%40 تخفیف  برای خرید  مسیرهای یادگیری

logo mix

آموزش مبانی علم داده: ارزیابی داده‌ها برای مدل‌سازی پیش بینی (با زیرنویس فارسی AI)
Data Science Foundations: Data Assessment for Predictive Modeling
کد محصول: FL5960-2822585
لیندا _ آموزش مبانی علم داده: ارزیابی داده‌ها برای مدل‌سازی پیش بینی (با زیرنویس فارسی AI) - Lynda _ Data Science Foundations: Data Assessment for Predictive Modeling
سطح متوسـط
زیرنویس انگلیسی
زیرنویس فارسی AI
85,000 تومان
اضافه به سبد خرید add_shopping_cart
تولید کننده محتوا
Lynda.com (Linkedin Learning)
تولید کننده زیرنویس فارسی
فارسی لینـدا FarsiLynda.com
مدرس
Keith McCormick - کيت مک کورميک
تاریخ انتشار
1399/6/21
2020-09-11
سطح آموزش
متوسط
زبان آموزش
انگلیسی
زیرنویس
فارسی و انگلیسی
نوع زیرنویس فارسی
ترجمه شده توسط هوش مصنوعی (AI)
مدت زمان آموزش
4ساعت و 3دقیقه
تعداد ویدیو‌ها
64 ویدیو
حجم فایل‌ها
839 مگابایت (دانلود با تعرفه داخلی)
زمان تقریبی دانلود فایل‌ها
14 دقیقه (با سرعت اینترنت 1 مگابایت در ثانیه)
تعداد بازدید : 4338
درباره تولید کننده

lynda1

 

Lynda Weinman

بسیاری لیندا واینمن را "مادر آموزش اینترنتی" لقب داده اند. وی که هم اکنون (2016) ۶۰ سال سن دارد در ۱۹۹۵ سایتی را راه اندازی کرد که به عنوان منبعی رایگان برای دانش آموزان محسوب می شد. طی آن دوران لیندا به صورت خودآموز در حال یادگیری طراحی وب بود و تلاش داشت تا آموخته هایش را با سایرین نیز به اشتراک بگذارد. هر چند این روزها مسئله یاد شده امری عادی به حساب می آید اما در اواسط دهه نود -روزگاری که هنوز یوتیوبی نبود- یادگیری طراحی وب به صورت خودجوش چندان مسئله رایجی محسوب نمی گشت.

اشتیاق آن روزهای لیندا در یادگیری ، حالا به لطف وب سایت و سرویسی هایی همانند آنچه خود او راه اندازی کرده به میلیون ها نفر دیگر در سراسر دنیا نیز سرایت نموده و آنها می توانند با اندک هزینه ای و در هر جا و مکانی آنچه که دوست دارند را فرا بگیرند.
ناگفته نماند که پیدا کردن مسیر صحیح کسب و کار، حتی برای لیندا واینمن نیز بدون فراز و نشیب نبوده و وی هم مانند هر فرد موفق دیگری در راه رسیدن به پیروزی پستی و بلندی های بسیاری را از سر گذرانده.

درک نیازی که هیچکس به آن پاسخ نداده بود

وقتی در سال ۱۹۹۳ واینمن طراحی وب را اندک اندک فرا گرفته و قصد آموزش دادن آن را پیدا کرد، ابتدا به کتاب فروشی مراجع نمود و سعی کرد کتابی را به عنوان مرجع انتخاب و از روی آن به دانش آموزان خود درس بدهد. اما وی متوجه شد کتاب فروشی ها و کتابخانه ها تنها راهنماهایی بسیار فنی و پیچیده را ارائه می نمایند که درک شان برای افراد معمولی و با دانش متوسط تقریباً غیر ممکن محسوب می شود.

لیندا واینمن میگوید: به یاد می آورم که با خود فکر کردم شاید چنین کتابی هنوز وجود ندارد. بلافاصله از کتاب فروشی به خانه رفتم و ایده ی اولیه نوشتن آن را پیاده سازی کردم.

کمی بعد کتاب "طراحی گرافیک های تحت وب" که به باور بسیاری اولین کتاب ساده و قابل درک توسط عموم در رابطه با حرفه طراحی وب بود، توسط افراد بسیاری در سراسر دنیا به عنوان یک مرجع غیر فنی مورد استفاده قرار می گرفت و محبوبیتی غیر قابل باور به دست آورده بود.

درست در همان زمان و در سال ۱۹۹۵ واینمن آدرس ایمیل فردی را مشاهده نمود که به صورت debbie@debbie.com بود و مشتاق شد بداند آیا دامنه ی لیندا نیز برای ثبت کردن در دسترس قرار دارد یا خیر. وی این دامنه را خریداری و وبسایتی تحت آن راه انداخت تا از طریقش بتواند با دانش آموزان و همچنین خوانندگان کتاب خود ارتباط برقرار نماید.

lynda2

شروعی کوچک و توسعه ای آهسته و پیوسته

بعد از موفقیت کتاب واینمن همسر او، بروس هون (Bruce Heavin)، که در اصل موسس کمپانی لیندا نیز محسوب می شود، پیشنهاد داد در طول تعطیلات بهاره یکی از سالن های کامپیوتر دانشگاهی را اجاره نموده و در آن به مدت یک هفته دوره آموزش طراحی وب برگزار نمایند.
آنها این ایده را عملی کردند و سپس به منظور جذب افراد علاقه مند بنر تبلیغاتی را روی سایت لیندا قرار دادند. نه تنها ظرفیت کلاس یاد شده بسیار سریع پر گشت، بلکه افراد از گوشه و کنار دنیا و حتی مثلاً شهر وین برای حضور در آن ثبت نام نمودند.

اینکه تنها یک بنر در سایت خود قرار دهیم و سپس مردم از سراسر دنیا برای حضور در کلاس مان ثبت نام نمایند، باعث شده بود تا شوکه شویم.
آن کارگاه های یک هفته ای بسیار زود باعث شدند تا کسب و کار امروزی لیندا و همسرش پایه گذاری گردد. واینمن از درآمد حق امتیاز کتاب خود با ارزش ۲۰ هزار دلار استفاده کرد و مدرسه طراحی وبی را راه اندازی نمود که دوره هایش در هر ماه به سرعت پیش فروش شده و ظرفیت شان تکمیل می گشت. لیندا می گوید: "مشتریان زیادی وجود داشتند که مجبور بودیم به آنها نه بگوییم، زیرا ظرفیتی برای پذیرش شان وجود نداشت".

اوج گیری پس از بحران

کسب و کار لیندا پس از چند سال توانست ۳۵ فرصت شغلی را ایجاد و درآمدی ۳.۵ میلیون دلاری را فراهم کند. اما در سال ۲۰۰۱ و پس از انفجار حباب دات کام و حوادث مرتبط به یازده سپتامبر، تمایل افراد به یادگیری دروس طراحی وب کاهشی عجیب پیدا کرد، تا جایی که واینمن و همسرش در ادامه دادن مسیر مردد شده بودند.

کمپانی آنها دچار بحرانی جدی گشت، واینمن و هون ۷۵ درصد کارمندان خود را اخراج کردند و تنها ۹ نفر در استخدام شان باقی ماند. دفتر و مقر برگزاری دوره های لیندا نیز کوچک تر گشت و سعی را بر این گذاشتند تا واحد هایی با قیمت ارزان تر اجاره نمایند.

روز های سیاهی بود و حتی خودم تردید داشتم که می توانیم این کسب و کار را ادامه دهیم یا خیر.

خود واینمن در مورد آن ایام می گوید: "همه در حال نبرد برای بقا بودند و سعی می کردند سر خود را بالای آب نگه دارند. ما نیز وضعیتی مشابه را تجربه می کردیم و در نهایت درست همین زمان بود که تصمیم گرفتیم خدمات خود را به صورت کاملاً آنلاین ارائه نماییم."

روزگاری که ایده یاد شده شکل گرفت و سپس عملی گشت (ارائه خدمات به صورت آنلاین) تماشای فیلم بر روی کامپیوترها تازه در حال رواج یافتن بود. لیندا دات کام تصمیم گرفت در ازای سرویسی که ارائه می کند هزینه حق اشتراکی ۲۵ دلاری را به صورت ماهیانه دریافت نماید.

افراد اندکی از این راهکار استقبال کردند. واینمن می گوید: "درآمد مان به شدت افت کرده بود. روز های سیاهی بود و حتی خودم تردید داشتم که می توانیم این کسب و کار را ادامه دهیم یا خیر."

با تنها ۱۰۰۰ نفر پرداخت کننده حق اشتراک ماهیانه، بقای کمپانی به نظر بسیار سخت می رسید. ایجاد یک جامعه ی آنلاین زمان بر است و لیندا به خود امید می داد که آنها مسیر شان را عوض نکرده اند بلکه راهی تازه را شروع نموده اند پس باید صبر پیشه کنند. او توضیح می دهد که "همه چیز بسیار آهسته پیش رفت. ولی کم کم پرداخت حق اشتراک ماهیانه آنلاین رواج پیدا کرد و مقدار آن هر ساله چندین برابر شد".

در ۲۰۰۶ تعداد مشترکین به ۱۰۰.۰۰۰ نفر رسید و واینمن و همسرش ۱۵۰ کارمند خود را به همراه خانواده هایشان به دیزنی لند بردند تا موفقیت بزرگی که رقم خورده بود را جشن بگیرند.

lynda4

ایجاد فرهنگ سازمانی مناسب در زمان رشد

اینکه اعضا و کارمندان شرکت همانند یک خانواده با یکدیگر در تعامل باشند همواره برای لیندا حائز اهمیت بوده و او حتی همیشه تلاش داشته تا افراد تحت استخدام خود را با اسم کوچک بشناسد و صدا بزند. ولی رشد سریع کمپانی و رسیدن تعداد کارمندان به عدد ۵۰۰، رفته رفته چالش هایی تازه را پدید می آورد و سبب می گردد واینمن در ایده آل های خود بازنگری نماید.

وی می گوید: "چالش اصلی بر سر تعیین سمت و مقام افراد بود. اینکه با هر کس چه برخوردی باید صورت بگیرد. همه ی کسانی که رشدی سریع را در شرکت خود تجربه کرده اند می دانند که ایجاد سلسله مراتب تا چه حد اهمیت دارد."

در ۲۰۰۷ تصمیم بر این شد تا یک مدیرعامل جهت اداره ی بهتر مجموعه به آن اضافه گردد. به گفته ی خود لیندا "درست در همان زمان بود که او تصمیم گرفت در رفتارها و برخوردهای خود سیاست بیشتری داشته و بروکراتیک تر عمل نماید".

ایجاد فرهنگ سازمانی برای شرکتی با بیش از ۵۰۰ کارمند کاری بسیار دشوار خواهد بود ولی حتی آنچه از این مسئله نیز دشوارتر به حساب می آید پایه ریزی درست و مطابقت دادن افراد با فرهنگ یاد شده است. اینکار در زمانی که یک شرکت نوپا و کوچک محسوب می شود چندان سخت نیست و شاید ضروری هم نباشد ولی با رشد آن صورت پذیرفتنش الزام می یابد.

 پیش به سوی موفقیت

مدتی است که بسیاری تصور می کنند دوره های آموزش ویدئویی می توانند آینده آموزش به حساب بیایند.

در طی سال های اخیر کمپانی واینمن توسط افراد گوناگونی که در حرفه ی خود بهترین هستند دوره های آنلاین متعددی را ایجاد نموده و سعی کرده نشان دهد این دوره های آنلاین راه و روش یادگیری را برای همیشه متحول کرده اند.

لیندا دات کام قالبی معین و کارآمد را برای دوره های آموزشی اش پدید آورده و سپس کوشش کرده تا از نظر موضوعی نیز در بین مطالب مورد تدریس خود تنوع ایجاد نماید. روزگاری در وب سایت مورد بحث تنها ۲۰ دوره آموزش ویدئویی آنلاین وجود داشت، اما اکنون این رقم به ۶۳۰۰ رسیده که شامل ۲۶۷.۰۰۰ ویدئوی آموزشی می گردد.

ارائه ی کتابخانه ای ویدئویی به جای اینکه از افراد درخواست شود تا در دوره هایی مشخص با روال معمول و پیوسته شرکت نمایند، عاملی بوده که سبب گشته شیوه ی آموزشی لیندا دات کام نسبت به سایرین کاملاً متفاوت گردد.

واینمن می گوید: "مدتی است که بسیاری تصور می کنند دوره های آموزش ویدئویی می توانند آینده آموزش به حساب بیایند. ما به خاطر همین تفاوت مان مورد توجه قرار داشته و تحت نظر سایرین هستیم".

lynda6

فروش به لینکدین Linked in

من به شخصه بر روی اثری که از همکاری دو کمپانی با یکدیگر پدید می آید متمرکز هستم.

واینمن زمانی که متوجه می شود لینکدین قصد خرید کمپانی اش را دارد، در ابتدا شوکه می گردد. او و همسرش هرگز به دنبال فروش شرکت خود و یافتن مشتری برای آن نبوده اند و البته در سن ۶۰ سالگی وی هنوز هم احساس می نموده که برای بازنشستگی بسیار زود است.

اما رفته رفته به این نتیجه می رسند که این فروش و ادغام دو کمپانی با یکدیگر احتمالاً امری منطقی و موثر خواهد بود. هر دو شرکت به نوعی تلاش داشته اند به افراد کمک کنند تا وضعیت شغلی خود را بهبود بخشند و احتمالاً در کنار یکدیگر بسیار بهتر از گذشته می توانند این هدف را محقق کنند.

واینمن می گوید: "بسیاری از مردم بر روی رقم معامله صورت پذیرفته تمرکز دارند و شاید این مسئله برای افرادی که با صنعت ما آشنا نیستند یک شگفتی محسوب شود. ولی خود من به شخصه بر روی اثری که از همکاری دو کمپانی با یکدیگر پدید می آید متمرکز هستم و اولین چیزی که در رابطه با این موضوع به ذهنم می رسد، میزان بزرگی این اثرگذاری است."

به نظر می آید حتی لیندا واینمن هم از موفقیت خودش شگفت زده است و تصور چنین روزی را نداشته. بر خلاف بسیاری از بنیانگذاران کمپانی ها مهم تکنولوژیک امروزی ، وی با هدف کسب درآمد های کلان شروع به کار نکرده و قصد اولیه اش هرگز ایجاد کمپانی نبوده که توسط لینکدین به ارزش ۱.۵ میلیارد دلار خریداری شد. او تنها سعی داشته آنچه که برای خودش جذاب بوده، یعنی طراحی وب را به سایرین نیز بیاموزد.

واینمن که بر حسب اتفاق بدل به یک معلم گشته، می گوید: "من نه چندان گنگ بودم و نه به آن صورت خوره ی دنیای تکنولوژی. افراد زیادی پیش من می آمدند و می پرسیدند چگونه این کار را انجام می دهی؟ یا چگونه آن کار را انجام می دهی؟ هرگز با خودم فکر نکرده بودم به اشتراک گذاشتن دانش در رابطه با آنچه که برایت جالب است، در واقع همان تدریس کردن محسوب می شود."

در حالکیه لیندا اعتقاد دارد تنها در زمان و مکان مناسبی حضور داشته، سخت است بدل شدن یک دامنه ی ۳۵ دلاری به کسب و کاری ۱.۵ میلیارد دلاری را حاصل یک اتفاق بدانیم.

فارسی لیندا

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.

سطح آموزشی
خرید آنلاین و دانلود فوری
به همراه فایلهای تمرین
ویدئوهای آموزشی با زیرنویس
ویدئوهای آموزشی با زیرنویس فارسی
کیفیت HD ویدئوهای آموزشی
قابل استفاده برای ناشنوایان
 
 
 

نمونه ویدیوی آموزشی ( فایلهای زیر نویس جدا از فیلم است و میتوانید آنرا نمایش ندهید ) :

 

00 مقدمه
_ | 00_01 چرا ارزیابی داده بسیار مهم است
_ | 00_02 یادداشتی درباره فایلهای تمرینی

01 ارزیابی داده چیست؟
_ | 01_01 روشن کردن تفاوت درک درک داده‌ها از تجسم داده ها
_ | 01_02 معرفی مرحله درک مهم اطلاعات CRISP-DM
_ | 01_03 ارزیابی داده‌ها در گزینه‌های CRISP-DM: IBM ASUM-DM و Microsoft TDSP
_ | 01_04: انتقال از درک کسب و کار به درک داده ها
_ | 01_05 نحوه سازماندهی کار خود با چهار وظیفه درک داده ها

02 داده‌های اولیه را جمع آوری کنید
_ | 02_01 ملاحظات در جمع آوری داده‌های مربوطه
_ | 02_02 یک استراتژی برای پردازش منابع داده
_ | 02_03 دریافت خلاقیت در مورد منابع داده
_ | 02_04 نحوه تصور یک فایل مسطح مناسب
_ | 02_05 پیش بینی ادغام داده ها

03 ابتدا به داده‌ها نگاه کنید
_ | 03_01 بررسی مفاهیم اساسی در سطح اندازه گیری
_ | 03_02 کدگذاری ساختگی چیست؟
_ | 03_03 گسترش تعریف ما از سطح اندازه گیری
_ | 03_04 با نگاهی اولیه به متغیرهای کلیدی احتمالی
_ | 03_05 معامله با شناسه‌های تکراری و داده‌های معاملاتی
_ | 03_06 چند متغیر (ستون) بالقوه خواهم داشت؟
_ | 03_07 نحوه برخورد با چندین نامزد مرتبه بالا
_ | 03_08 چالش: شناسایی سطح اندازه گیری
_ | 03_09 راه حل: شناسایی سطح اندازه گیری

04 بارگذاری داده‌ها و واحد تجزیه و تحلیل
_ | 04_01 معرفی بستر تجزیه و تحلیل KNIME
_ | 04_02 نکات و ترفندهایی که باید در هنگام بارگذاری اطلاعات در نظر بگیرید
_ | 04_03 تصمیمات تجزیه و تحلیل واحد
_ | 04_04 چالش: ردیف باید چه باشد؟
_ | 04_05 راه حل: ردیف باید چه باشد؟

05 داده‌ها را توصیف کنید
_ | 05_01 نحوه کشف خصوصیات ناخالص داده ها
_ | 05_02 تحقیق در مورد مجموعه داده
_ | 05_03 نکات و نکاتی با استفاده از دستورات ساده تجمیع
_ | 05_04 یک استراتژی ساده برای سازماندهی کار شما

06 شرح داده‌ها مطالعات موردی
_ | 06_01 نسخه‌ی نمایشی داده را با استفاده از مجموعه داده‌های قلب UCI توصیف کنید
_ | 06_02 Challenge: داده‌ها را با مجموعه داده‌های قلب UCI توصیف کنید
_ | 06_03 راه حل: داده‌ها را با مجموعه داده‌های قلب UCI توصیف کنید

07 اصول داده را کاوش کنید
_ | 07_01 کار کاوش داده ها
_ | 07_02 چگونه می‌توان در انجام تجزیه و تحلیل تک متغیره و تجسم داده‌ها موثر بود
_ | 07_03 رباعی Anscombe
_ | 07_04 ویژگی گره Data Explorer در KNIME
_ | 07_05 نحوه پیمایش موارد مرزی از نوع متغیر
_ | 07_06 چگونه می‌توان در انجام تجسم متغیر داده‌ها موثر بود
_ | 07_07 چالش: تولید تجارب متغیر برای مطالعه موردی 1
_ | 07_08 راه حل: تولید تجارب متغیر برای مطالعه موردی 1

08 نکات و ترفندهای داده را کاوش کنید
_ | 08_01 نحوه استفاده م timeثر از وقت SME
_ | 08_02 روشهای کار با پیش بینی کننده‌های برتر
_ | 08_03 مشاوره برای پیش بینی کننده‌های ضعیف
_ | 08_04 نکات و ترفندهایی هنگام جستجوی سوابق در داده‌های خود
_ | 08_05 یادگیری زمان کنار گذاشتن ردیف ها
_ | 08_06 معرفی ggplot2
_ | 08_07 جهت تجسم قدرتمند داده‌های چند متغیره جهت RG ggplot2
_ | 08_08 چالش: تولید تجسم‌های چند متغیره برای مطالعه موردی 1
_ | 09_09 راه حل: تولید تجسم‌های چند متغیره برای مطالعه موردی 1

09 کیفیت داده را تأیید کنید
_ | 09_01 بررسی گزینه‌های داده از دست رفته شما
_ | 09_02 چرا ردیف‌ها را برای حذف لیست دار از دست می‌دهید
_ | 09_03 بررسی منشأ داده‌های از دست رفته

10 مطالعه موردی مفقود شده
_ | 10_01 معرفی داده‌های KDD Cup 1998
_ | 10_02 الگوی داده‌های از دست رفته در داده‌های شما چیست؟
_ | 10_03 آیا داده‌های از دست رفته ارزش ذخیره را دارند؟
_ | 10_04 ارزیابی مستندات به عنوان یک راه حل بالقوه

11 مطالعات موردی را کاوش و تأیید کنید
_ | 11_01 بررسی و تأیید کیفیت داده‌ها با مجموعه داده‌های قلب UCI
_ | 11_02 Challenge: کمی‌سازی داده‌های از دست رفته با مجموعه داده‌های قلب UCI
_ | 11_03 راه حل: تعیین کمیت داده‌های از دست رفته با مجموعه داده‌های قلب UCI

12 انتقال به آماده‌سازی داده ها
_ | 12_01 چرا گزارش‌های رسمی مهم هستند
_ | 12_02 ایجاد لیست کارهای آماده‌سازی داده
_ | 12_03 نحوه آماده‌سازی برای استقرار نهایی

13 نتیجه گیری
_ | 13_01 مراحل بعدی

00 Introduction
_ 00_01 Why data assessment is critical
_ 00_02 A note about the exercise files

01 What Is Data Assessment
_ 01_01 Clarifying how data understanding differs from data visualization
_ 01_02 Introducing the critical data understanding phase of CRISP-DM
_ 01_03 Data assessment in CRISP-DM alternatives; The IBM ASUM-DM and Microsoft TDSP
_ 01_04 Navigating the transition from business understanding to data understanding
_ 01_05 How to organize your work with the four data understanding tasks

02 Collect Initial Data
_ 02_01 Considerations in gathering the relevant data
_ 02_02 A strategy for processing data sources
_ 02_03 Getting creative about data sources
_ 02_04 How to envision a proper flat file
_ 02_05 Anticipating data integration

03 First Look at the Data
_ 03_01 Reviewing basic concepts in the level of measurement
_ 03_02 What is dummy coding
_ 03_03 Expanding our definition of level of measurement
_ 03_04 Taking an initial look at possible key variables
_ 03_05 Dealing with duplicate IDs and transactional data
_ 03_06 How many potential variables (columns) will I have
_ 03_07 How to deal with high-order multiple nominals
_ 03_08 Challenge; Identifying the level of measurement
_ 03_09 Solution; Identifying the level of measurement

04 Data Loading and Unit of Analysis
_ 04_01 Introducing the KNIME Analytics Platform
_ 04_02 Tips and tricks to consider during data loading
_ 04_03 Unit analysis decisions
_ 04_04 Challenge; What should the row be
_ 04_05 Solution; What should the row be

05 Describe Data
_ 05_01 How to uncover the gross properties of the data
_ 05_02 Researching the dataset
_ 05_03 Tips and tricks using simple aggregation commands
_ 05_04 A simple strategy for organizing your work

06 Data Description Case Studies
_ 06_01 Describe data demo using the UCI heart dataset
_ 06_02 Challenge; Practice describe data with the UCI heart dataset
_ 06_03 Solution; Practice describe data with the UCI heart dataset

07 Explore Data Basics
_ 07_01 The explore data task
_ 07_02 How to be effective doing univariate analysis and data visualization
_ 07_03 Anscombe`s quartet
_ 07_04 The Data Explorer node feature in KNIME
_ 07_05 How to navigate borderline cases of variable type
_ 07_06 How to be effective in doing bivariate data visualization
_ 07_07 Challenge; Producing bivariate visualizations for case study 1
_ 07_08 Solution; Producing bivariate visualizations for case study 1

08 Explore Data Tips and Tricks
_ 08_01 How to utilize an SME`s time effectively
_ 08_02 Techniques for working with the top predictors
_ 08_03 Advice for weak predictors
_ 08_04 Tips and tricks when searching for quirks in your data
_ 08_05 Learning when to discard rows
_ 08_06 Introducing ggplot2
_ 08_07 Orientating to R`s ggplot2 for powerful multivariate data visualizations
_ 08_08 Challenge; Producing multivariate visualizations for case study 1
_ 08_09 Solution; Producing multivariate visualizations for case study 1

09 Verify Data Quality
_ 09_01 Exploring your missing data options
_ 09_02 Why you lose rows to listwise deletion
_ 09_03 Investigating the provenance of the missing data

10 Missing Data Case Study
_ 10_01 Introducing the KDD Cup 1998 data
_ 10_02 What is the pattern of missing data in your data
_ 10_03 Is the missing data worth saving
_ 10_04 Assessing imputation as a potential solution

11 Explore and Verify Case Studies
_ 11_01 Exploring and verifying data quality with the UCI heart dataset
_ 11_02 Challenge; Quantifying missing data with the UCI heart dataset
_ 11_03 Solution; Quantifying missing data with the UCI heart dataset

12 Making the Transition to Data Preparation
_ 12_01 Why formal reports are important
_ 12_02 Creating a data prep to-do list
_ 12_03 How to prepare for eventual deployment

13 Conclusion
_ 13_01 Next steps

مدرس: Keith McCormick - کيت مک کورميک

تعداد دوره های آموزشی: 20

کیت مک کورمیک یک متخصص مستقل داده، مدرس، سخنران و نویسنده است.
کیت در توضیح روش‌های پیچیده برای کاربران جدید یا تصمیم گیرندگان در بسیاری از سطوح فنی مهارت دارد. او در مدل‌های پیشگویانه و آنالیز تقسیم‌بندی از جمله درخت‌های طبقه‌بندی، شبکه‌های عصبی، مدل خطی عمومی، تحلیل خوشه‌ای و قوانین ارتباط تخصص دارد.

جدیدترین آموزشهای مرتبط

تمامی زیرنویس‌های فارسی و مطالب ترجمه شده در سایت، بطور انحصاری متعلق به فارسی لینـدا بوده و هر گونه کپی‌ برداری و یا استفاده از آنها به هر شکلی در سایتها یا برنامه‌های دیگر پیگرد قانونی دارد
logo-samandehi
فارسی کلاس