آموزش ضروری تجزیه و تحلیل پیش نگر: داده کاوی

آیا شما یک متخصص علوم داده هستید، به دنبال توسعه یا ارتقاء مهارت های خود را در تجزیه و تحلیل پیش بینی و داده کاوی؟ این دوره چند بینش "عکس بزرگ" را از طریق مربی کیت مک کورمیک، یک تمرینکننده جانباز، که ده ها تن از پروژه های دنیای واقعی را تکمیل کرده است، فراهم می کند. کیت با معرفی شما به تعاریف کلیدی و فرآیندهای کلیدی شروع می شود که شما باید دوره را با موفقیت انجام دهید. او شما را از طریق تعریف مشکل شما به تجزیه و تحلیل پیش بینی خود را به آدرس، پس از آن تمرکز بر نحوه اطمینان از اطمینان از نیازهای داده ها و نحوه آماده سازی داده های خوب، پروژه های داده کاوی شما را بهبود می بخشد. کیت به مجموعه مهارت ها و منابع که نیاز دارید و مشکلی که شما روبرو خواهید شد غواصی می کند. سپس او مراحل را برای پیدا کردن راه حل می گذراند و آن را برای کار با احتمالات، پیشنهادات، داده های گمشده، مدل سازی متا و خیلی بیشتر کار می کند. کیت با توضیحات مفصلی از 9 قانون معدن داده تام Khabaza، به علاوه قانون جدید 10 تام، به پایان می رسد.

عنوان اصلی : Predictive Analytics Essential Training: Data Mining

سرفصل های دوره :

مقدمه:
داده کاوی و تجزیه و تحلیل پیش بینی شده
1. داده کاوی و تجزیه و تحلیل پیش بینی شده چیست؟ :
معرفی عناصر ضروری
تعریف داده کاوی
معرفی CRISP-DM
2. تعریف مشکل:
ابتدا با مرحله اول جامد: تعریف مشکل
Framing مشکل از لحاظ تصمیم گیری میکرو
چرا هر مدل نیاز به یک استراتژی مداخله موثر دارد
ارزیابی پتانسیل پروژه با معیارهای کسب و کار و ROI
ترجمه مشکلات کسب و کار به مشکلات داده کاوی
3. الزامات داده ها:
درک نیازهای داده ها
جمع آوری داده های تاریخی
جلسه مورد نیاز فایل تخت
تعیین متغیر هدف شما
انتخاب داده های مربوطه
نکات مربوط به ادغام داده های موثر
درک مهندسی ویژگی
توسعه صنایع دستی خود
4. منابع شما نیاز دارید:
مجموعه مهارت ها و منابع که نیاز دارید
مقایسه ماشین یادگیری و آمار
ارزیابی نیازهای تیم
بودجه بندی زمان کافی
کار با کارشناسان موضوع
5. مشکلات شما روبرو می شوند:
پیش بینی چالش های پروژه
آدرس داده های گم شده
آدرس مقاومت سازمانی
مدل سازی مدل هایی که تخریب می شوند
6. پیدا کردن راه حل:
آماده سازی برای وظایف فاز مدل سازی
جستجو برای راه حل های بهینه
جستجوی نتایج شگفت انگیز
ایجاد اثبات این مدل کار می کند
رویکرد محاکمه و خطا
7. قرار دادن راه حل برای کار:
آماده سازی برای مرحله استقرار
استفاده از احتمالات و پیشنهادات
درک مدل سازی متا
درک بازتولید
آماده سازی برای استقرار مدل
نحوه برخورد با مستندات پروژه
8. نه قانون داده کاوی:
CRISP-DM و قوانین داده کاوی
درک CRISP-DM
مشاوره برای استفاده از CRISP-DM
درک نه قانون داده کاوی
درک قوانین اول و دوم
درک قانون آمادگی داده ها
درک قوانین مربوط به الگوها
درک قوانین بینش و پیش بینی
درک قانون ارزش
درک اینکه چرا مدل ها تغییر می کنند
نتیجه گیری:
مراحل بعدی