Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-4 of 4 items.

linkedin آموزش ضروری تجزیه و تحلیل پیش بینی کننده: داده کاوی (Mitalearn-218175)

  • 1 hours 56 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

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.

coursera روش شناسی علم داده (Mitalearn-327978)

  • 1 hours 1 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alex Aklson,Polong Lin
درباره این دوره:

اگر راه میانبری برای تبدیل شدن به یک دانشمند داده وجود دارد، پس یادگیری تفکر و کار مانند یک دانشمند داده موفق همین است. در این دوره، شما این روش را یاد می گیرید و سپس از آن استفاده می کنید که می توانید برای مقابله با هر سناریو علم داده استفاده کنید. شما دو روش قابل توجه علم داده، روش شناسی علوم داده بنیادی، و روش علم داده شش مرحله ای CRISP-DM را بررسی خواهید کرد و نحوه به کارگیری این متدولوژی های علم داده را خواهید آموخت. بسیاری از دانشمندان داده‌های معتبر از این روش‌ها یا روش‌های مشابه برای حل مسائل علم داده پیروی می‌کنند. با یادگیری در مورد شکل‌گیری مشکل تجاری/تحقیق شروع کنید. بیاموزید که دانشمندان داده چگونه داده‌ها را بدست می‌آورند، آماده می‌کنند و تجزیه و تحلیل می‌کنند. کشف کنید که چگونه به کارگیری روش‌های روش‌شناسی علم داده کمک می‌کند تا اطمینان حاصل شود که داده‌های مورد استفاده برای حل مسئله مرتبط هستند و به درستی دستکاری شده‌اند تا به سؤال پاسخ دهند. در مرحله بعد، در مورد ساخت مدل داده، استقرار آن مدل، داستان سرایی داده ها و دریافت بازخورد بیاموزید. شما مانند یک دانشمند داده فکر می کنید و مهارت های روش علم داده خود را با استفاده از یک سناریوی الهام گرفته شده از دنیای واقعی از طریق آزمایشگاه های مترقی که در نوت بوک های Jupyter میزبانی می شوند و با استفاده از آنها توسعه می دهید. پایتون.

linkedin مبانی علم داده: ارزیابی داده ها برای مدل سازی پیش بینی (Mitalearn-201413)

  • 4 hours 8 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

CRISP-DM، فرآیند استاندارد بین صنعتی برای داده کاوی، از شش فاز تشکیل شده است. اکثر دانشمندان داده جدید به سمت مدل سازی عجله می کنند زیرا این مرحله ای است که در آن بیشترین آموزش را دارند. اما اینکه پروژه موفق شود یا شکست، در واقع خیلی زودتر مشخص می شود. این دوره یک رویکرد سیستماتیک به فاز درک داده ها برای مدل سازی پیش بینی معرفی می کند. مربی، کیت مک کورمیک، اصول، دستورالعمل‌ها و ابزارهایی مانند KNIME و R را آموزش می‌دهد تا به درستی مجموعه داده‌ها را برای مناسب بودن آن برای یادگیری ماشین ارزیابی کند. نحوه جمع‌آوری داده‌ها، توصیف داده‌ها، کاوش داده‌ها با اجرای تجسم‌های دو متغیره، و تأیید کیفیت داده‌ها و همچنین انتقال به مرحله آماده‌سازی داده‌ها را کشف کنید. این دوره شامل مطالعات موردی و بهترین شیوه ها، و همچنین مجموعه چالش ها و راه حل ها برای حفظ دانش افزایش یافته است. در پایان، شما باید مهارت های لازم برای توجه مناسب به این مرحله حیاتی از تمام پروژه های موفق علم داده را داشته باشید.

linkedin مقدمه ای بر یادگیری ماشین با KNIME (Mitalearn-160222)

  • 1 hours 59 minutes
  • مبتدی
  • Update date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

KNIME یک ابزار منبع باز به سبک میز کار برای تجزیه و تحلیل پیش بینی و یادگیری ماشین است. این بسیار سازگار با بسیاری از فناوری های علوم داده، از جمله R، Python، Scala، و Spark است. با KNIME، می‌توانید راه‌حل‌هایی تولید کنید که عملاً مستندسازی شده و آماده استفاده هستند. این دلایل و موارد دیگر KNIME را به یکی از محبوب‌ترین و سریع‌ترین پلتفرم‌های تحلیلی در حال رشد تبدیل کرده است. در این دوره، کیت مک کورمیک متخصص نشان می دهد که چگونه KNIME از تمام مراحل فرآیند استاندارد متقابل صنعت برای داده کاوی (CRISP-DM) در یک پلت فرم پشتیبانی می کند. به سرعت - در 15 دقیقه یا کمتر - شروع به کار کنید یا برای آموزش عمیق‌تر که ادغام و تجمیع، مدل‌سازی و امتیازدهی داده‌ها را پوشش می‌دهد، همراه باشید. به علاوه، نحوه افزایش قدرت KNIME با برنامه های افزودنی و ادغام R و Python را بیاموزید.

Suggestions