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.

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.

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.

تمام علم داده با داده های خوب شروع می شود. داده‌کاوی چارچوبی برای جمع‌آوری، جستجو و فیلتر کردن داده‌های خام در یک موضوع سیستماتیک است که تضمین می‌کند از همان ابتدا داده‌های تمیزی دارید. همچنین به شما کمک می کند تا مجموعه داده های بزرگ را تجزیه کنید و به معنی دارترین و مفیدترین اطلاعات دست یابید. این دوره، مبانی علم داده: داده کاوی، طراحی شده است تا نقطه ورود محکمی به تمامی ابزارها، تکنیک ها و تفکر تاکتیکی پشت داده کاوی ارائه دهد.

rnrn و بیشتر.

علم داده در پیچیدگی و تقاضا با سرعت تصاعدی به رشد خود ادامه می دهد. داده کاوی حوزه ای از علم داده است که بر یافتن الگوهای عملی در مجموعه داده های بزرگ و متنوع تمرکز می کند: خوشه هایی از مشتریان مشابه، روندهایی در طول زمان که تنها پس از تفکیک اثرات فصلی و تصادفی قابل مشاهده هستند، و روش های جدید برای پیش بینی نتایج مهم. مربی بارتون پولسون بر روی داده کاوی در R تمرکز می کند، طیف گسترده ای از الگوریتم ها از جمله روش های یادگیری ماشین را ارائه می دهد و اطلاعات مهمی در مورد قوانین و سیاست هایی که بر داده کاوی تأثیر می گذارد ارائه می دهد. بارتون یک نمای کلی از کاهش ابعاد ارائه می دهد. او خوشه‌بندی را معرفی می‌کند، از جمله خوشه‌بندی سلسله مراتبی، سپس وارد تحلیل تداعی می‌شود. او استخراج و تجزیه سری های زمانی را توضیح می دهد، سپس با متن کاوی، تجزیه و تحلیل احساسات و امتیازدهی احساسات به پایان می رسد.

داده کاوی حوزه ای از علم داده است که بر یافتن الگوهای عملی در مجموعه داده های بزرگ و متنوع تمرکز می کند: خوشه هایی از مشتریان مشابه، روندهایی در طول زمان که تنها پس از تفکیک اثرات فصلی و تصادفی قابل مشاهده هستند، و روش های جدید برای پیش بینی نتایج مهم. در این دوره مدرس بارتون پولسون شما را با داده کاوی که از زبان برنامه نویسی پایتون استفاده می کند آشنا می کند. بارتون به برخی مقدمات، مانند ابزارهایی که ممکن است برای داده کاوی استفاده کنید، می پردازد. او جنبه‌های کاهش ابعاد را مورد بحث قرار می‌دهد، سپس خوشه‌بندی، از جمله خوشه‌بندی سلسله مراتبی، k-Means، DBSCAN و غیره را توضیح می‌دهد. بارتون طبقه بندی، از جمله kNN و درختان تصمیم را پوشش می دهد. او وارد تجزیه و تحلیل انجمن می شود و شما را با Apriori، Eclat و FP-Growth آشنا می کند. بارتون شما را از تجزیه سری زمانی عبور می دهد، سپس با امتیازدهی احساسات و سایر ابزارهای متن کاوی به پایان می رسد.

کشف کنید که چگونه می توانید منابع رایگان و عمومی داده ها را در مورد مسائل مختلف کسب و کار، آموزش و سلامت پیدا کنید و داده ها را برای تجزیه و تحلیل خود بارگیری کنید. مربی کرت فرای چندین منبع دولتی ایالات متحده را معرفی می کند - از اداره سرشماری ایالات متحده تا اداره ثبت اختراع و علائم تجاری ایالات متحده - و مجموعه داده های آژانس های بین المللی مانند بانک جهانی و سازمان ملل را بررسی می کند. به علاوه، او به موتورهای جستجوی داده، سرویس‌های وب و حتی منابع زبانی مانند Ngram Viewer برای Google Books می‌پردازد. پس از پایان دادن به این دوره، برای یافتن اطلاعات مورد نیاز برای کمک هزینه تحصیلی و تلاش های تجزیه و تحلیل داده ها، مجهزتر خواهید شد.