ارتقا مهارت های خود در تجزیه و تحلیل پیش بینی کننده - Advance Your Skills in Predictive Analytics

ساخت راه‌حل‌های تحلیلی پیش‌بینی‌کننده در سطح جهانی مستلزم درک این موضوع است که چالش‌های مقیاس و اندازه نمونه در مراحل مختلف یک پروژه بسیار نوسان دارند. چگونه می دانید چه مقدار داده باید استفاده کنید؟ چه چیزی کم، چه چیزی زیاد؟ زیرساخت شما چگونه باید با حجم و تقاضای پروژه مقیاس شود؟ این دوره گام به گام جنبه‌های استراتژیک و تاکتیکی تعیین میزان داده مورد نیاز برای ساختن یک راه‌حل مدل‌سازی پیش‌بینی‌کننده مؤثر بر اساس یادگیری ماشین را طی می‌کند و چه حجمی از داده‌ها آنقدر زیاد است که چالش‌هایی را ایجاد می‌کنند. مربی کیت مک کورمیک هر مرحله - انتخاب داده ها، آماده سازی داده ها، مدل سازی، امتیازدهی و استقرار - را با در نظر گرفتن مقیاس پذیری بررسی می کند و بینش ها، دیدگاه ها و ابزارهای همکاری جدید را به متخصصان فناوری اطلاعات، دانشمندان داده و رهبری ارائه می دهد. توجه: این دوره آموزشی نرم افزاری است. تاکید بر استراتژی و برنامه ریزی است. مثال‌ها، محاسبات و نتایج نرم‌افزار نشان داده شده فقط برای اهداف آموزشی هستند. اهداف یادگیری ارزیابی حجم مناسب داده ها ارزیابی کیفیت و کمیت داده ها فصلی و تراز زمانی چالش های آماده سازی داده ها چالش های مدل سازی داده ها امتیاز دهی به مدل های یادگیری ماشینی استقرار مدل ها و تنظیم آماده سازی داده ها و امتیازدهی نظارت و نگهداری

رایانش ابری مقیاس پذیری و کشش نامحدودی را برای کاربردهای علم داده به ارمغان می آورد. تخصص در پلتفرم‌های اصلی، مانند Google Cloud Platform (GCP)، برای متخصصان فناوری اطلاعات ضروری است. این دوره - یکی از مجموعه‌های متخصص مهندسی ابر و دانشمند داده کوماران پونامبالام - نحوه انجام تجزیه و تحلیل داده‌های اکتشافی با GCP را نشان می‌دهد. ابتدا مفاهیم تقسیم بندی و پروفایل را مرور کنید. سپس دست به کار شوید، همانطور که یاد می گیرید هم تجزیه و تحلیل متنی و هم بصری داده ها را با استفاده از ابزارهای ارائه شده توسط GCP انجام دهید: Cloud Datalab، BigQuery، Cloud Dataflow، و Data Studio. در نهایت، به یک مورد استفاده نهایی نگاه کنید که آنچه را که در دوره یاد گرفته‌اید به کار می‌برد. اهداف یادگیری راه اندازی Cloud DataLlb برای تجزیه و تحلیل داده های اکتشافی تقسیم بندی و پروفایل خواندن و نوشتن داده ها از BigQuery مدیریت سطل های ذخیره سازی ابری ایجاد تجسم داده های BigQuery با GCP Charting API مدیریت نمونه های Datalab

یک پروژه تجزیه و تحلیل پیش بینی مناسب و داده کاوی می تواند افراد زیادی و هفته های زیادی را درگیر کند. همچنین بسیاری از خطاهای احتمالی وجود دارد که باید از آنها اجتناب کرد. یک چشم انداز "تصویر بزرگ" برای ادامه پروژه در مسیر ضروری است. این دوره از دیدگاه یک پزشک باسابقه که ده ها پروژه دنیای واقعی را تکمیل کرده است، این دیدگاه را ارائه می دهد. کیث مک کورمیک یک داده پرداز و نویسنده مستقل است که در مدل های پیش بینی و تجزیه و تحلیل تقسیم بندی، از جمله درختان طبقه بندی، تجزیه خوشه ای و قوانین ارتباط تخصص دارد. در اینجا او دانش خود را با شما به اشتراک می گذارد. هر مرحله از یک پروژه معمولی را از تعریف مشکل و جمع آوری داده ها و منابع تا عملی کردن راه حل طی کنید. کیت همچنین یک نمای کلی از CRISP-DM (روش داده کاوی عملاً) و نه قانون داده کاوی ارائه می دهد که به شما در تمرکز بر استراتژی و ارزش کسب و کار کمک می کند. اهداف یادگیری چه چیزی باعث موفقیت یک پروژه تجزیه و تحلیل پیش بینی می شود؟ تعریف مشکل انتخاب داده ها به دست آوردن منابع: تیم، بودجه و شرکتهای کوچک و متوسط برخورد با داده های مفقود شده یافتن راه حل راه حل را به کار انداختن مروری بر CRISP-DM

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 شیوه ها را برای کنترل هزینه، آزمایش و نظارت بر عملکرد مدل های پیش بینی کننده بیاموزید. اهداف یادگیری ارزیابی ابزارهای یادگیری ماشین در GCP درک فرآیند تحلیل پیش بینی کننده مدل های ساختمان مدل های آموزشی با مشاغل ساخت و اجرای پیش بینی ها بهترین روش ها برای کنترل هزینه، آزمایش و نظارت بر عملکرد

کشف کنید که چگونه می توانید تصمیمات هوشمندانه تری برای قیمت گذاری محصول بگیرید که سود سازمان شما را به حداکثر برساند. در این دوره، مربی مایکل مک‌دونالد با استفاده از تحلیل سناریو، بهینه‌سازی قیمت، و تحلیل واریانس برای مدل‌سازی تجزیه و تحلیل داده‌ها در پشت قیمت‌گذاری استفاده می‌کند. مایکل نحوه تعیین قیمت بسته‌ای در یک سناریو، تخمین کشش قیمت، محاسبه سود بهینه‌سازی قیمت با یک متغیر یا چندین متغیر، ملاحظات قیمت و حجم فروش و موارد دیگر را توضیح می‌دهد. اگر می‌خواهید شغلی را در امور مالی شرکت‌ها دنبال کنید - به‌ویژه به‌عنوان تحلیلگر قیمت‌گذاری در یک شرکت بیمه، خرده‌فروشی، تولید یا فناوری - این دوره می‌تواند به شما کمک کند تا مهارت‌هایی را که برای موفقیت شرکتتان در اقتصاد امروز نیاز دارید، تجهیز کنید. . اهداف یادگیری چگونگی تأثیر قیمت بر عرضه و تقاضا را بررسی کنید. نحوه استفاده از درون یابی خطی برای تصمیم گیری بهینه قیمت را توضیح دهید. انواع مختلف تبعیض قیمتی را شناسایی کنید. مثال‌هایی از قیمت‌گذاری غیرکشسان ارائه دهید. پیش بینی کنید که حاشیه های بالاتر برای محصولات شما چه تاثیری بر رقبای شما خواهد داشت. ارزش یک واحد قیمت را با یک واحد حجم مقایسه کنید.

داده های بزرگ دنیای تجارت را متحول می کند. با این حال، بسیاری از مردم نمی دانند داده های بزرگ و هوش تجاری چیست و چگونه از این تکنیک ها در مشاغل روزانه خود استفاده کنند. این دوره به شکاف دانش می پردازد و به تجار روش های عملی برای ایجاد پیش بینی های سریع و مرتبط با مشاغل با استفاده از داده های بزرگ ارائه می دهد. به پروفسور مایکل مک دونالد بپیوندید و نحوه استفاده از تجزیه و تحلیل پیش بینی برای پیش بینی شاخص های کلیدی عملکرد مورد علاقه، مانند فروش سه ماهه، جریان نقدی پیش بینی شده یا حتی قیمت بهینه محصولات را کشف کنید. تنها چیزی که نیاز دارید Microsoft Excel است. مایکل از فرمول ها، توابع و محاسبات داخلی برای تجزیه و تحلیل رگرسیون، محاسبه فواصل اطمینان و آزمایش استرس نتایج شما استفاده می کند. با دور شدن از دوره می توانید بلافاصله شروع به ایجاد پیش بینی برای نیازهای تجاری خود کنید. اهداف یادگیری دو روش تصمیم گیری را ذکر کنید. رایج ترین روش پیش بینی مالی متعارف را مشخص کنید. چالش های متداول را که هنگام تلاش برای ادغام داده ها ایجاد می شود، شرح دهید. انواع سوالاتی را که هوش تجاری برای پاسخگویی به آنها مناسب است ارزیابی کنید. آماری را که برای برآورد تأثیر متغیر X بر متغیر Y مفید است، تشخیص دهید.

تجزیه و تحلیل کسب و کار مجموعه ای از ابزارها، فناوری ها، فرآیندها و بهترین شیوه ها را در بر می گیرد که برای استخراج دانش از داده ها مورد نیاز است. این یک اکتشاف تکراری و روشمند از داده ها برای به دست آوردن بینش از آن است - و به نوبه خود، تصمیم گیری های هوشمندانه تر و استراتژیک تر که مبتنی بر واقعیات است. در این دوره، با مراحل تجزیه و تحلیل کسب و کار که برای پیش بینی و ساختن آینده استفاده می شود آشنا شوید - تجزیه و تحلیل پیش بینی، تجزیه و تحلیل تجویزی و تجزیه و تحلیل تجربی. این دوره به هر مرحله می پردازد و در مورد ابزارها و تکنیک های مورد استفاده برای هر یک و همچنین بهترین شیوه های اعمال شده در این زمینه بحث می کند. علاوه بر این، این دوره با استفاده از یک مورد استفاده برای نشان دادن نحوه اجرای تجزیه و تحلیل در هر مرحله، زمینه ای واقعی را به این مفاهیم می بخشد. اهداف یادگیری بین مراحل مختلف تحلیل تجاری تمایز قائل شوید. حرکت داده ها را در طول تجزیه و تحلیل تجاری شناسایی کنید. ابزارها و تکنیک های تجزیه و تحلیل تجویزی را بررسی کنید. ابزارها و تکنیک های تحلیل تجربی را توضیح دهید. عواملی که باید در هنگام استفاده از تست A/B در نظر گرفته شوند را شناسایی کنید.

تجزیه و تحلیل کسب و کار به ما امکان می دهد از گذشته درس بگیریم و پیش بینی های بهتری برای آینده داشته باشیم. سه نوع تجزیه و تحلیل برای یادگیری از گذشته استفاده می شود. تجزیه و تحلیل توصیفی داده های تاریخی را خلاصه می کند. تجزیه و تحلیل اکتشافی الگوهای پنهان را آشکار می کند. و تجزیه و تحلیل توضیحی دلایل نتایج کسب و کار را نشان می دهد. هر نوع شامل مجموعه متفاوتی از ابزارها، فناوری‌ها، فرآیندها و بهترین شیوه‌ها برای استخراج بینش از داده‌ها است. این دوره توسط Kumaran Ponnambalam توضیح می دهد که چرا آنها اهمیت دارند و چگونه و چه زمانی از آنها استفاده کنیم. او با تنظیم زمینه برای تجزیه و تحلیل کسب و کار و مراحل مختلف آن شروع می کند. سپس مراحلی را که بر گذشته تمرکز می‌کنند را بررسی می‌کنید: توصیفی، اکتشافی و توضیحی. با هر مرحله، شما در مورد فرآیندها، تکنیک ها و بهترین شیوه های مورد استفاده در این زمینه آشنا می شوید. در نهایت، یک مورد استفاده (نتایج یک کمپین بازاریابی ایمیلی) را بررسی می کنید که نشان می دهد چگونه تجزیه و تحلیل در هر مرحله انجام می شود. اهداف یادگیری تجزیه و تحلیل کسب و کار و مراحل آن تجزیه و تحلیل توصیفی تجزیه و تحلیل اکتشافی تجزیه و تحلیل توضیحی بهترین شیوه ها و موارد استفاده

بسیاری از سازمان‌های مدرن دارای داده‌های فراوانی هستند که می‌توانند از آنها برای اطلاع‌رسانی تصمیمات خود استفاده کنند. اما همه این اطلاعات نمی‌توانند واقعاً برای یک کسب‌وکار مفید باشند، مگر اینکه متخصصانی که با آن داده‌ها کار می‌کنند، بتوانند بینش معناداری را از آن استخراج کنند. خدمات وب آمازون (AWS) مجموعه ای از ابزارها و خدمات را به دانشمندان داده ارائه می دهد که آنها می توانند از آنها برای تجزیه و تحلیل داده ها استفاده کنند. در این دوره آموزشی با بهترین شیوه ها، الگوها و ابزارهای طراحی و پیاده سازی تجزیه و تحلیل داده ها با استفاده از AWS آشنا شوید. مفاهیم کلیدی تجزیه و تحلیل، روش‌های رایج برای نزدیک شدن به چالش‌های تحلیلی، و نحوه کار با سرویس‌هایی مانند Athena، RDS، و QuickSight را بررسی کنید. به‌علاوه، نحوه تجسم داده‌های مبتنی بر متن را به روشی بصری‌تر، استفاده از راه‌حل‌های شریک برای تجزیه و تحلیل از بازار AWS و موارد دیگر کشف کنید. اهداف یادگیری تفاوت بین فایل ها و پایگاه های داده را توضیح دهید. نمونه هایی از بچینگ، میکرو بچینگ و استریم را شناسایی کنید. تجسم داده های مفید را با QuickSight آماده کنید. انواع مختلف تجزیه و تحلیل موجود در AWS را بشناسید. نحوه راه اندازی AWS CLI را نشان دهید. الگوهای رایج معماری تحلیلی را شرح دهید.