Dedika je platforma za učenje skozi prakso: na primer, kako pripraviti poslovno ponudbo, postati manikerka ali uporabljati novo orodje. Ne glede na tvoj cilj, najboljša vsebina o tej temi že obstaja. A pogosto je v tujem jeziku, draga, razpršena po spletu, brez vaj za vadbo ali pa je del predolgega tečaja, ki ni primeren za tiste z natrpanim urnikom. Zato ima Dedika svoj pristop: poiščemo gradivo, kjerkoli je, izberemo tisto, kar je smiselno za tvoj cilj, ga pregledamo s pomočjo strokovnjakov, ki so na voljo za vprašanja, in pripravimo praktične naloge, da se učiš skozi delo. Ti si najpomembnejši na svoji poti in nihče te ne pozna bolje: izberi vsebino in trajanje tečaja, ali boš učil z ali brez interneta in v katerem formatu. Lahko je video, besedilo, avdio ali povzetek. Po tvoji meri, samo s tistim, kar ti ustreza. Tukaj je vsak trenutek tvoje predanosti pomemben in hitreje prideš do bistva.

Tečaji so sestavljeni iz najboljše vsebine na svetu na določeno temo: videi, avdio posnetki, članki in knjige. Vsa ta vsebina je opremljena s povzetki, podcasti (za knjige in članke) ter prepisi (za videe in avdio posnetke). Sami izberete, kako želite vsebino spremljati. Vsako gradivo ima posebna vprašanja za utrjevanje znanja. Poleg tega je tečaj sestavljen iz poglavij, ki jih izberete sami, kar vam omogoča, da se učite le tistega, kar je pomembno za vas. Na koncu vsakega poglavja je praktični projekt, povezan z vašo stroko, kjer lahko vadite naučeno.

Naši tečaji vključujejo povzetek na koncu vsakega poglavja, ki ga lahko prenesete kot PDF in natisnete.

Več kot 2 milijona študentov po vsem svetu

Prisotni v več kot 180 državah

Certifikat veljaven v vaši državi

Domov

...

Specialistični tečaj Data Mining

Vsi tečaji

Poslovanje in ekonomija

Poslovna inteligenca

Specialistični tečaj Data Mining

Za vse ravni

Specialistični tečaj Data Mining

Obvladaš celoten potek podatkovnega rudarjenja – od zajema surovih podatkov do vpeljanih, produkcijsko pripravljenih modelov. Ta tečaj pokriva klasifikacijo, gručenje, regresijo, asociacijska pravila in odkrivanje anomalij z uporabo Pythona in resničnih podatkovnih množic. Diplomiral/-a boš s tehnično globino in praktičnimi veščinami, ki jih delodajalci iščejo pri strokovnjakih za podatkovno rudarjenje.

Dedika za podjetja

Kaj se boste naučili:

Zgradil/-a boš trdne temelje v procesu KDD in se naučil/-a, kako predobdeluješ, preoblikuješ in iz podatkov oblikuješ značilnice iz strukturiranih, besedilnih in časovnih vrst podatkov. Uvedel/-a in ovrednotil/-a boš širok nabor algoritmov, vključno z odločitvenimi drevesi, naključnimi gozdovi, gradientnim spodbujanjem, k-povprečji, DBSCAN in Apriori. Prav tako boš uporabil/-a zmanjševanje razsežnosti, obravnaval/-a neravnovesje razredov in interpretiral/-a modele črne skrinjice z uporabo SHAP in LIME. Napredne teme vključujejo obdelavo velikih podatkov z Apache Spark, podatkovno rudarjenje podatkovnih tokov in domensko specifične aplikacije pri odkrivanju goljufij, v zdravstvu in trgovini na drobno. Do konca boš izvedel/-a celoten zaključni projekt in predstavil/-a rešitev podatkovnega rudarjenja, pripravljeno za uvedbo.

Kako praktično študirate Specialistični tečaj Data Mining

Kako vadite Specialistični tečaj Data Mining

Za vas, ki ste podjetje in želite usposobiti svojo ekipo

Na Dedika za podjetja je tečaj prilagojen z vajami in primeri iz vašega lastnega poslovanja, tako kot vaša podjetja potrebujejo.

Kliknite tukaj

Vsebina tečaja

8 Poglavji • 40 Uč lekcijeTrajanje med 4 in 360 urami (vi se odločite)

Poglavje 1Poglej podrobnosti

Temelji podatkovnega rudarjenja

Uč lekcija 1 • Okvir procesa KDD
Sprehodi se skozi vsako stopnjo procesa odkrivanja znanja iz podatkov, od surovih podatkov do uporabne analitične ugotovitve. Vsako stopnjo poveže s praktičnimi rezultati.
Uč lekcija 2 • Podatkovni tipi in strukture
Obravnava strukturirane, polstrukturirane in nestrukturirane podatkovne formate ter njihove implikacije za izbiro algoritmov. Pripravi študente na delo z raznolikimi resničnimi podatkovnimi nizi.
Uč lekcija 3 • Etični in kakovostni vidiki
Predstavi pristranskost, zasebnost in kakovost podatkov kot omejitve, ki oblikujejo vsak rudarski projekt. Vzpostavi norme odgovorne prakse, ki se uporabljajo v vseh nadaljnjih poglavjih.
Uč lekcija 4 • Osnovne vrste nalog podatkovnega rudarjenja
Pregleda klasifikacijo, regresijo, gručenje, asociacijo in zaznavanje anomalij kot pet glavnih družin nalog. Študenti preslikajo poslovne probleme v pravilno vrsto naloge.
Uč lekcija 5 • Kaj podatkovno rudarjenje pravzaprav je
Opredeli podatkovno rudarjenje, ga razlikuje od statistike in strojnega učenja ter umesti njegovo vlogo pri odkrivanju znanja. Vzpostavi skupno besedišče, ki se uporablja v celotnem tečaju.

Poglavje 2Poglej podrobnosti

Pridobivanje in raziskovanje podatkov

Uč lekcija 1 • Opisna statistika za rudarjenje
Uporabi mere centralne tendence, razpršenosti in oblike za opredelitev vsake značilke. Rezultati se neposredno uporabijo pri odločitvah o predobdelavi in inženiringu značilk.
Uč lekcija 2 • Vizualna raziskovalna analiza
Uporablja histograme, razsevne diagrame, škatlaste diagrame in toplotne karte za razkrivanje porazdelitev in odnosov. Ugotovitve vizualizacije so dokumentirane kot del poročila EDA.
Uč lekcija 3 • Analiza manjkajočih podatkov
Prepozna vzorce naključno manjkajočih proti ne-naključno manjkajočim in kvantificira njihov vpliv na analizo. Študenti izberejo ustrezne strategije obravnave glede na vrsto manjkajočih podatkov.
Uč lekcija 4 • Oblikovanje rudarskih hipotez
Prevaja poslovna vprašanja v preverljive hipoteze podatkovnega rudarjenja z merljivimi merili uspeha. Povezuje ugotovitve EDA s stopnjama predobdelave in modeliranja.
Uč lekcija 5 • Iskanje virov in zajem podatkov
Obravnava podatkovne baze, ploščate datoteke, API-je in spletno strganje kot kanale za pridobivanje podatkov. Študenti vadijo povezovanje in nalaganje podatkov iz več vrst virov.

Poglavje 3Poglej podrobnosti

Predobdelava in transformacija podatkov

Uč lekcija 1 • Skaliranje in normalizacija značilk
Obravnava min-max skaliranje, standardizacijo in robustno skaliranje ter pojasnjuje, kateri algoritmi zahtevajo katero. Študenti transformirajo značilke in preverijo konsistentnost skale.
Uč lekcija 2 • Zaznavanje in obravnava osamelcev
Uporabi Z-score, IQR in na izolaciji temelječe metode za prepoznavanje osamelcev ter se odloči o odstranitvi, omejevanju ali ohranitvi. Povezuje se z nalogami zaznavanja anomalij, predstavljenimi v 1. poglavju.
Uč lekcija 3 • Kodiranje kategoričnih spremenljivk
Uporabi označno, ordinalno, one-hot in ciljno kodiranje za pretvorbo kategorij v numerične predstavitve. Obravnava izzive visoke kardinalnosti, ki so pogosti v resničnih podatkovnih nizih.
Uč lekcija 4 • Integracija podatkov in zmanjševanje dimenzij
Združuje podatkovne nize iz več virov in uporablja zmanjšanje dimenzionalnosti za odstranjevanje redundance brez izgube signala. Pripravi kompaktne, čiste nabore značilk za modeliranje.
Uč lekcija 5 • Obravnava manjkajočih vrednosti
Uvede strategije imputacije s povprečjem, mediano, modusom in na modelu temelječe strategije ter ovrednoti njihov učinek na nadaljnje modele. Nadgrajuje analizo manjkajočih podatkov iz 2. poglavja.

Poglavje 4Poglej podrobnosti

Poglobljeni algoritmi za klasifikacijo

Uč lekcija 1 • Metoda podpornih vektorjev
Uči maksimizacijo roba, jedrne trike in SVM z mehkim robom za linearne in nelinearne probleme. Študenti nastavljajo parametre jedra in interpretirajo podporne vektorje.
Uč lekcija 2 • Odločitvena drevesa in učitelji pravil
Pojasnjuje kriterije delitve, rast drevesa in rezanje za interpretabilne klasifikacijske modele. Vzpostavi drevesno strukturo, ki podpira skupinske metode, obravnavane kasneje.
Uč lekcija 3 • Skupinske metode klasifikacije
Uvede bagging, naključne gozdove, boosting in zlaganje za izboljšanje natančnosti in robustnosti. Povezuje se s temelji odločitvenih dreves iz prvega razdelka tega poglavja.
Uč lekcija 4 • Verjetnostni in linearni klasifikatorji
Obravnava Naivni Bayes in logistično regresijo kot hitri, interpretabilni izhodišči za klasifikacijske naloge. Študenti oba uporabijo na testnih podatkovnih nizih in primerjajo rezultate.
Uč lekcija 5 • Vrednotenje klasifikacijskih modelov
Uporabi matrike zamenjav, ROC-AUC, natančnost-priklic in navzkrižno validacijo za strogo ocenjevanje klasifikatorjev. Študenti izberejo metrike, usklajene s poslovnimi stroškovnimi strukturami.

Poglavje 5Poglej podrobnosti

Regresija in napovedno modeliranje

Uč lekcija 1 • Tehnike regresije časovnih vrst
Prilagodi regresijo časovnim podatkom z uporabo zamaknjenih značilk, drsečih statistik in modelov iz družine ARIMA. Obravnava avtokorelacijo in sezonskost kot edinstvena regresijska izziva.
Uč lekcija 2 • Regularizirane regresijske metode
Uporabi Ridge, Lasso in Elastic Net za nadzor prekomernega prilagajanja in izvedbo implicitne selekcije značilk. Študenti nastavljajo moč regularizacije z mrežnim iskanjem z navzkrižno validacijo.
Uč lekcija 3 • Nelinearna in na drevesih temelječa regresija
Razširi napovedovanje na nelinearne odnose z uporabo polinomskih značilk, regresijskih dreves in gradientnih boosting regresorjev. Primerja kompromise med prilagodljivostjo in interpretabilnostjo.
Uč lekcija 4 • Vrednotenje regresijskih modelov
Uporabi MAE, RMSE, MAPE in R-kvadrat za oceno napovedne natančnosti in poslovne relevantnosti. Študenti izberejo metrike na podlagi asimetrije stroškov napake v ciljni domeni.
Uč lekcija 5 • Temelji linearne regresije
Izpelje metodo najmanjših kvadratov, interpretira koeficiente in preizkuša predpostavke regresije. Vzpostavi izhodiščni napovedni model, s katerim se primerjajo vsi drugi.

Poglavje 6Poglej podrobnosti

Gručenje in nenadzorovano učenje

Uč lekcija 1 • Validacija in profiliranje gruč
Uporabi notranje in zunanje indekse veljavnosti ter zgradi opisne profile za vsako gručo. Prevede statistične gruče v poslovno smiselne opise segmentov.
Uč lekcija 2 • Zmanjšanje dimenzionalnosti za gručenje
Uporabi PCA, t-SNE in UMAP za zmanjšanje dimenzij visokodimenzionalnih podatkov pred gručenjem ali skupaj z njim. Izboljša ločevanje gruč in omogoči 2D vizualizacijo rezultatov.
Uč lekcija 3 • Metode razdelitvenega gručenja
Uvede k-povprečij in k-medoidov, ki pokrivajo inicializacijo centroidov, konvergenco in občutljivost na k. Študenti uporabijo metodo komolca in silhuete za izbiro optimalnega k.
Uč lekcija 4 • Gručenje na podlagi gostote
Uporabi DBSCAN in HDBSCAN za iskanje poljubno oblikovanih gruč in označevanje točk šuma. Obravnava podatkovne nize, kjer metode razdeljevanja odpovejo zaradi nepravilnih oblik gruč.
Uč lekcija 5 • Tehnike hierarhičnega gručenja
Obravnava aglomerativne in divizivne pristope s kriteriji povezovanja in interpretacijo dendrograma. Uporabno, kadar število gruč ni vnaprej znano.

Poglavje 7Poglej podrobnosti

Asociacijska pravila in iskanje vzorcev

Uč lekcija 1 • Sekvenčno iskanje vzorcev
Razširi asociacijsko rudarjenje na urejene sekvence z uporabo algoritmov GSP in PrefixSpan. Uporabi se za analizo poti strank, toka klikov in dnevnikov dogodkov.
Uč lekcija 2 • FP-Growth in učinkovito rudarjenje
Zgradi FP-drevesa za iskanje pogostih vzorcev brez generiranja kandidatov, kar dramatično zmanjša porabo pomnilnika. Primerja zmogljivost z Apriori na velikih transakcijskih podatkovnih nizih.
Uč lekcija 3 • Filtriranje pravil in uvedba
Uporabi mere zanimivosti poleg dviga za filtriranje redundantnih in trivialnih pravil za praktično uporabo. Študenti vgradijo pravila v delotoke priporočanja in trgovanja.
Uč lekcija 4 • Algoritem Apriori
Uvede pristop generiranja kandidatov Apriori in analizira njegovo računsko zahtevnost. Študenti nastavljajo minimalno podporo in zaupanje za uravnoteženje pokritosti in natančnosti.
Uč lekcija 5 • Osnove pogostih naborov
Opredeli podporo, zaupanje in dvig ter pojasni anti-monotonsko lastnost, ki omogoča učinkovito iskanje. Zagotovi matematično osnovo za vse algoritme iskanja pravil.

Poglavje 8Poglej podrobnosti

Napredne teme in uvedba projekta

Uč lekcija 1 • Uvedba in spremljanje modelov
Zapakira naučene modele kot REST API-je, načrtuje paketno točkovanje in spremlja podatkovni ter konceptualni zdrs. Zagotavlja, da modeli ostanejo natančni in zanesljivi v produkcijskih okoljih.
Uč lekcija 2 • Interpretabilnost in pojasnljivost modelov
Uporabi vrednosti SHAP, LIME in grafikone delne odvisnosti za razlago napovedi modelov črne škatle. Obravnava zaupanje deležnikov in zahteve po regulativni transparentnosti.
Uč lekcija 3 • Metode zaznavanja anomalij
Uporabi statistične, na bližini temelječe in na modelu temelječe detektorje anomalij na podatkovnih nizih o goljufijah, napakah in vdorih. Razširi vrsto nalog anomalij, predstavljenih v 1. poglavju, do polne implementacije.
Uč lekcija 4 • Osnove besedilnega rudarjenja in NLP
Pretvarja nestrukturirano besedilo v numerične značilke z uporabo besedne vreče, TF-IDF in besednih vložitev. Uporablja klasifikacijske in gručne algoritme na besedilnih korpusih.
Uč lekcija 5 • Izvedba zaključnega projekta
Vodi študente skozi celovit rudarski projekt od začetka do konca: od zasnove problema do uvedene rešitve in predstavitve deležnikom. Združuje vse veščine iz osrednjih poglavij.

Certifikacija

Vaš veljaven certifikat o zaključku

Ta tečaj je namenjen vam:

Poslovni analitik: želi preseči dashboarde in preiti na delo z napovednim modeliranjem.
Mlajši podatkovni znanstvenik: potrebuje strukturirano globino čez celotno pokrajino algoritmov rudarjenja.
Razvijalec programske opreme: želi se preusmeriti v vloge, povezane s podatkovno vodenimi izdelki in zalednimi sistemi.
Trženjski analitik: želi uporabiti segmentacijo in rudarjenje vzorcev na vedenju strank.
Nedavni diplomant STEM: gradi specializiran portfelj, da izstopa v kadrovskih ceveh.
Strokovnjak v zdravstvu ali financah: išče veščine podatkovnega rudarjenja, prilagojene svoji industrijski domeni.

Kaj pravijo naši učenci

Vaše predavanja so popolna. Kupil sem enoletni paket in končno imam priložnost spremljati različne teme, ki me zanimajo, ne da bi moral menjati platformo... hvala za vse, kar počnete, že sem vas priporočil drugim ljudem...