پروژه عملی علم داده با استفاده از CRISP-DM

آنچه یاد خواهید گرفت:

• درک CRISP-DM: یادگیری هر یک از مراحل فرآیند استاندارد بین‌صنعتی برای داده‌کاوی (CRISP-DM) و کاربرد آن در پروژه‌های واقعی علم داده
• تبدیل مسائل کسب‌وکار به اهداف علم داده: یادگیری چگونگی تبدیل سوالات کسب و کار به اهداف علم داده و تعریف معیارهای موفقیت قابل اندازه‌گیری
• جمع‌آوری، بررسی و پاک‌سازی داده: کسب مهارت در جمع‌آوری داده، تحلیل اکتشافی داده (EDA) و تکنیک‌های پاک‌سازی داده‌ در پایتون 
• مهندسی و انتخاب ویژگی‌ها: انتخاب ویژگی‌هایی که دقت و کارایی مدل را بهبود می‌بخشند.
• انتخاب و آموزش مدل‌های یادگیری ماشین: درک چگونگی انتخاب، آموزش و ارزیابی مدل‌های مختلف یادگیری ماشین با استفاده از کتابخانه‌های پایتون
• ارزیابی و اعتبارسنجی مدل: یادگیری روش‌های ارزیابی، اعتبارسنجی و بهینه‌سازی مدل برای اطمینان از عملکرد قوی و قابل‌اعتماد
• کار با پایتون و کتابخانه‌های کلیدی: آشنایی با کتابخانه‌های پایتون برای علم داده، از جمله Pandas ،NumPy ،Scikit-Learn و موارد دیگر
• حل مسئله با یک مطالعه موردی واقعی: انجام یک پروژه کامل و استفاده از تمام مراحل CRISP-DM برای حل یک مسئله واقعی در علم داده

پیش‌نیازهای دوره

• آشنایی با مفاهیم اساسی زبان برنامه‌نویسی پایتون الزامی است.
• آشنایی با یادگیری ماشین و درک مفاهیمی مانند مجموعه آموزشی، مجموعه تست، متغیرهای پیش‌بینی‌کننده، متغیر هدف و مدل

توضیحات دوره

در این دوره عملی، چگونگی اجرای یک پروژه کامل علم داده با استفاده از چارچوب CRISP-DM را خواهید آموخت؛ یک رویکرد استاندارد در صنعت که شما را از درک نیازهای کسب‌وکار تا استقرار مدل نهایی راهنمایی می‌کند. چه در حوزه علم داده تازه‌کار باشید و چه به دنبال گسترش مهارت‌های خود بگردید، این دوره یک تجربه عملی و جامع ارائه می‌دهد که دقیقاً مشابه جریان‌های کاری در پروژه‌های واقعی است.

در طول این مینی‌دوره، هر یک از مراحل CRISP-DM به تفصیل پوشش داده می‌شود و از پایتون برای نمایش تکنیک‌های ضروری در بررسی داده، مهندسی ویژگی‌ها، آموزش مدل و استقرار استفاده می‌گردد. با شروع از مرحله «درک کسب‌وکار»، یاد می‌گیرید که چگونه چالش‌های کسب و کار را به اهداف عملی در علم داده تبدیل کنید. سپس وارد مرحله آماده‌سازی داده شده و متدهای پاک‌سازی و تحلیل مؤثر داده را بررسی خواهید کرد تا آن‌ها را برای مدل‌سازی آماده کنید. در این مسیر با مجموعه‌داده واقعی کار کرده و تکنیک‌های مهندسی ویژگی را به کار می‌برید تا مدل شما دقیق‌تر و کارآمدتر شود.

در فاز مدل‌سازی، الگوریتم‌های یادگیری ماشین انتخاب، آموزش و ارزیابی می‌شوند و برای ایجاد یک راه‌حل قدرتمند بهینه‌سازی می‌گردند. همچنین تکنیک‌های اعتبارسنجی را خواهید آموخت تا از عملکرد و قابلیت‌اطمینان مدل خود حتی در محیط‌های عملیاتی اطمینان حاصل کنید. در نهایت، در فاز استقرار، چگونگی آماده‌سازی و استقرار مدل پوشش داده می‌شود تا برای استفاده در دنیای واقعی آماده باشد.

در پایان این دوره، پایه و اساس قدرتمندی در CRISP-DM خواهید داشت و تجربه عملی لازم برای رویارویی با پروژه‌های علم داده به شیوه‌ای ساختاریافته و روش‌مند را کسب می‌کنید. در این دوره شرکت کنید تا مهارت‌های کاربردی علم داده را بیاموزید و با تحلیل‌های خود تأثیرگذار باشید!

این دوره برای چه کسانی مناسب است؟

• دانشمندان و تحلیلگران داده تازه‌کار: افرادی که به تازگی وارد حوزه علم داده شده‌اند و به دنبال یک رویکرد ساختاریافته و جامع برای پروژه‌های واقعی هستند که مهارت‌های ضروری از تعریف مسئله تا استقرار را پوشش دهد.
• متخصصان شاغل در حوزه‌های داده‌محور: تحلیلگران، متخصصان هوش کسب و کار و سایر نقش‌های مرتبط با داده که می‌خواهند مهارت‌های مدیریت پروژه خود را عمیق‌تر کرده و CRISP-DM را برای جریان‌های کاری ساختاریافته علم داده بیاموزند.
• دانشجویان و فارغ‌التحصیلان رشته‌های STEM: دانشجویان و فارغ‌التحصیلان جدید رشته‌های علوم، فناوری، مهندسی و ریاضیات (STEM) که قصد دارند با دنبال کردن چرخه عمر یک پروژه عملی و هدایت‌شده با پایتون و روش‌های استاندارد صنعت، تجربه کاربردی در علم داده کسب کنند.