراک می گذارد. در هر مرحله از یک پروژه معمولی، از تعریف مشکل و جمع‌آوری داده‌ها و منابع گرفته تا اجرای راه‌حل را طی کنید. کیت همچنین یک نمای کلی از CRISP-DM (روش شناسی داده کاوی بالفعل) و نه قانون داده کاوی ارائه می دهد که شما را بر استراتژی و ارزش تجاری متمرکز می کند.

Data Mining Data Modeling Predictive Analytics

Introduction

Welcome ()

What you should know before watching this course ()

1. What Is Data Mining and Predictive Analytics?

Introduction ()

A definition of data mining ()

What's data mining and predictive analytics? ()

What are the essential elements? ()

2. Problem Definition

Determine the business objective ()

Identify an intervention strategy ()

Estimate the return on investment ()

Program management ()

3. Data Requirements

Introduction ()

Customer footprint ()

Flat file ()

Understand your target ()

Select the data for modeling ()

Understand integration ()

Understand data construction ()

4. Resources You'll Need

Introduction ()

Understand data mining algorithms ()

Assess team requirements ()

Budget time ()

Work with subject matter experts ()

5. Problems You'll Face

Introduction ()

Deal with missing data ()

Resolve organizational resistance ()

Why models degrade ()

6. Finding the Solution

Introduction ()

Search the solution space ()

Unexpected results ()

Trial and error ()

Construct proof ()

7. Putting the Solution to Work

Introduction ()

Understand propensity ()

Understand metamodeling ()

Understand reproducibility ()

Master documentation ()

Time to deploy ()

8. CRISP-DM and the Nine Laws

Introduction ()

Understanding CRISP-DM ()

Understand laws 1 and 2 ()

Understand law 3 ()

Understand laws 4 and 5 ()

Understand laws 6, 7, and 8 ()

Understand law 9 ()

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 عناصر اساسی تجزیه و تحلیل پیش بینی و 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 The Essential Elements of Predictive Analytics and Data Mining در 2 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

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 عناصر اساسی تجزیه و تحلیل پیش بینی و داده کاوی ، ایستگاه شماره 3 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

مفاهیم و مهارت های مورد نیاز برای تجزیه و تحلیل داده ها، از جمله آمار، پیش بینی مالی، داده کاوی، تجزیه و تحلیل پیش بینی و متاآنالیز را به طور کامل به دست آورید.

آموزش عناصر اساسی تجزیه و تحلیل پیش بینی و داده کاوی ، ایستگاه شماره 6 در مسیر یادگیری یک متخصص تجزیه و تحلیل داده ها شوید ، است.