حالت مطالعه
سرفصلها:
1- مقدمات، بررسی روشهای شناخت سازمان، تعریف دقیق مساله و شناخت و ذخیرهسازی داده
- تاریخچه
- تعاریف و تفاوت یادگیری ماشین (Machine Learning) و علوم داده (Data Science)
- متدولوژی علم داده
- شناخت نیاز سازمان
- شناسایی منابع دادهها در سازمان و شناسایی کاربردهای نوآورانه به منظور آنالیز این دادهها
- تعریف دقیق مساله مورد نظر
- ایجاد شناخت نسبت به ویژگیهای داده
- جمعآوری داده و Data Engineer
- Data Lake، Big Data، Data Ingestion
2- پیش پردازش داده و مهندسی ویژگی (Feature Engineering)
3- مدلها و الگوریتمهای رایج و پر استفاده علم داده در حیطه بازاریابی، فروش و خدمات پس از فروش
الگوریتمهای علم داده باعث میشوند، دیدگاههای فراوانی در جهت بهبود، پیش بینی، و … از دادههای موجود سازمان بدست آوریم. در این فاز به بررسی مهمترین و پرکاربردترین الگوریتمها و ابزارهای علم داده، در حیطه بازاریابی، فروش و خدمات پس از فروش میپردازیم.
4- طراحی و توسعه مدل علم داده و پیادهسازی الگوریتمهای فاز قبل در نرم افزار Modeler
(Model Deployment & Scaling)
5- Model Assessment & Validation
6- ارائه نتایج
- ارائه گرافیکی مناسب از داده و دستاوردهای مدل علم داده
- طراحی و ایجاد گزارشهای مرتبط
- فرایند ارائه نتایج
- مستندسازی
- Excel
- Power BI
برچسب: Big Data Data Ingestion Data Lake Data Science Data Science for marketing Feature Engineering Marketing Modeler علم داده علم داده برای کارشناسان و مدیران بازاریابی علم داده در بازاریابی فروش و خدمات پس از فروش
قوانین ثبت دیدگاه