
مقدمه:
متخصص علمداده یا دانشمند علمداده براساس آخرین آمارهای رسمی جز سه شغل برتر در چند سال اخیر هست. دانش و مهارتی که علاوه بر جذابیت شغلی دارای حقوق و مزایای بسیار بالاتری به نسبت سایر مشاغل بوده است. دانشمند علمداده متخصصی است که مهارتهای خود را در زمینه آمار و ساختن مدلهای یادگیری ماشین بکار میبرد تا تحلیلها و پیشبینیها را انجام دهد و به سؤالات کلیدی در کسبوکار پاسخ دهد. یک متخصص علمداده همچنین باید درست مانند یک تحلیلگر داده قادر به پاکسازی، تجزیهوتحلیل و تجسم دادهها باشد. بااینحال، یک دانشمند داده، عمق و تخصص بیشتری در این مهارتها دارد و همچنین قادر به آموزش و بهینهسازی مدلهای یادگیری ماشین و دیتا ساینس است. دانشمند علمداده فردی است که میتواند با پرداختن به سؤالات مهم کسب و کار و استفاده از دانش خود در مورد آمار و الگوریتمهای پیشرفته، ارزش زیادی را خلق کند.
اهداف توسعه ابزارهای دیتاساینس در حیطه مدیریت پروژه:
- ایجاد و توسعه مهارتهای حوزههای علمداده، یادگیری ماشین، تحلیلداده در حیطه مدیریت پروژه و سازمانهای پروژه محور
- توانایی بهبود عملکرد و استقرار سیستمهای هوشتجاری در سازمانهای پروژه محور
- توانایی استخراج دانش و بررسی رفتار الگوهای مختلف از دادهها
- توانایی برخورد صحیح با دادهها بهمنظور توصیف و پیشبینی
- توانایی اجرای فرآیند کاوی
- توانایی مدیریت دادههای عظیم
آنچه از یک Data Scientist در حیطه مدیریت پروژه و سازمانهای پروژه محور، انتظار میرود:
- فرصتهای بهبود را در مجموعه داده های بزرگ شناسایی کند
- استخراج و درک نیازهای ذینفعان در مورد آنالیز داده ها
- استراتژیهای داده محور سازمان را ایجاد و پیاده سازی کند
- انتخاب، طراحی و پیاده سازی مدل ها و الگوریتم ها و پیش بینی با استفاده از منابع متنوع داده
- روابط بین داده های مختلف را شناسایی کند
- برای کمک به درک دادهها، از روشهای بصری سازی استفاده کند
- ابزارها، داشبورد ها و گزارشهایی را تهیه کند که به کاربران در دسترسی و تجزیه و تحلیل دادهها کمک میکند
- در مورد ریسکها و مسائل پروژه، استراتژیهای پاسخ مناسب را طراحی کند
- طراحی طرح های ذخیره سازی دادهها
- توسعه ابزارهایی برای پردازش دادهها و بازیابی اطلاعات
- توسعه الگوریتم هایی برای حل مشکلات چالش برانگیز کسب و کار
- اعتبارسنجی عملکرد مدل
- مستند سازی فرایند مدل و عملکرد مدل
سرفصلهای دوره:
- مبانی و مفاهیم علمداده
- تجزیه و تحلیل داده های توصیفی در داخل یک سازمان پروژه محور یا پروژهها
- علمداده و پایتون
- سیستمهای توصیهگر
- Storytelling
- داستانسرایی داده با نرمافزار Tableau
- مدیریت و حاکمیت داده
- بررسی کاربرد Natural Language Processing و متن کاوی در مدیریت منابع انسانی پروژه
- دیتاساینس در مدیریت پورتفولیو
- Data Visualization به همراه مثالهای مرتبط
- مرور کاربردهای هوش تجاری به همراه مثالهای مرتبط
- آنالیز شبکههای اجتماعی
- روشهای دسته بندی
- Power BI فشرده همراه با نحوه کدنویسیDAX
- فرایند کاوی، ابزارها و مثال
متدولوژی اجرایی:
بخش اول: مقدمات، بررسی روشهای شناخت سازمان، تعریف دقیق مساله و شناخت و ذخیرهسازی داده
در این بخش به متدهای شناخت سازمان و نیازهای مرتبط با دیتای سازمان خواهیم پرداخت.
بخش دوم: پیش پردازش داده و مهندسی ویژگی (Feature Engineering)
در این فاز به روشهای آماده سازی داده و روشهای انتخاب و مهندسی ویژگی پرداخته میشود.
بخش سوم: فراگیری مدلها و الگوریتمهای پر استفاده Data Science
در این فاز به بررسی محتوا، مکانیزم کار، اجزا، پارامترها و کاربردهای الگوریتمهای منتخب دیتاساینس در بازارکار خواهیم پرداخت.
بخش چهارم: طراحی و توسعه مدل علم داده و پیادهسازی الگوریتمها
پس از اشنایی دقیق با جزئیات الکوریتمها در فاز قبل به اجرای تک تک آنها در پایتون و یک نرم افزار مدلساز خواهیم پرداخت.
بخش پنجم: Model Assessment & Validation
در این فاز روشهای ارزیابی و صحهگذاری مدلها بررسی میشوند.
بخش ششم: ارائه نتایج
در بخش ششم به روشهای بصری سازی و ارائه نتایج پرداخته میشود.
مطالعات موردی : دیتاستهای مجاز
chat_bubble_outlineنظرات
900,000 تومان

قوانین ثبت دیدگاه