آیا به دنبال دوره‌ای در زمینه علم داده هستید که آموزش عملی، عمیق و واقع‌بینانه را ارائه می‌دهد؟

با ما همراه شوید!

در این دوره، شما تجربه مستقیم تمامی مشکلاتی که یک داده‌شناس روزانه با آن‌ها مواجه می‌شود، از جمله داده‌های خراب، ناهمگونی‌ها و نامتعارفی‌ها خواهید داشت.

در این دوره، یاد خواهید گرفت که چگونه داده‌های خود را برای تحلیل تمیز و آماده کنید، تجسم‌سازی‌های پایه‌ای انجام دهید، داده‌های خود را مدل‌سازی کنید، آن‌ها را منحنی‌بندی کنید و نتایج تحلیلی خود را به گوشه و کنار نشان‌دار کنید.

در این دوره، تعدادی تمرین عملی برای شما ارائه می‌شود تا بتوانید مهارت‌های لازم را برای موفقیت در دنیای واقعی به دست آورید.

این دوره، ابزارهای ضروری مانند SQL، SSIS، Tableau و Gretl را پوشش می‌دهد و دارای مسیرهای پیش‌تعیین‌شده است تا به شما در ناوبری دروس و انتخاب مسیر مناسب برای به دست آوردن مهارت‌های لازم کمک کند.

آیا به دنبال پیشرفت حرفه‌ای خود در زمینه علم داده هستید یا می‌خواهید دانش خود را گسترش دهید؟

در هر صورت، دوره ما گزینه‌ی بسیار مناسبی برای شماست.

در دوره آموزش کامل علم داده به همراه مثال و تمرین شما می آمورید:

• انجام موفقیت‌آمیز تمام مراحل یک پروژه پیشرفته علم داده
• ایجاد تجسمات پایه در Tableau
• انجام استخراج داده در Tableau
• درک نحوه استفاده از آزمون آماری Chi-Squared
• اعمال روش Ordinary Least Squares برای ایجاد رگرسیون خطی
• ارزیابی R-Squared برای تمام انواع مدل‌ها
• ارزیابی Adjusted R-Squared برای تمام انواع مدل‌ها
• ایجاد یک رگرسیون خطی ساده (SLR)
• ایجاد یک رگرسیون خطی چندگانه (MLR)
• ایجاد متغیرهای کذب
• تفسیر ضرایب یک MLR
• خواندن خروجی نرم‌افزار آماری برای مدل‌های ایجاد شده
• استفاده از روش Backward Elimination، Forward Selection، و Bidirectional Elimination برای ایجاد مدل‌های آماری
• ایجاد یک رگرسیون لجستیکی
• درک غیرمنطقی یک رگرسیون لجستیکی
• عمل با False Positives و False Negatives و شناخت تفاوت آن‌ها
• خواندن یک ماتریس Confusion
• ایجاد یک مدل تقسیم جغرافیایی Robust Geodemographic
• تبدیل متغیرهای مستقل به منظور مدل‌سازی
• استخراج متغیرهای مستقل جدید برای مدل‌سازی
• بررسی تعدادی از همبستگی‌ها با استفاده از VIF و ماتریس همبستگی
• درک ذهنی هم‌خطی بودن
• استفاده از پروفایل دقت تجمعی (CAP) برای ارزیابی مدل‌ها
• ساخت منحنی CAP در Excel
• استفاده از داده‌های آموزش و آزمایش برای ایجاد مدل‌های قوی
• استخراج برداشت‌های کسب و کاری از منحنی CAP
• استخراج بینش های کسب و کار از ضرایب یک رگرسیون لجستیک
• فهمیدن واقعیت زوال مدل
• استفاده از سه سطح نگهداری مدل برای جلوگیری از زوال مدل
• نصب و مسیریابی SQL Server
• نصب و مسیریابی Microsoft Visual Studio Shell
• تمیز کردن داده ها و جستجوی ناهنجاری ها
• استفاده از SQL Server Integration Services (SSIS) برای بارگذاری داده ها به پایگاه داده
• ایجاد شاخص های شرطی در SSIS
• برخورد با خطاهای Text Qualifier در داده های RAW
• ایجاد اسکریپت ها در SQL
• استفاده از SQL در پروژه های علوم داده
• ایجاد رویه های ذخیره شده در SQL
• ارائه پروژه های علوم داده به سهامداران