دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.

آموزش پیاده سازی Data Science بوسیله Knime

دانلود Udemy End to End Data Science Practicum with Knime

11,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با Knime یاد می گیرید.

عنوان اصلی : End to End Data Science Practicum with Knime

این مجموعه آموزش ویدیویی محصول موسسه آموزشی Udemy است که بر روی 2 حلقه دیسک ارائه شده و به مدت زمان 9 ساعت و 4 دقیقه در اختیار علاقه مندان قرار می گیرد.

در ادامه با برخی از سرفصل های درسی این مجموعه آموزش آشنا می شویم :


Introduction :
Introduction to Course
How are we going to cover the content?
Which tool are we going to use?
What is unique about the course?

What is Data Science Project and our methodology :
Project Management Techniques : SEMMA and KDD
Project Management : CRISP-DM

Knime Download and Installation :
Knime Web Page and Download
Knime Environment and Screens
First Workflow and Data Coloring / Visualization

Welcome to Data Science :
First end-to-end problem: Teaching to the machine

Understanding Problem :
Types of analytics: Descriptive, Predictive and Prescriptive Analytics

Understanding Data :
Data Types and Problem Types

Understanding Data and Data Preprocessing :
Introduction to Data Manipulation and Preprocessing
Data Accessing (File Reader, Excel Reader and Table Creator)
Data Discovery: Basic Visualization
Data Discovery: Advanced Visualization Examples
Row Filtering and Missing Values
Advanced Filtering: Rule Based Row Filtering
Column Filtering
Concatenation
Join (Inner Join, Left , Right or Full Outer Joins)
Grouping and Aggregation
Math Formula and String Replace
Discrete / Quantized Data and Binning
Normalization
Pivot Operation
EXTRA : Meta Node and Data Generation in Knime
Splitting and Combining
Type Conversion (String, Numeric)

Modeling :
Introduction to Machine Learning : Test and Train Datasets
Introduction to Machine Learning: Problem Types

Classification :
Bayes Theorem and Naive Bayes Model
Knime Application of Naive Bayes Algorithm
Decision Tree, Information Gain and Gini index
Decision Tree Practicum with Knime
k-Nearest Neighbor Algorithm
k-NN Practicum with Knime
Distance Metrics
Distance Metrics Practicum
SVM: Support Vector Machines
SVM Practicum
End to End Practicum with all Algorithms
Logistic Regression: Theory
Comparing Classification Algorithms

Association Rule Mining / Learning :
An Introduction to ARM / ARL and A Priori Algorithm
Apriori Algorithm in Action

Clustering / Segmentation :
Introduction to Clustering and Concepts
K-Means Algorithm
K-Means: Optimum number of clusters ( k value) and WCSS
K-Means Practicum with Knime
Optimizing number of clusters (k value) in Knime with Grid Search
Hierarchical Clustering: Agglomerative and Divisive Approaches
Hierarchical Clustering Practicum with Knime
DBSCAN : Density Based Approach
DBSCAN Practicum
Comparison of Clustering Algorithms

Regression / Prediction Algorithms :
Linear Regression
Linear Regression Practicum
Introduction to Evaluation of Regression Models
Practicum of Simple Evaluation of the Regression Models
Multiple Linear Regression: Theory and Practicum
Polynomial Regression
Simple Regression Tree
Simple Regression Tree Practicum
Comparison of Regression Models
Sample Problem / Solution : Stock Market Regression

Knime as a tool: Advanced Knime Features and Maintenance :
PMML Standard and Theory
PMML Action with Knime

Evaluation :
Introduction to Evaluation
Baseline, ZeroR and Imbalanced Data Sets
Comparison of Imbalanced Data Solutions
Evaluation Chart

مشخصات این مجموعه :
زبان آموزش ها انگلیسی روان و ساده
دارای آموزشهای ویدیویی و دسته بندی شده
ارائه شده بر روی 2 حلقه دیسک
مدت زمان آموزش 9 ساعت و 4 دقیقه !
محصول موسسه آموزشی Udemy