داده های سری زمانی در اطراف ما هستند. برخی از نمونه ها آب و هوا، الگوهای رفتاری انسان به عنوان مصرف کنندگان و اعضای جامعه و داده های مالی هستند. در این دوره آموزشی، نحوه محاسبه شاخص‌های فنی از داده‌های سهام تاریخی و نحوه ایجاد ویژگی‌ها و اهداف از داده‌های تاریخی سهام را خواهید آموخت. خواهید فهمید که چگونه ویژگی های ما را برای مدل های خطی، مدل های xgboost و مدل های شبکه عصبی آماده کنید. سپس از مدل های خطی، درخت تصمیم، جنگل های تصادفی و شبکه های عصبی برای پیش بینی قیمت آتی سهام در بازارهای ایالات متحده استفاده خواهیم کرد. همچنین یاد می‌گیرید که چگونه عملکرد مدل‌های مختلفی را که آموزش می‌دهیم ارزیابی کنید تا آنها را بهینه کنیم، بنابراین پیش‌بینی‌های ما دقت کافی برای سودآور کردن استراتژی معاملات سهام دارند.

ظهور یادگیری ماشینی (تقریباً مانند "ظهور ماشین ها" به نظر می رسد؟) و کاربرد روش های آماری در بازاریابی، این حوزه را برای همیشه تغییر داده است. یادگیری ماشینی برای بهینه‌سازی سفرهای مشتری استفاده می‌شود که رضایت و ارزش طول عمر آنها را به حداکثر می‌رساند. این دوره ابزارهای اساسی را در اختیار شما قرار می دهد که می توانید بلافاصله برای بهبود استراتژی بازاریابی شرکت خود به کار ببرید. شما یاد خواهید گرفت که چگونه از تکنیک‌های مختلف برای پیش‌بینی ریزش مشتری و تفسیر محرک‌های آن، اندازه‌گیری و پیش‌بینی ارزش طول عمر مشتری، و در نهایت، ساخت بخش‌های مشتری بر اساس الگوهای خرید محصول استفاده کنید. از داده‌های مشتری از یک شرکت مخابراتی برای پیش‌بینی ریزش استفاده می‌کنید، یک مجموعه داده پولی اخیر-فرکانس-پولی از یک خرده‌فروش آنلاین برای پیش‌بینی ارزش طول عمر مشتری ایجاد می‌کنید، و بخش‌های مشتری را از داده‌های خرید محصول از یک فروشگاه مواد غذایی ایجاد می‌کنید.

این فرصتی است که با استفاده از R به دنیای بازاریابی و تجزیه و تحلیل تجاری شیرجه بزنید. روز به روز تصمیمات زیادی وجود دارد که شرکت ها باید با آنها روبرو شوند. با کمک مدل‌های آماری، می‌توانید از فرآیند تصمیم‌گیری کسب‌وکار بر اساس داده‌ها پشتیبانی کنید، نه احساس درونی‌تان. اجازه دهید به شما نشان دهیم که مدل سازی آماری چه تاثیر زیادی می تواند بر عملکرد کسب و کارها داشته باشد. شما می‌خواهید در مورد استراتژی‌هایی بیاموزید و از آنها استفاده کنید تا با نتایج خود ارتباط برقرار کنید و به آنها کمک کنید تفاوت ایجاد کنند.

داده های سری زمانی در همه جا وجود دارند. خواه نوسانات بازار سهام، داده های حسگر ثبت تغییرات آب و هوا یا فعالیت در مغز باشد، هر سیگنالی که در طول زمان تغییر می کند را می توان به عنوان یک سری زمانی توصیف کرد. یادگیری ماشینی به عنوان روشی قدرتمند برای استفاده از پیچیدگی در داده‌ها به منظور ایجاد پیش‌بینی‌ها و بینش‌هایی در مورد مشکلی که فرد در تلاش برای حل آن است، ظهور کرده است. این دوره تلاقی بین این دو دنیای یادگیری ماشین و داده‌های سری زمانی است و مهندسی ویژگی‌ها، طیف‌نگاری‌ها و سایر تکنیک‌های پیشرفته را برای طبقه‌بندی صداهای ضربان قلب و پیش‌بینی قیمت سهام پوشش می‌دهد.

این دوره به شما می آموزد که از ابزارهای موجود در "tidyverse" برای تولید، کاوش و ارزیابی مدل های یادگیری ماشین استفاده کنید. با استفاده از ترکیبی از بسته‌های tidyr و purrr، شما پایه‌ای برای نحوه کار با اشیاء مدل پیچیده به روش "مرتب" خواهید ساخت. همچنین یاد می گیرید که چگونه از بسته جارو برای کشف مدل های به دست آمده استفاده کنید. سپس با ابزارهای موجود در گردش کار تست-ترن- اعتبارسنجی آشنا می شوید که به شما امکان ارزیابی عملکرد هر دو مدل طبقه بندی و رگرسیون و همچنین ارائه اطلاعات لازم برای بهینه سازی عملکرد مدل از طریق تنظیم فراپارامتر را می دهد.

درخت تصمیم، مدل‌های یادگیری تحت نظارت هستند که برای مسائل مربوط به طبقه‌بندی و رگرسیون استفاده می‌شوند. مدل‌های درختی انعطاف‌پذیری بالایی را ارائه می‌دهند که قیمتی هم دارد: از یک طرف، درختان می‌توانند روابط پیچیده غیرخطی را ثبت کنند. از سوی دیگر، آنها مستعد به خاطر سپردن نویز موجود در یک مجموعه داده هستند. با جمع‌آوری پیش‌بینی‌های درختانی که به‌طور متفاوت آموزش داده می‌شوند، روش‌های گروهی از انعطاف‌پذیری درختان بهره می‌برند و در عین حال تمایل آن‌ها به حفظ نویز را کاهش می‌دهند. روش‌های گروهی در زمینه‌های مختلف مورد استفاده قرار می‌گیرند و سابقه ثابتی در برنده شدن در بسیاری از مسابقات یادگیری ماشین دارند. در این دوره آموزشی، نحوه استفاده از پایتون را برای آموزش درخت‌های تصمیم‌گیری و مدل‌های مبتنی بر درخت با کتابخانه یادگیری ماشینی کاربرپسند scikit-learn یاد خواهید گرفت. شما مزایا و کاستی های درختان را درک خواهید کرد و نشان خواهید داد که چگونه ترکیب بندی می تواند این کاستی ها را کاهش دهد، همگی در حین تمرین بر روی مجموعه داده های دنیای واقعی. در نهایت، همچنین می‌دانید که چگونه می‌توانید تأثیرگذارترین هایپرپارامترها را تنظیم کنید تا بیشترین بهره را از مدل‌های خود ببرید.

مدل‌های یادگیری ماشینی مبتنی بر درخت می‌توانند روابط غیرخطی پیچیده‌ای را در داده‌ها نشان دهند و اغلب بر رقابت‌های یادگیری ماشینی تسلط دارند. در این دوره، از بسته tidymodels برای کاوش و ساختن مدل‌های مختلف مبتنی بر درخت - از درخت‌های تصمیم ساده گرفته تا جنگل‌های تصادفی پیچیده استفاده می‌کنید. همچنین استفاده از درختان تقویت شده را یاد خواهید گرفت، یک تکنیک یادگیری ماشینی قدرتمند که از یادگیری گروهی برای ساخت مدل‌های پیش‌بینی با کارایی بالا استفاده می‌کند. در طول مسیر، با داده‌های ریسک اعتباری و سلامتی کار می‌کنید تا بروز دیابت و ریزش مشتری را پیش‌بینی کنید.

این دوره عناصر کلیدی یادگیری ماشین را به رهبران کسب و کار معرفی می کند. ما بر روی بینش‌های کلیدی و شیوه‌های پایه تمرکز خواهیم کرد که چگونه سؤالات تجاری را به عنوان پروژه‌های مدل‌سازی با تیم‌های یادگیری ماشینی ساختار دهیم. انواع مختلف مدل‌ها را خواهید فهمید، به چه نوع سؤالات تجاری پاسخ می‌دهند، یا چه نوع فرصت‌هایی را می‌توانند کشف کنند، همچنین یاد می‌گیرید که موقعیت‌هایی را که در آن‌ها یادگیری ماشینی نباید اعمال شود، شناسایی کنید، که به همان اندازه مهم است. تفاوت بین استنتاج و پیش‌بینی، پیش‌بینی احتمال و مقادیر، و اینکه چگونه استفاده از یادگیری بدون نظارت می‌تواند به ایجاد استراتژی تقسیم‌بندی مشتری معنادار کمک کند، خواهید فهمید.

در دنیای یادگیری ماشینی شیرجه بزنید و با این دوره جامع نحوه طراحی، آموزش و استقرار مدل‌های سرتاسری را بیاموزید. از طریق مثال‌های جذاب، دنیای واقعی و تمرین‌های عملی، یاد خواهید گرفت که با مشکلات پیچیده داده‌ها مقابله کنید و مدل‌های قدرتمند ML بسازید. در پایان این دوره، شما به مهارت‌های لازم برای ایجاد، نظارت و نگهداری مدل‌هایی با عملکرد بالا که بینش‌های عملی ارائه می‌دهند، مجهز خواهید شد.

از دیدگاه یادگیری ماشینی، رگرسیون وظیفه پیش‌بینی نتایج عددی از ورودی‌های مختلف است. در این دوره آموزشی، با مدل‌های رگرسیون مختلف، نحوه آموزش این مدل‌ها در R، ارزیابی مدل‌هایی که آموزش می‌دهید و استفاده از آن‌ها برای پیش‌بینی‌ها آشنا می‌شوید.