Lynda_The_Basics_of_Data_for_Analytics

داده کاوی مجموعه ای از مسائل کاربردی است که در حوزه استخراج دانش از انبوه داده های در دسترس تعریف شده اند، که روش هایی نیز در طول زمان، توسط دانشمندان علوم کامپیوتر، ریاضیات و آمار راه حل هایی برای آن ها ارائه شده است.

این دوره مبانی دیتا را برای تجزیه و تحلیل آن مورد بحث قرار می دهد. در این آموزش تصویری هوش کسب و کار ، نحوه استفاده از داده ها ، شناسایی مجموعه ای از داده ها و نحوه ساخت نمودار را می آموزید در ادامه نحوه حذف داده ها ، گزارش گیری از برنامه ، مدیریت و عیب یابی پروژه را مورد بررسی قرار می دهد.

این دوره آموزشی محصول موسسه Lynda است.

سرفصل های این دوره:

  • معرفی
  • پیش نیازها
  • طیف وسیعی از تجزیه و تحلیل داده
  • تجزیه و تحلیل داده چیست؟
  • آیا شما یک تحلیلگر هستید؟
  • نقش تحلیلگر در علم اطلاعات
  • مبانی داده
  • شناسایی داده
  • مبانی تحلیل داده
  • توانایی تفسیر و خلاصه اطلاعات
  • داده ها در یک گردش کار
  • اطلاعات پاک
  • Repurposing، بازسازی، داده
  • اشتباهات رایج
  • مبانی یک پروژه داده
  • و …

عنوان دوره: Lynda The Basics of Data for Analytics

مدت دوره: 34 دقیقه

نویسنده: Robin Hunt

توضیحات:

Lynda The Basics of Data for Analytics

Robin Hunt
Intermediate
34m 18s

Every person that works with analytics, from data mining to business intelligence, has to start with the raw data. The goal of this training course is to teach analysts and nonanalysts alike the basics of using data for analysis and reporting. Robin Hunt defines what data analysis is and what data analysts do. She then shows how to identify your data set, interpret and summarize data, and perform specialized tasks such as creating workflow diagrams, cleaning data, and joining data sets for reporting. Chapter 4 covers techniques for initiating, managing, and troubleshooting data analysis projects. No matter where you are in your analytics career, this course will help you put data in perspective.

Introduction
52s
Welcome
37s
Prerequisites
15s
1. The Range of Data Analysis
4m 5s
What is data analysis?
1m 33s
Are you an analyst?
1m 25s
The analyst role in data science
1m 7s
2. Basics of Data
6m 7s
Identifying data
1m 17s
What does data look like?
2m 20s
The data we don't have
2m 30s
3. Basics of Data Analysis
16m 4s
Ability to interpret and summarize data
2m 52s
Data in a workflow
2m 39s
Joins
4m 0s
Clean data
2m 31s
Repurposing, not remanufacturing, data
1m 41s
Common mistakes
2m 21s
4. Basics of a Data Project
6m 38s
Data best practices
2m 4s
Common troubleshooting methods
1m 47s
Data governance
1m 6s
Truths
1m 41s
Conclusion
32s
Next steps
32s