آموزش متدولوژی علم داده

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

ارائه دهنده:  Coursera  Coursera
مدرسان دوره
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن 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
"04:04  
  فهم کسب و کار
"05:15  
  رویکرد تحلیلی
"03:37  
  الزامات داده
"03:41  
  گردآوری داده
"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
"03:30  
  آماده‌سازی داده - مفاهیم
"03:15  
  آماده‌سازی داده - مطالعه‌ی موردی
"04:28  
  مدل‌سازی - مفاهیم
"03:08  
  مدل‌سازی - مطالعه‌ی موردی
"04:09  
  ارزیابی
"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
"03:44  
  بازخورد
"03:22  
  روایت داستانی داده
"03:16  
  خلاصه دوره
"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
"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.
poster
  
برگزار کننده:  Coursera
  
زمان مورد نیاز برای گذارندن دوره:  1:01 ساعت
مجموع محتوای آموزشی:  1:01 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی