دوره آموزشی تبدیل شدن به یک مشتری خوب علم داده
1 ساعت 53 دقیقهمتوسط2024-04-03
مدرسین

Howard Friedman
جزئیات دوره
دنیای علم داده تغییرات اساسی در نحوه کار، بازی، خرید، معاشرت و یادگیری ما ایجاد کرده است. و از آنجایی که اهمیت آن در بسیاری از صنایع مختلف همچنان افزایش می یابد، رهبران کسب و کار باید بدانند چگونه با تیم های علم داده ارتباط موثر برقرار کنند تا بازده سرمایه خود را به حداکثر برسانند. در این دوره، هاوارد فریدمن، استاد دانشگاه کلمبیا، مروری بر حیاتیترین پرسشها و ابزارها برای بررسی دانشمندان داده در مورد موضوعات کلیدی مربوط به جمعآوری دادهها، ذخیرهسازی دادهها، تجزیه و تحلیل دادهها، سختافزار و نرمافزار، مدلسازی دادهها، اخلاقیات و موارد دیگر را به شما ارائه میدهد. در طول مسیر، زبان فنی اولیه را کاوش کنید، انواع استعدادهای تیم را بشناسید، و بیاموزید که چگونه سؤالات درستی را برای دانشمندان داده مطرح کنید تا بینش های بهتری را جمع آوری کنید، فرصت ها را ایجاد کنید، ارزش ایجاد کنید و همچنین مفروضات کلیدی را به چالش بکشید. در پایان این دوره، شما با سؤالات و ابزارهای مناسب برای شروع تصمیمگیریهای تجاری سودآورتر مجهز خواهید شد.
مهارت ها
Data Science FoundationsTeams and CollaborationCommunicationPersonaData ScienceProfessional DevelopmentLeadership and Management
سرفصل ها
0. مقدمه
- 01 - مشتریان خوب علم داده سؤالات مهمی میپرسند
- 02 - آنچه برای این دوره باید بدانید
1. ابزارهای تجارت
- 03 - مراحل گردش کار داده
- 04 - گزینههای ذخیرهسازی داده ها
- 05 - منابع داده
- 06 - اطمینان از کیفیت داده ها
- 07 - زبانهای کدگذاری و مخازن
- 08 - محصولات داده
- 09 - تمرین گردش کار داده ها
2. مبانی آمار توصیفی
- 10 - محدودیت داده ها
- 11 - آمار خلاصه
- 12 - همبستگی ها
- 13 - آزمون فرضیه - اندازههای اثر و مقادیر p
- 14 - اشتباهات رایج
3. تصمیمگیری خوب با داده ها
- 15 - علیت
- 16 - مزایای تصادفی سازی
- 17 - اگر نتوانید تصادفی کنید چه؟
- 18 - لکه بینی تعصب
- 19 - تطبیق توضیحات با تمرین تعصب
4. تقسیم بندی مشتریان
- 20 - چه پروژههایی شامل یادگیری ماشینی بدون نظارت است
- 21 - کاهش ابعاد
- 22 - الگوریتمهای خوشه بندی
5. مدل سازی پیش بینی
- 23 - چه پروژههایی شامل مدل سازی پیشبینی میشوند
- 24 - انتخاب ویژگی
- 25 - آموزش و تست مدل (پارتیشن بندی داده ها)
- 26 - تیونینگ مدل
- 27 - اندازهگیری عملکرد مدل
- 28 - ماتریس سردرگمی
- 29 - تمرین شبیه سازی مشتری
6. سایر روشهای مدل سازی
- 30 - پردازش زبان طبیعی (NLP)
- 31 - تحلیل جغرافیایی
- 32 - بینایی کامپیوتری
- 33 - تحلیل شبکه
- 34 - مدلهای زبان بزرگ (LLM)
7. اخلاق
- 35 - منشور اخلاقی علم داده
- 36 - تعصب و انصاف
- 37 - رانش داده ها
- 38 - حریم خصوصی و امنیت
نتیجه
- 39 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی تسلط بر داده ها: کاوش و توصیف داده ها
- دوره آموزشی کلانداده در عصر هوش مصنوعی
- دوره آموزشی مبانی علوم تصمیمگیری
- دوره آموزشی آیا نتیجه داد؟ ارزیابی برنامه در علم داده
- دوره آموزشی ارزیابی برنامه برای علم داده
- دوره آموزشی پاکسازی دادهها برای علم داده مؤثر: واردکردن دادهها، تشخیص ناهنجاری، پرکردن مقادیر گمشده و مهندسی ویژگیها
- دوره آموزشی یادگیری جامع اسکالا برای علوم داده