دوره آموزشی مبانی علم داده: ارزیابی داده‌ها برای مدل‌سازی پیش بینی

CRISP-DM، فرآیند استاندارد بین صنعت برای داده کاوی، از شش مرحله تشکیل شده است. بیشتر دانشمندان جدید داده‌، به سمت مدل‌سازی می‌شتابند زیرا این فازی است که در آن بیشترین آموزش را می‌بینند. اما اینکه پروژه موفقیت آمیز باشد یا شکست بخورد در واقع خیلی زودتر مشخص شده است. این دوره یک رویکرد سیستماتیک را برای فهم درک داده‌ها برای مدل‌سازی پیش بینی معرفی می‌کند. مربی Keith McCormick اصول، دستورالعمل‌ها و ابزارهایی مانند KNIME و R را برای ارزیابی صحیح یک مجموعه داده برای مناسب بودن آن برای یادگیری ماشین آموزش می‌دهد. نحوه جمع آوری داده‌ها، توصیف داده‌ها، کاوش داده‌ها را با اجرای تجسم‌های متغیر کشف کنید و کیفیت داده‌های خود را تأیید کنید و همچنین به مرحله آماده‌سازی داده‌ها بروید. این دوره شامل مطالعات موردی و بهترین شیوه‌ها و همچنین مجموعه چالش‌ها و راه حل‌هایی برای افزایش دانش افزایش می‌یابد. در پایان، شما باید مهارت‌های لازم را داشته باشید تا بتوانید به این مرحله حیاتی از همه پروژه‌های موفقیت آمیز علوم داده توجه کافی داشته باشید.

موضوعات شامل:
تشخیص ارزیابی داده ها از داده ها
تسلط بر چهار وظیفه درک داده
جمع آوری داده های اولیه
شناسایی سطح اندازه گیری
بارگیری داده ها
توصیف داده ها
تجسم داده ها
کار با پیش بینی های برتر
استفاده از ggplot2 برای داده ها
تأیید کیفیت داده
انتقال به آماده سازی داده ها