آموزش متدولوژی علم داده

poster
پیش‌نمایش دوره

اگر یک میانبر برای تبدیل شدن به یک دانشمند داده وجود داشته باشد، یادگیری نحوه‌ی فکر کردن و کار کردن مانند یک دانشمند داده موفق، همان میانبر است. در این دوره، متدولوژی را یاد می‌گیرید ... ادامه

برگزارکننده:  Coursera  Coursera
مدرسان دوره
3 (1 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذراندن دوره:  1:01 ساعت
مجموع محتوای آموزشی:  1:01 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی

آنچه در این دوره می‌آموزیم:

 چیستی متدولوژی علم داده و علت نیاز دانشمندان به آن

 به کارگیری شش مرحله‌ی فرآیند بین‌صنعتی برای کاوش داده (CRISP-DM) برای تحلیل

 ارزیابی و انتخاب مدل مناسب در میان مدل‌های تحلیلی پیش‌بینی‌کننده، توصیفی و طبقه‌بندی

 تعیین تابع داده‌ی مناسب برای متدولوژی تحلیل علم داده خود

پیش‌نیاز‌ها

این دوره به نحوی تهیه و تدوین شده است که مباحث آن به ساده‌ترین شکل ممکن بیان شوند و مخاطبان دوره بتوانند به‌سادگی متوجه موضوعات مطرح شده شوند. به همین جهت برای شرکت در این دوره هیچ پیش‌نیاز به خصوصی وجود ندارد و افراد با هر سطحی از آگاهی و تحصیلات می‌توانند از مباحث این دوره نهایت استفاده را داشته باشند.

سرفصل‌های دوره آموزش متدولوژی علم داده

از مسئله تا رویکرد و از الزامات تا جمع‌آوری

در این فصل، کشف خواهید کرد که چه چیزی علم داده را جذاب می‌کند، با مفهوم متدولوژی علم داده آشنا می‌شوید و درک می‌کنید که چرا دانشمندان داده به متدولوژی علم داده نیاز دارند. سپس، دانش عمیق‌تری در مورد دو مرحله اول متدولوژی علم داده به دست خواهید آورد: درک کسب‌وکار و رویکرد تحلیلی.

شما نحوه‌ی شناسایی ملاحظات و مراحل مورد نیاز برای تعریف الزامات داده برای طبقه‌بندی با درخت تصمیم در مرحله الزامات داده را کشف خواهید کرد. در ادامه، با فرآیندها و تکنیک‌هایی که دانشمندان داده برای ارزیابی محتوای داده، کیفیت، و بینش‌های اولیه استفاده می‌کنند و همچنین نحوه‌ی مدیریت شکاف‌های داده توسط دانشمندان داده آشنا خواهید شد. این فصل را با کسب تجربه عملی در مورد نحوه‌ی رویکرد به وظایف مرحله درک کسب‌وکار و رویکرد تحلیلی و همچنین وظایف مرحله الزامات داده و گردآوری برای هر مسئله‌ی علم داده تکمیل کنید.

  بررسی کلی متدولوژی علم داده
مشاهده
"04:04  
  فهم کسب و کار
مشاهده
"05:15  
  رویکرد تحلیلی
مشاهده
"03:37  
  الزامات داده
مشاهده
"03:41  
  گردآوری داده
مشاهده
"03:08  
از درک تا آماده‌سازی و از مدل‌سازی تا ارزیابی

در این فصل، با کارهایی که دانشمندان داده در هنگام درک، آماده‌سازی و پاکسازی داده انجام می‌دهند، آشنا خواهید شد. اهداف، ویژگی‌ها و اهداف فرآیند مدل‌سازی داده را بررسی خواهید کرد. همچنین نحوه‌ی آماده‌سازی مجموعه داده با رسیدگی به داده‌های گم‌شده، نامعتبر یا گمراه‌کننده را یاد خواهید گرفت. سپس آزمایشگاه‌های عملی را ببینید که در آن‌ها می‌توانید تجربه‌ی تکمیل وظایف مرتبط با مراحل درک داده، آماده‌سازی داده و مدل‌سازی و ارزیابی را به دست آورید. شما قادر خواهید بود مهارت‌هایی را که یاد می‌گیرید، در مسائل آتی علم داده به کار ببرید.

  درک داده
مشاهده
"03:30  
  آماده‌سازی داده - مفاهیم
مشاهده
"03:15  
  آماده‌سازی داده - مطالعه‌ی موردی
مشاهده
"04:28  
  مدل‌سازی - مفاهیم
مشاهده
"03:08  
  مدل‌سازی - مطالعه‌ی موردی
مشاهده
"04:09  
  ارزیابی
مشاهده
"04:11  
از دیپلوی تا بازخورد و ارزیابی نهایی

وقتی این فصل را به پایان برسانید، قادر خواهید بود مراحل دیپلوی و بازخورد متدولوژی علم داده را شرح دهید. نحوه‌ی ارزیابی عملکرد، تأثیر و آمادگی یک مدل داده را یاد خواهید گرفت. قادر خواهید بود ذی‌نفعانی را که معمولاً در بهبود مدل مشارکت می‌کنند، شناسایی کنید. همچنین می‌توانید توضیح دهید که چرا دیپلوی و بازخورد باید یک فرآیند تکرارشونده باشد.

  Deployment
مشاهده
"03:44  
  بازخورد
مشاهده
"03:22  
  روایت داستانی داده
مشاهده
"03:16  
  خلاصه دوره
مشاهده
"03:38  
پروژه نهایی و ارزیابی

قبل از تکمیل پروژه‌ی نهایی خود، نحوه‌ی مقایسه‌ی متدولوژی علم داده CRISP-DM با متدولوژی بنیادی علم داده جان رولینز را بیاموزید. سپس، آموخته‌های خود را برای تکمیل یک کار ارزیابی‌شده توسط همکاران با استفاده از متدولوژی علم داده CRISP-DM برای حل یک مسئله‌ی کسب‌وکار که خودتان تعریف می‌کنید، به کار ببرید. ابتدا هم نقش مشتری و هم نقش دانشمند داده را بر عهده بگیرید و نحوه‌ی اعمال متدولوژی علم داده CRISP-DM برای حل مسئله‌ی کسب‌وکار را شرح دهید. سپس، نقش یک دانشمند داده را بر عهده بگیرید و دانش خود را در مورد مراحل متدولوژی داده CRISP-DM برای توصیف نحوه‌ی حل مسئله‌ی کسب‌وکار به کار ببرید.

  مقدمه‌ای بر CRISP-DM
مشاهده
"04:57  

ویژگی‌های دوره

زیرنویس فارسی
زیرنویس فارسی

این دوره دارای زیرنویس اختصاصی است.

درباره دوره

اگر یک میانبر برای تبدیل شدن به یک دانشمند داده وجود داشته باشد، یادگیری نحوه‌ی فکر کردن و کار کردن مانند یک دانشمند داده موفق، همان میانبر است.

در این دوره، متدولوژی را یاد می‌گیرید و سپس آن را برای مقابله با هر سناریوی علم داده به کار می‌بندید. شما دو متدولوژی قابل توجه علم داده را بررسی خواهید کرد: متدولوژی بنیادی علم داده و متدولوژی شش مرحله‌ای CRISP-DM و نحوه‌ی به کارگیری آن‌ها را خواهید آموخت. اکثر دانشمندان داده‌ی باتجربه برای حل مسائل علم داده از این متدها یا متدهای مشابه استفاده می‌کنند.

ابتدا با نحوه‌ی شکل‌گیری مسئله‌ی کسب‌وکار/پژوهشی آشنا می‌شوید. یاد می‌گیرید که دانشمندان داده چگونه داده‌ها را به دست می‌آورند، آماده می‌کنند و تحلیل می‌کنند. کشف می‌کنید که چگونه اعمال شیوه‌های متدولوژی علم داده به اطمینان از مرتبط بودن داده‌های استفاده‌شده برای حل مسئله و دستکاری مناسب آن‌ها برای پاسخ به سوال کمک می‌کند. سپس، در مورد ساخت مدل داده، استقرار آن مدل، روایت داستانی داده و دریافت بازخورد یاد خواهید گرفت. با استفاده از سناریویی الهام‌گرفته از دنیای واقعی و از طریق آزمایشگاه‌های پیشرونده‌ای که در دفترچه‌های یادداشت Jupyter و با استفاده از پایتون میزبانی می‌شوند، مانند یک دانشمند داده فکر خواهید کرد و مهارت‌های متدولوژی علم داده خود را توسعه خواهید داد.

این دوره برای چه کسانی مناسب است؟

  • دانشجویان و فارغ‌التحصیلان رشته‌های مختلف که به دنبال ورود به حوزه علم داده هستند.
  • متخصصان شاغل که به دنبال ارتقای مهارت‌های خود در علم داده هستند.
  • هر کسی که به یادگیری نحوه‌ی حل مسائل پیچیده با استفاده از داده‌ها علاقه‌مند است.

درباره استاد

maktabkhooneh-teacher Alex Aklson

Alex Aklson، دانشمند داده در گروه تجارت دیجیتال شرکت IBM کانادا است. او به طور گسترده در پروژه‌های هیجان‌انگیز علم داده مشارکت داشته است، از جمله طراحی یک سیستم هوشمند برای تشخیص شروع زوال عقل در بزرگسالان با استفاده از روندهای طولی سرعت راه رفتن و فعالیت‌های خانگی. الکس پیش از پیوستن به IBM، به عنوان دانشمند داده در شرکت دیتا اسکوپ آنالیتیکس، یک شرکت مشاوره علم داده در شیکاگو، ایلینوی، فعالیت می‌کرد، جایی که راه‌حل‌ها و محصولات را با رویکردی انسان‌محور و داده‌محور طراحی می‌کرد. او مدرک دکترای خود را در مهندسی زیست‌پزشکی از دانشگاه تورنتو دریافت کرده است.

مشاهده پروفایل و دوره‌‌های استاد
maktabkhooneh-teacher Polong Lin

Polong Lin، دیتاسایتیست در IBM است و بر روی ترویج علم داده و ایجاد مشارکت‌ها تمرکز دارد. او یکی از بنیانگذاران بوت‌کمپ علم داده در IBM است و در حال حاضر بزرگترین گروه Meetup کانادا برای علم داده را در تورنتو رهبری می‌کند.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.

سوالات پرتکرار

پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟
بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.

معرفی دوره آموزش متدولوژی علم داده

در صورتی که می‌خواهید به یک دانشمند علم داده (Data Scientist) تبدیل شوید، باید نحوه فکر و عمل کردن و روبرو شدن با مسائل مختلف علم داده را یاد بگیرید. در واقع نخستین گام برای متخصص شدن در این علم، یادگیری نحوه تفکر و کار مثل دانشمندان علم داده است. برای یادگیری این مبحث، لازم است به آموزش متدولوژی علم داده بپردازیم. آموزش متدولوژی دیتا ساینس به ما کمک می‌کند که گام‌های کلیدی برای انجام پروژه‌های علم داده را به صورت ساختارمند یاد بگیریم و از این راه، فرایند انجام پروژه‌ها را به شکلی کارآمد مدیریت و از بروز خطاهای احتمالی جلوگیری کنیم.

آموزش متدولوژی علم داده شامل چه مباحثی می‌شود؟

در آموزش متدولوژی علم داده، هفت مرحله زیر مورد بحث و بررسی قرار می‌گیرد و تدریس می‌شود. این مراحل در هر دوره علم داده به دانشجویان آموزش داده می‌شود:

·        تعریف مسئله: اولین قدم در هر پروژه علم داده است.

·        جمع‌آوری داده: پس از تعریف مسئله، باید داده‌های مورد نیاز برای تجزیه و تحلیل، گردآوری شود.

·        پاکسازی و آماده‌سازی داده: داده‌های جمع‌آوری‌شده در گام نخست عیب و ایراد دارند و باید تمیز و آماده شوند. فرایند پاکسازی داده، حذف مقادیر گمشده، تصحیح خطاها و استانداردسازی فرمت داده‌ها را شامل می‌شود.

·        تجزیه و تحلیل داده: در این مرحله، دانشمندان داده با استفاده از روش‌های آماری و الگوریتم‌های یادگیری ماشین برای تجزیه و تحلیل داده‌های آماده‌شده استفاده می‌شود.

·        مدل‌سازی: پس از تجزیه و تحلیل داده‌ها، می‌توان مدل‌هایی برای پیش‌بینی نتایج آینده و طبقه‌بندی داده‌ها ایجاد کرد.

·        ارزیابی: در این مرحله کارایی مدل‌هایی که در مرحله قبل شده است، ارزیابی می‌شود.

·        استقرار یا دیپلوی: در گام پایانی، باید مدل ایجادشده را در یک محیط عملیاتی مستقر کنید تا بتوانید از آن برای تولید نتایج مورد نظر کمک بگیرید.

مزایای آموزش متدولوژی دیتاساینس

یادگیری و آموزش متدولوژی علم داده، مزایای مختلفی برای متخصصان و دانشجویان دیتا ساینس دارد. در ادامه چند مورد از این مزایا را بیان خواهیم کرد:

·        تفکر تحلیلی: با شرکت در دوره‌های آموزش علم داده می‌توانیم ذهن خود را به تفکر تحلیلی عادت دهیم. این عادت حتا با شرکت در دوره رایگان تحلیل داده هم حاصل می‌شود و در تمام بخش‌های زندگی هم به کار می‌آید.

·        توانایی حل مسئله: با یادگیری متدولوژی علم داده، شیوه حل مسئله را یاد می‌گیریم و می‌توانیم با خلاقیت و تفکر تحلیلی خود مسائل خود را حل کنیم. با شرکت در دوره‌های آموزش علم داده رایگان نیز می‌توان این مهارت را آموخت.

·        تصمیم‌گیری بهتر و بهبود وضعیت سازمان: تصمیم‌گیری بهتر، دیگر از مهارت‌های ارزشمندی است که با شرکت در دوره متدولوژی علم داده فرامی‌گیرید. وقتی بتوانید تصمیم‌های بهتری بگیرید، قطعاً وضعیت کسب و کار یا سازمان‌تان هم بهتر می‌شود و می‌توانید برند ارزنده‌تر و مفیدتری برای خود بسازید.

 آموزش متدولوژی علم داده

اهمیت یادگیری و آموزش متدولوژی علم داده، بسیاری از علاقه‌مندان به این حوزه را ترغیب کرده است که در دوره‌های مختلف علم داده شرکت کنند تا بتوانند شیوه روبرو شدن با چالش‌ها و مسائل دیتا ساینس (Data Science) را به صورت دقیق و اساسی یاد بگیرند. پلتفرم آموزشی مکتب‌خونه که تقاضای بالا برای آموزش متدولوژی دیتاساینس را مشاهده کرد، تصمیم گرفت یک دوره حرفه‌ای در این زمینه آماده کند و در اختیار متقاضیان قرار دهد. 

الکس اکلسون (Alex Aklson) و پولونگ لین (Polong Lin)، اساتید دوره آموزش متدولوژی علم داده هستند. الکس اکلسون، دانشمند داده در گروه تجارت دیجیتال شرکت IBM کاناداست و پولونگ لین هم به عنوان دیتا ساینتیست در شرکت IBM کار می‌کند. مدت زمان دوره آموزش دیتا ساینس این دو استاد حرفه‌ای، یک ساعت است.

سرفصل‌های دوره آموزش متدولوژی دیتاساینس

در این بخش، سرفصل‌های دوره آموزش متدولوژی علم داده را به صورت مختصر و مفید بیان خواهیم کرد:

·        از مسئله تا رویکرد و از الزامات تا جمع‌آوری: در این فصل از دوره دیتا ساینس، با جذابیت‌های علم داده آشنا می‌شوید و می‌فهمید که اصلاً چرا دانشمندان علم داده به متدولوژی نیاز دارند. در این بخش در مورد الزامات و گردآوری داده نیز صحبت می‌شود.

·         از درک تا آماده‌سازی و از مدل‌سازی تا ارزیابی: در این فصل متوجه می‌شوید که دانشمندان علم داده در هنگام درک و آماده‌سازی داده‌ها چه کارهایی انجام می‌دهند. مدل‌سازی داده‌ها و ارزیابی آن‌ها یکی دیگر از موضوعات اصلی این بخش است.

·        از دیپلوی تا بازخورد و ارزیابی نهایی: در این بخش مسائلی مثل «Deployment» علم داده را درک می‌کنید و با روایت داستانی داده آشنا می‌شوید.

·        پروژه نهایی و ارزیابی: در این فصل از دوره آموزش متدولوژی دیتاساینس، نحوه مقایسه‌ی متدولوژی علم داده CRISP-DM با متدولوژی بنیادی علم داده جان رولینز را یاد می‌گیرید و می‌فهمید که به عنوان یک دانشمند داده، چگونه مسائل کسب و کارها را حل و فصل کنید.

در صورت شرکت در این دوره، در عرض 1 ساعت با کارهای اصلی و اساسی که در حوزه علم داده انجام می‌شود، آشنا می‎شوید و می‌توانید عملکرد بهتر و دقیق‌تری در زمینه دیتاساینس از خودتان به نمایش بگذارید. هزینه دوره علم داده در مقایسه با مهارت‌ها و ترفندهایی که در این دوره می‌آموزید، واقعاً مناسب و اقتصادی است.

مخاطبان این دوره آموزشی چه کسانی هستند؟

مخاطبان این دوره کلیه افرادی هستند که در زمینه علم داده و داده کاوی فعالیت می‌کنند. همچنین افرادی که در زمینه هوش مصنوعی و یادگیری ماشین (Machine Learning) کار می‌کنند، می‌توانند در این دوره شرکت کنند و متدولوژی علم داده را به صورت حرفه‌ای و دقیق بیاموزند تا بتوانند مسائل و چالش‌های حوزه داده را بهتر حل و فصل کنند.

شیوه ثبت نام در دوره آموزش متدولوژی علم داده

اهمیت علم داده یا دیتا ساینس در سازمان‌ها و کسب و کارهای مختلف روز به روز بیشتر می‌شود و مدیران کسب و کار به این نتیجه رسیده‌اند که برای عرصه محصولات بهتر و پیشی گرفتن از رقبای خود، ناچار هستند که از علم داده کمک بگیرند و متخصصان حرفه‌ای و به‌روز علم داده را استخدام کنند. به همین دلیل است که افرادی که در این عرصه کار می‌کنند، در پی یافتن بهترین دوره دیتا ساینس هستند و در انواع و اقسام دوره دیتاساینس حضوری و آنلاین شرکت می‌کنند.

مجموعه مکتب‌خونه هم برای پاسخ‌گویی به تقاضای علاقه‌مندان و متخصصان علم داده، تصمیم گرفته است که دوره آموزش متدولوژی علم داده را در وب‌سایت خود عرضه کند. در صورتی که شما هم تمایل دارید به یک متخصص برجسته و توانمند در حوزه علم داده تبدیل شوید، پیشنهاد می‌شود که در دوره آموزش متدولوژی دیتاساینس شرکت کنید. 

پلتفرم آموزشی مکتب‌خونه در کنار این دوره، دوره‌های آموزشی متنوعی برای علاقه‌مندان به علم داده در وب‌سایت خود عرضه کرده است. در صورتی که تمایل دارید اطلاعات به‌روز و کاملی در مورد این علم کسب کنید و مهارت‌های خود را در زمینه دیتاساینس و داده کاوی افزایش دهید، کافی است به صفحه آموزش علم داده و آموزش هوش مصنوعی مراجعه کنید.

poster
پیش‌نمایش دوره
  
برگزار کننده:  Coursera
  
زمان مورد نیاز برای گذراندن دوره:  1:01 ساعت
مجموع محتوای آموزشی:  1:01 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی