مطالب پیشنهادی از سراسر وب

آموزش داده کاوی و گردش کار تحلیل

دسته بندی ها: آموزش کلان داده (Big Data) ، آموزش های پلورال سایت (Pluralsight)

داده کاوی اصطلاحی چتری است که برای تکنیک هایی که الگوها را در مجموعه داده های بزرگ پیدا می کنند، استفاده می شود. به عبارت ساده، داده کاوی استفاده از تکنیک های یادگیری ماشین بر روی کلان داده ها است. محبوبیت اصطلاح Data Mining از چند سال پیش به اوج خود رسیده بود، اما ماهیتاً امروزه داده کاوی بیش از گذشته مورد توجه قرار گرفته است.
شما در این دوره، توانایی تنظیم یوز کیس خود را به عنوان یک مشکل Data Mining بدست می آورید و سپس برای حل آن یک فرایند کلاسیک، متدلوژی CRISP-DM را اعمال می کنید.
ابتدا، خواهید آموخت که چگونه یادگیری قوانین وابستگی کار می کنند و چرا پیش از رسیدن به محبوبیت یادگیری ماشینی به عنوان یک اپلیکیشن کلاسیک داده کاوی مطرح شده است. شباهت ها و تضادهای بین یادگیری قوانین وابستگی و سیستم های توصیه گر را مشاهده خواهید کرد.
سپس، خواهید فهمید که چگونه کلان داده ها و یادگیری ماشین هر دو مستقیما در حوزه داده کاوی قرار دارند، حتی با وجود وجود پیوندهای سنتی داده کاوی به آمار و بازیابی اطلاعات.
در پایان، با فراگیری فرآیند استاندارد صنعت ساخت اپلیکیشن های کاربردی داده کاوی، معروف به CRISP-DM، دانش خود را کامل می کنید. این تکنیک حدوداً دو دهه قدمت دارد اما ارتباط خود را حفظ کرده است و از نزدیک گردش کار یادگیری ماشین کلاسیک که امروزه به صورت گسترده استفاده می شود را بازتاب می کند.
پس از اتمام این دوره، مهارت و دانش لازم برای طراحی و اجرای راهکارهای مناسب داده کاوی را خواهید داشت، روشی که یادگیری ماشینی را بر روی داده های بزرگ برای یوز کیس های شما اعمال می کند.

بررسی دوره

فایل های تمرین exercise files.zip

ترجمه با ویدابیا

ترجمه فارسی این دوره آموزشی رو همین الان از ویدابیا سفارش بده الان سفارش بده
آیا این نوشته را دوست داشتید؟
Pluralsight Data Mining and the Analytics Workflow Author:Janani Ravi Duration:2:55:06 Level:Beginner

Data Mining is an umbrella term used for techniques that find patterns in large datasets. Simply put, data mining is the application of machine learning techniques on big data. The popularity of the term Data Mining peaked some years ago, but in substance, data mining is perhaps more relevant today than it has ever been.
In this course, Data Mining and the Analytics Workflow you will gain the ability to formulate your use-case as a Data Mining problem, and then apply a classic process, the CRISP-DM methodology, to solve it.
First, you will learn how association rules learning works, and why it is considered a classic data mining application, predating the explosion in the popularity of ML. You will see the similarities and contrasts between association rules learning and recommender systems.
Next, you will discover how big data and machine learning both squarely lie within the ambit of data mining, even as more traditional data mining links to statistics and information retrieval continue to exist.
Finally, you will round out your knowledge by learning about an industry-standard process for building data mining applications, know as the CRISP-DM. This technique is about two decades old but has retained its relevance, and closely mirrors the classic machine learning workflow in wide use today.
When you’re finished with this course, you will have the skills and knowledge to design and implement the right data mining solution, one that applies machine learning on big data, for your use-case.

پیشنهاد آموزش مرتبط در فرادرس