هیچ چیز برای آینده تیم های تحلیل پیشگو مهمتر از اثبات ارزش بلندمدت پروژه های آنها نیست. اندازه گیری بازگشت سرمایه (ROI) اغلب می تواند به تبدیل تجزیه و تحلیل به یک مرکز سود قابل مشاهده برای سازمان شما کمک کند. تخمین ROI زودهنگام - قبل از شروع پروژه - همچنین می تواند به سرعت بخشیدن به تایید کمک کند. در اینجا Keith McCormick نحوه پرداختن به ROI را قبل و بعد از ساخت مدل پیشگو نشان می دهد. با تخمین اندازه کلی مشکل، تخصیص ارزش به نتایج احتمالی و قضاوت در مورد تأثیر عملکرد مدل، یاد بگیرید که چگونه تخمین خود را قبل از شروع پروژه ایجاد کنید. سپس کیت روش متفاوتی را برای محاسبه ROI پس از ساخت مدل، در مراحل ارزیابی و استقرار نشان می دهد و نکاتی را برای نظارت مستمر پروژه ارائه می دهد. او همچنین نگاهی به گذشته نگر دارد که یک سال پس از استقرار مدل ارزیابی شده است. این دو استراتژی به شما داده‌هایی را می‌دهند که برای خرید پروژه‌هایتان نیاز دارید و معیارهای مداوم عملکرد آنها را ارائه می‌کنند.

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.

 سازمان‌ها تقریباً در هر صنعتی به دنبال دانشمندان داده و استخدام می‌شوند، اما بسیاری از این متخصصان برای مدت طولانی در پست‌های خود باقی نمی‌مانند. حتی اگر مهارت های تجزیه و تحلیل داده ها بسیار ارزشمند است، افراد با این مجموعه مهارت نمی توانند تأثیری بگذارند مگر اینکه مدیریت میانی و ارشد بدانند چگونه از تجزیه و تحلیل برای منافع بلندمدت سازمان خود استفاده کنند. چالش این است که اکثر افرادی که بر تجزیه و تحلیل پیشرفته نظارت می کنند، خودشان پیشینه ای در علم داده ندارند.

در این دوره، کیت مک کورمیک به مدیرانی که در تجزیه و تحلیل داده ها مسلط نیستند، نحوه استخدام علم داده را نشان می دهد. حرفه ای ها، تیم های علم داده را مدیریت کنند و کسب و کار خود را با تجزیه و تحلیل های پیشرفته به طور موثر متحول کنند. کیت نحوه استخدام یک تیم مجرب، از جمله نحوه شناسایی دانشمندان داده با عملکرد برتر را توضیح می دهد. به‌علاوه، او نحوه پیمایش در گزینه‌های مختلف نرم‌افزار تحلیلی و یادگیری ماشینی موجود در بازار، متناسب کردن علم داده در ساختار سازمانی و موارد دیگر را به اشتراک می‌گذارد.

سازمان ها تقریباً در هر صنعت به دنبال دانشمندان داده هستند و استخدام می کنند ، اما حتی اگر مهارت های تجزیه و تحلیل داده ها بسیار ارزشمند باشند ، افراد دارای این مجموعه مهارت نمی توانند تأثیر بگذارند مگر اینکه مدیریت میانه و ارشد بدانند که چگونه می توانند از تجزیه و تحلیل برای منافع بلند مدت سازمان خود استفاده کنند. چالش این است که بیشتر افرادی که نظارت بر تجزیه و تحلیل پیشرفته را بر عهده دارند ، خودشان در علم داده ها سابقه ای ندارند.

در این دوره ، کیت مک کورمیک مدیرانی را نشان می دهد که در تجزیه و تحلیل داده ها مسلط نیستند که چگونه متخصصان علوم داده را استخدام کنند ، تیم های علوم داده را مدیریت کنند و تجارت خود را با تجزیه و تحلیل پیشرفته مستقر تبدیل کنند. بیاموزید که چگونه به طور فعال در بحثی شرکت کنید که در مورد کدام نوع تجزیه و تحلیل ممکن است مشکل کسب و کار شما را برطرف کند ، از دیدگاه دانشمند داده قدردانی بهتری داشته باشید ، از نظر استراتژیک در مورد استخدام و فناوری برای تجزیه و تحلیل پیشرفته فکر کنید ، و گزینه های مختلفی را برای ساختار سازمانی و مدیریت گسترده شرکت در نظر بگیرید.

تجزیه و تحلیل پیشگویانه از داده های تاریخی برای نگاه به آینده استفاده می کند و سازمان ها را قادر می سازد تا تصمیمات بهتری بگیرند. با این حال، انجام پیش‌بینی‌های دقیق از داده‌های بزرگ می‌تواند یک کار طاقت فرسا باشد. Google Cloud Platform (GCP) را وارد کنید، مجموعه‌ای از خدمات رایانش ابری که مقیاس‌پذیری، کشش، و یادگیری ماشین خودکار را به تجزیه و تحلیل پیش‌بینی‌کننده می‌آورد. این دوره - یکی از مجموعه‌های دانشمند داده کوماران پونامبالام - نشان می‌دهد که چگونه از قدرت GCP برای ایجاد پیش‌بینی برای کسب‌وکارتان استفاده کنید. با کاوش در ابزارها و ویژگی‌های مختلف برای تجزیه و تحلیل پیش‌بینی‌کننده در GCP، از جمله Cloud Dataproc، Cloud ML Engine، و APIهای یادگیری ماشینی مانند Cloud Translation، Cloud Vision، و Cloud Video Intelligence شروع کنید. سپس نحوه ساخت، آموزش و استقرار مدل‌ها برای ایجاد پیش‌بینی را کشف کنید. به علاوه، بهترین شیوه‌ها را برای کنترل هزینه، آزمایش و نظارت بر عملکرد مدل‌های پیش‌بینی بیاموزید.

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.