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

...

Tečaj rudarjenja podatkov

Vsi tečaji

Poslovanje in ekonomija

Poslovna inteligenca

Tečaj rudarjenja podatkov

Za vse ravni

Tečaj rudarjenja podatkov

4,7

Obvladaš celoten potek podatkovnega rudarjenja – od surovih podatkov do uporabnih modelov – z uporabo preverjenih algoritmov in industrijsko standardnih orodij. Ta tečaj pokriva klasifikacijo, razvrščanje, regresijo, asociacijska pravila in napredne teme, kot sta odkrivanje anomalij in ansambelske metode. Ne glede na to, ali napreduješ v analitični karieri ali gradiš pametnejše sisteme, boš pridobil/-a praktične veščine, ki jih delodajalci zahtevajo.

Dedika za podjetja

Kaj se boste naučili:

Naučil/-a se boš, kako uporabiti celoten postopek podatkovnega rudarjenja, začenši z ocenjevanjem kakovosti podatkov in predprocesiranjem, nadaljeval/-a boš z raziskovalno analizo ter zaključil/-a z gradnjo modelov in njihovo uvedbo. Tečaj zajema nadzorovane metode, kot so odločitvena drevesa, metoda podpornih vektorjev in ansambelski regresorji, pa tudi nenadzorovane tehnike, vključno z algoritmom k-voditeljev, DBSCAN in hierarhičnim razvrščanjem. Delal/-a boš tudi z algoritmi za odkrivanje asociacijskih pravil, kot sta Apriori in FP-Growth. Napredni razdelki uvajajo odkrivanje anomalij, rudarjenje besedil, analizo časovnih vrst in odgovorne prakse umetne inteligence. Do konca boš znal/-a načrtovati, oceniti in uvesti celovite rešitve podatkovnega rudarjenja.

Kako praktično študirate Tečaj rudarjenja podatkov

Kako vadite Tečaj rudarjenja podatkov

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

Osnove podatkovnega rudarjenja

Uč lekcija 1 • Kakovost podatkov in izzivi
Obravnava šum, manjkajoče vrednosti, osamelce in redundanco kot ovire za natančno rudarjenje. Študenti se naučijo diagnosticirati težave s kakovostjo, preden se modeliranje začne.
Uč lekcija 2 • Etični vidiki in zasebnost
Obravnava privolitev, pristranskost, pravičnost in odgovorno razkritje pri projektih podatkovnega rudarjenja. Vzpostavlja etični vidik, ki se uporablja skozi celoten tečaj.
Uč lekcija 3 • Vrste podatkov in atributov
Zajema nominalne, ordinalne, intervalne in razmernostne lestvice ter strukturirane in nestrukturirane podatke. Vrsta atributa določa, kateri algoritmi so uporabni.
Uč lekcija 4 • Kaj je podatkovno rudarjenje
Opredeljuje podatkovno rudarjenje, njegove cilje in mesto v širšem procesu odkrivanja znanja. Vse nadaljnje tehnike utemelji v enotnem pojmovnem okviru.
Uč lekcija 5 • Proces podatkovnega rudarjenja
Predstavlja strukturirane procesne modele, kot sta CRISP-DM in SEMMA. Študenti preslikajo resnične projekte v procesne faze, da zgradijo intuicijo o poteku dela.

Poglavje 2Poglej podrobnosti

Predobdelava in transformacija podatkov

Uč lekcija 1 • Tehnike čiščenja podatkov
Zajema strategije vstavljanja, glajenje šuma in odstranjevanje dvojnikov. Čisti podatki so predpogoj za zanesljivo odkrivanje vzorcev v kasnejših poglavjih.
Uč lekcija 2 • Osnove inženiringa značilk
Uči gradnjo novih značilk iz surovih atributov za razkrivanje skritih vzorcev. Močne značilke povečajo uspešnost vsakega algoritma rudarjenja, ki ga obravnavamo kasneje.
Uč lekcija 3 • Integracija in združevanje podatkov
Pojasnjuje ujemanje shem, razreševanje entitet in reševanje konfliktov pri združevanju več virov. Integrirane množice podatkov omogočajo bogatejše, bolj posplošljive modele.
Uč lekcija 4 • Metode zmanjševanja podatkov
Predstavlja zmanjševanje dimenzij, zmanjševanje številčnosti in stiskanje podatkov. Manjše, reprezentativne množice podatkov zmanjšajo računsko zahtevnost brez izgube analitičnih ugotovitev.
Uč lekcija 5 • Transformacija in normalizacija podatkov
Zajema skaliranje min-max, z-score normalizacijo, logaritemske transformacije in diskretizacijo. Pravilno skaliranje zagotavlja, da algoritmi, ki temeljijo na razdalji, delujejo pravilno.

Poglavje 3Poglej podrobnosti

Raziskovalna analiza podatkov in vizualizacija

Uč lekcija 1 • Vizualizacija osamelcev in anomalij
Uporablja vizualne metode za odkrivanje anomalij, preden se uporabijo formalni algoritmi za zaznavanje. Zgodnje vizualno odkrivanje preprečuje, da bi osamelci popačili kasnejše modele.
Uč lekcija 2 • Univariatna in bivariatna analiza
Preučuje porazdelitve ene spremenljivke in parne odnose z uporabo histogramov, škatel z brki in razsevnih diagramov. Razkriva mejne in skupne vzorce v podatkih.
Uč lekcija 3 • Sporočanje ugotovitev RAP
Uči izbiro grafikonov, opombe in narativno strukturo za predstavitev raziskovalnih rezultatov. Jasna komunikacija uskladi deležnike, preden se začne vlaganje v modeliranje.
Uč lekcija 4 • Multivariatne vizualizacijske tehnike
Predstavlja vzporedne koordinate, toplotne karte in grafikone z zmanjšano dimenzionalnostjo za visokodimenzionalne podatke. Omogoča hkratni pregled številnih spremenljivk.
Uč lekcija 5 • Opisna statistika za rudarjenje
Pregled povprečja, variance, asimetrije, sploščenosti in korelacije kot diagnostičnih orodij. Te mere usmerjajo odločitve o predobdelavi in oblikovanje hipotez.

Poglavje 4Poglej podrobnosti

Algoritmi za klasifikacijo

Uč lekcija 1 • Metrike za vrednotenje klasifikatorjev
Zajema natančnost, preciznost, priklic, F1, ROC-AUC in matrike zmede. Izbira metrike je odvisna od neuravnoteženosti razredov in stroškov posamezne vrste napake.
Uč lekcija 2 • Metoda podpornih vektorjev
Pojasnjuje hiperravnine z največjim robom, jedrne funkcije in SVM z mehkim robom. SVM se odlično obnesejo v visokodimenzionalnih prostorih, ki so pogosti pri besedilnih in genomskih podatkih.
Uč lekcija 3 • Odločitvena drevesa in indukcija pravil
Zajema algoritme ID3, C4.5 in CART, vključno z merili za delitev in rezanje. Odločitvena drevesa zagotavljajo razložljive modele, primerne za poslovne deležnike.
Uč lekcija 4 • Pojmi in potek klasifikacije
Opredeljuje nadzorovano učenje, učno/testno delitev in kompromis med pristranskostjo in varianco. Vzpostavlja miselnost vrednotenja, ki se uporablja pri vseh klasifikacijskih algoritmih.
Uč lekcija 5 • Verjetnostni in linearni klasifikatorji
Predstavlja Naivni Bayes, logistično regresijo in linearno diskriminantno analizo. Ti hitri, razložljivi modeli služijo kot močne osnovne vrednosti za primerjavo.

Poglavje 5Poglej podrobnosti

Regresijske in napovedne tehnike

Uč lekcija 1 • Regularizirane regresijske metode
Zajema Ridge, Lasso in Elastic Net za nadzor pretiranega prilagajanja in izbiro značilk. Regularizacija je bistvena, kadar značilke po številu presegajo opazovanja.
Uč lekcija 2 • Linearna regresija za napovedovanje
Pregled metode najmanjših kvadratov, predpostavk in diagnostičnih grafikonov za linearne modele. Linearna regresija zagotavlja razložljivo osnovno vrednost za naloge numeričnega napovedovanja.
Uč lekcija 3 • Vrednotenje regresijskih modelov
Uporaba MAE, RMSE, R-kvadrat in analize ostankov za primerjavo regresijskih modelov. Pravilno vrednotenje preprečuje uvedbo modelov, ki odpovedo na neznanih podatkih.
Uč lekcija 4 • Nelinearna in polinomska regresija
Razširja linearne modele s polinomskimi členi, zlepki in posplošenimi aditivnimi modeli. Nelinearne metode zajamejo ukrivljene odnose, ki jih linearni pristopi spregledajo.
Uč lekcija 5 • Ansambelske regresijske metode
Predstavlja bagging, naključne gozdove in gradientno spodbujanje za regresijske naloge. Ansambli dosledno prekašajo posamezne modele na kompleksnih, šumnih množicah podatkov.

Poglavje 6Poglej podrobnosti

Razvrščanje v skupine in nenadzorovano učenje

Uč lekcija 1 • Validacija in interpretacija skupin
Uporaba silhuetnega koeficienta, Davies-Bouldinovega indeksa in domenskega znanja za oceno kakovosti skupin. Validacija preprečuje pretirano zanašanje na poljubne skupine.
Uč lekcija 2 • Hierarhično razvrščanje v skupine
Pojasnjuje združevalne in delilne pristope z merili povezovanja in dendrogrami. Hierarhične metode razkrivajo večnivojsko strukturo brez vnaprejšnje določitve k.
Uč lekcija 3 • Razdeljevalne metode
Zajema algoritme k-means, k-medoids in k-modes s strategijami inicializacije. Razdeljevalne metode se dobro skalirajo in ustrezajo velikim, okroglim skupinam.
Uč lekcija 4 • Gostotno razvrščanje v skupine
Predstavlja DBSCAN in OPTICS za odkrivanje skupin poljubnih oblik in točk šuma. Gostotne metode obvladujejo nepravilne geometrije, ki jih k-means ne more zajeti.
Uč lekcija 5 • Osnove razvrščanja v skupine
Opredeljuje cilje razvrščanja, mere podobnosti in izziv vrednotenja rezultatov brez dejanskih oznak. Postavlja pričakovanja za nenadzorovano analizo.

Poglavje 7Poglej podrobnosti

Rudarjenje asociacijskih pravil

Uč lekcija 1 • Algoritem Apriori
Pojasnjuje lastnost Apriori, generiranje kandidatov in rezanje za učinkovito odkrivanje množic postavk. Študenti implementirajo Apriori na množicah maloprodajnih transakcij.
Uč lekcija 2 • Algoritem FP-Growth
Predstavlja strukturo FP-drevo in pogojno bazo vzorcev za hitrejše rudarjenje brez generiranja kandidatov. FP-Growth prekaša Apriori na gostih množicah podatkov.
Uč lekcija 3 • Pojmi pogostih množic postavk
Opredeljuje podporo, zaupanje, dvig in prepričljivost kot mere kakovosti pravil. Te metrike določajo, kateri vzorci so statistično in praktično pomembni.
Uč lekcija 4 • Uporaba asociacijskega rudarjenja
Uporaba asociacijskih pravil pri analizi nakupovalne košarice, spletnih klikovnih tokov in medicinskih sočasnih pojavov. Domenski kontekst določa, katera pravila prinašajo poslovno vrednost.
Uč lekcija 5 • Generiranje in rezanje pravil
Zajema izločanje pravil iz pogostih množic postavk in naknadno rezanje s pragovi dviga in prepričljivosti. Rezanje zmanjša nabor pravil na uporabne, neredundantne vzorce.

Poglavje 8Poglej podrobnosti

Napredne teme in uvajanje

Uč lekcija 1 • Spremljanje in vzdrževanje modelov
Uči zaznavanje premika, prožilce za ponovno učenje in dashboarde uspešnosti za uvedene modele. Stalno spremljanje preprečuje tiho degradacijo modela v produkciji.
Uč lekcija 2 • Ansambelske in meta-učne metode
Zajema spodbujanje, zlaganje in mešanje za združevanje šibkih učencev v močne napovedovalce. Meta-učne strategije maksimizirajo natančnost na konkurenčnih merilih.
Uč lekcija 3 • Uvajanje in strežba modelov
Zajema serializacijo, strežbo API REST, paketno točkovanje in vsebniško namestitev za produkcijske modele. Uvajanje premosti vrzel med eksperimentalnimi zvezki in živimi sistemi.
Uč lekcija 4 • Zaznavanje anomalij in osamelcev
Uporaba statističnih, bližinskih in izolacijskih metod za odkrivanje redkih dogodkov. Zaznavanje anomalij je temelj za odkrivanje goljufij, spremljanje napak in varnost.
Uč lekcija 5 • Skalabilno rudarjenje na velikih podatkih
Predstavlja ogrodja za porazdeljeno računanje in rudarjenje znotraj podatkovne zbirke za obsežne množice podatkov. Tehnike skalabilnosti zagotavljajo, da algoritmi ostanejo praktični, ko količina podatkov raste.

Certifikacija

Vaš veljaven certifikat o zaključku

Ta tečaj je namenjen vam:

Poslovni analitiki, ki ste pripravljeni iti dlje od preglednic k napovednemu modeliranju.
Študenti računalništva, ki premoščate akademsko teorijo z uporabno strojno učenje.
Marketinški strokovnjaki, ki želite izluščiti vpogled v stranke iz transakcijskih podatkov.
Razvijalci programske opreme, ki širite svoj nabor veščin v podatkovno voden razvoj aplikacij.
Karierni prehajalci, ki prehajate iz nepovezanih področij na delovna mesta podatkovne analitike.
Vodje operacij, ki iščete uporabo podatkovnih vzorcev za pametnejše poslovne odločitve.

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...