دوره
کاربرد RapidMiner در تحلیل داده های کسب و کار بدون نیاز به کدنویسی
امروزه با پیشرفت فناوریهای مرتبط با اطلاعات و ارتباطات، حجم عظیمی از دادهها در حال تولید است. یکی از ضرورتهای موفقیت کسبوکارها امکان بهرهگیری از این دادههاست. دادهکاوی ابزاری است که کسبوکارها و صاحبان دادهها میتوانند با استفاده از آن، از انبوه دادههای در دسترس به اطلاعات کاربردی و مؤثر برسند.
دادهکاوی کاربردهای بسیاری دارد و مدیریت ارتباط با مشتریان از جمله حوزههایی است که استفاده از ابزارهای دادهکاوی، تأثیر بسزایی بر آن خواهد گذاشت. دادهکاوی میتواند از طریق تجزیهوتحلیل دادههای مشتریان به برقراری تعاملات شخصی با هریک از مشتریان و درنتیجه، افزایش رضایت و ایجاد روابط سودآور با مشتری منجر شود.
برای اجرای دادهکاوی، نرمافزارهای مختلفی وجود دارد که نرمافزار RapidMiner از جمله معروفترین ابزارهای دادهکاوی است.
در این دوره بهصورت خلاصه و کاربردی به موضوع داده کاوی با استفاده از نرمافزار RapidMiner پرداخته شده است.
در این دوره با چه مباحثی آشنا خواهند شد؟
- مقدمه ای بر بازاریابی پیش بینانه
- تشریح فرآیند کریسپ
- وارد کردن دادهها به نرم افزار RapidMiner، درک دادهها و مصورسازی دادهها
- تشخیص نقاط دورافتاده، مدیریت داده های ازدسترفته و حذف رکوردهای تکراری
- پیش پردازش هایی از قبیل یکپارچه سازی دادهها، تجمیع دادهها، انتخاب زیرمجموعه ای از ویژگی ها، کاهش ابعاد، نمونهگیری
- نحوه مدلسازی با نظارت (رده بندی/ پیش بینی) در نرمافزار و بهکارگیری الگوریتم های مختلف رده بندی
- نحوه بهکارگیری الگوریتم های خوشه بندی مانند k-means
این دوره برای شما مناسب است اگر:
- ازجمله پژوهشگران و افرادی هستید که با دادهها سروکار دارید و در پی یادگیری روشهای تحلیل دادههای مشتریان هستید.
- ازجمله مدیران، کارشناسان و صاحبان کسبوکارهایی هستید که میخواهید از طریق جمعآوری دادههای مشتریان و تحلیل آن، به فروش بیشتر دستیابید.
- ازجمله دانشجویان و فارغالتحصیلانی هستید که میخواهید با دانش روز دادهکاوی کاربردی آشنا شوید و خود را برای یافتن شغل درزمینهی دانش دادهها آماده سازید.
معرفی دوره
فصل اول- مقدمه
فصل دوم - پاکسازی و پیش پردازش داده ها
- ۱-۲- پاکسازی و پیش پردازش داده ها
- ۲-۲- معرفی مجموعه داده مورد استفاده در فصل دوم
- ۳-۲- تشریح موضوع و انواع متغیرهای موجود در مجموعه داده
- ۴-۲- نحوه بارگذاری داده ها در نرم افزار رپیدماینر
- ۵-۲- توضیح مراحل پاکسازی داده ها
- ۶-۲- تشخیص نقاط دور افتاده با استفاده از روش Distance
- ۷-۲- تشخیص نقاط دور افتاده با استفاده از روش LOF
- ۸-۲- حذف نقاط دور افتاده با استفاده از اپراتور Filter Examples
- ۹-۲- معرفی اپراتورهای مربوط به مدیریت داده های از دست رفته
- ۱۰-۲- مدیریت داده های از دست رفته با استفاده از Replace Missing Values
- ۱۱-۲- مدیریت داده های از دست رفته با استفاده از روش Impute Missing Values
- ۱۲-۲- معرفی اپراتور مربوط به مدیریت داده های تکراری
- ۱۳-۲- استفاده از اپراتور Remove Duplicates
- ۱۴-۲- معرفی برخی روش های پیش پردازش داده ها
- ۱۵-۲- استفاده از روش های فیلتری برای وزن زدهی به متغیرهای مستقل
- ۱۶-۲- معرفی روش کاهش بعد
- ۱۷-۲- اجرای روش PCA در رپیدماینر
- ۱۸-۲- تفسیر نتایج اجرای PCA در رپیدماینر
- ۱۹-۲- معرفی اپراتور مربوط به نمونه گیری
- ۲۰-۲- اجرای نمونه گیری در نرم افزار رپیدماینر
- ۲۱-۲- معرفی اپراتور Aggregation
- ۲۲-۲- نحوه استفاده از اپراتور Aggregation
- ۲۳-۲- تمرین
فصل سوم - شناسایی مشتریان در معرض خطر ریزش
- ۱-۳- آشنایی با روش مدلسازی با نظارت (Supervised Learning)
- ۲-۳- تشریح موضوع و مجموعه داده
- ۳-۳- مصورسازی داده ها
- ۴-۳- آماده سازی داده ها
- ۵-۳- آماده سازی داده ها در نرم افزار رپیدماینر
- ۶-۳- آماده سازی داده ها در نرم افزار رپیدماینر- بخش دوم
- ۷-۳- آماده سازی داده ها در نرم افزار رپیدماینر- بخش سوم
- ۸-۳- آماده سازی داده ها در نرم افزار رپیدماینر- بخش چهارم
- ۹-۳- مراحل مدلسازی با نظارت
- ۱۰-۳- اجرای مدلسازی با نظارت در رپیدماینر- بخش اول
- ۱۱-۳- اجرای مدلسازی با نظارت در رپیدماینر- بخش دوم
فصل چهارم- شناسایی گروه مشتریان طلایی
- ۱-۴- آشنایی با روش مدلسازی با بدون نظارت (Unsupervised Learning)
- ۲-۴- تشریح موضوع و مجموعه داده
- ۳-۴- تشریح انواع متغیرهای موجود در مجموعه داده
- ۴-۴- بارگذاری داده ها در نرم افزار رپیدماینر
- ۵-۴- کار با داده های تاریخ (Date)
- ۶-۴- کار با اپراتور Date to Numerical
- ۷-۴- ساخت متغیرهای RFM با استفاده از اپراتور Aggregate
- ۸-۴- شرح الگوریتم های خوشه بندی و اپراتورهای موجود در رپیدماینر
- ۹-۴- شرح روش تعیین تعداد خوشه بهینه
- ۱۰-۴- اجرای خوشه بندی در نرم افزار رپیدماینر