دوره آنلاین کاربردی «تُندآموز داده کاوی با رپیدماینر» (RapidMiner)

اگر شما مدیر یک فروشگاه زنجیره‌ای بزرگ، رئیس یک بانک، مدیر یک شرکت بیمه‌ای، رئیس یک موسسه اعتباری و مالی، صاحب یک بیمارستان یا کلینیک، صاحب مجموعه رستوران‌های زنجیره‌ای، صاحب یک هتل بزرگ و …. باشید، مطمئناً شما باید داده‌های زیادی را از مشتریان خود در دسترس داشته باشید. اما…

• آیا از این داده‌ها برای بهبود وضعیت کسب و کار خود استفاده می کنید؟
• آیا مشتریان بالقوه خود را می‌شناسید؟ آیا نیاز مشتریان خود را می‌دانید و این که چرا شما را انتخاب کرده‌اند؟
• آیا مشتریان ایده‌آل و ارزشمند خود را می‌شناسید؟ آن‌ها چه ویژگی‌هایی دارند؟
• آیا می‌توانید ارزش گروه‌های مختلف مشتریان را تعیین کنید یا به همه مشتریان به یک‌چشم نگاه می‌کنید؟
• وقت و منابع کسب‌وکارتان را بیشتر صرف کدام دسته از مشتریان خود می‌کنید؟
• آیا مشتریان ایده‌آل و ارزشمند شما، در آینده هم مشتریان شما خواهند بود؟
• آیا اگر محصول جدیدی را به آن‌ها پیشنهاد دهید، پیشنهاد شما را می‌پذیرند؟
• آیا خرید خود را تکرار می‌کنند؟
• آیا پیش از ریزش مشتری می‌توانید این موضوع را پیش‌بینی کنید که کدام مشتری را در آینده از دست خواهید داد؟
• آیا می‌توانید تشخیص دهید که بهتر است کدام مشتری را در کمپین‌های بازاریابی شرکت دهید؟
• آیا می‌توانید تشخیص دهید که مشتری کدام گروه محصولات را باهم خریداری می‌کند؟
• آیا می‌توانید پیشنهادهای سفارشی به مشتریان خود ارائه کنید؟
• آیا آیا الگوهای رفتاری مشتریان خود را می‌شناسید و می‌توانید رفتار آینده مشتریان خود را پیش بینی کنید؟

دوره آنلاین کاربردی «تُندآموز داده‌کاوی با رپیدماینر»

مدرس:  شقایق ابوالمکارم

نوع تحویل: کلاس آنلاین

مدت زمان: ۲۰ ساعت

تاریخ آغاز دوره: ۱۶ آبان ۱۴۰۲

(این دوره برای کسب  و کارها و شرکت ها به صورت اختصاصی قابل اجرا است)

آشنایی با فرآیند کریسپ

شما را با مراحل مختلف فرآیند کریسپ آشنا خواهیم کرد. در این دوره بر طبق این فرآیند پیش خواهیم رفت.

آشنایی با محیط نرم افزار و ورود داده ها به نرم افزار

بخش های مختلف نرم افزار را به شما معرفی خواهیم کرد. درحوزه داده‌کاوی، توانایی تشخیص نوع داده‌ها بسیار مهم است. نوع داده‌ها اغلب تعیین کننده نوع تحلیلی است که می تواند بر روی آنها اجرا شود. بنابراین در هنگام ورود داده ها به نرم افزار باید به نکاتی همانند تعیین نوع و نقش متغیرها دقت نمایید. در این دوره در مورد انواع مختلف متغیرها و نقش های مختلف متغیرها با شما صحبت خواهیم کرد.

اکتشاف در داده ها و مصورسازی داده ها

در این دوره در مورد رسم نمودارهای مختلف و تحلیل اکتشافی داده ها با شما صحبت خواهیم کرد.

آشنایی با انواع روش های پاکسازی داده ها

در این دوره به حل مشکلاتی هم چون داده های دورافتاده، داده های از دست رفته و رکوردهای تکراری پرداخته می شود. در نرم افزار رپیدماینر اپراتورهای قوی و کاربردی برای پاکسازی وجود دارد. شما را با مهم ترین اپراتورهای مورد نیاز برای پاکسازی داده ها آشنا خواهیم کرد.

آشنایی با انواع روش های پیش پردازش داده ها

یکپارچه­ سازی داده‌ها، تجمیع داده‌ها، انتخاب زیرمجموعه‌ای از ویژگی‌ها، نمونه‌گیری، نرمال‌سازی، گسسته سازی، خلق ویژگی

با مدلسازی نظارت شده (رده بندی و پیش بینی)  آشنا خواهیم شد.

در این دوره نحوه انجام مدلسازی رده بندی و پیش بینی را فرا خواهید گرفت و شما را با مهم ترین الگوریتم های نظارت شده آشنا خواهیم کرد. برخی از الگوریتم های رده بندی و پیش بینی که در این دوره یاد خواهیم گرفت:

• انواع درخت های تصمیم، ID3، CHAID، Random forest، شبکه های عصبی مصنوعی، کا-نزدیک ترین همسایگی، نیوبیز، ماشین‌های بردار پشتیبان
• در بخش مربوط به مدلسازی رده بندی و پیش بینی با نحوه اعتبارسنجی مدل‌ها (k-fold و Split Validation )و همچنین ارزیابی مدل‌ها و محاسبه دقت مدل‌ها آشنا خواهید شد.

با مدلسازی بدون نظارت (خوشه بندی)  آشنا خواهیم شد.

• شما را با مهم ترین الگوریتم های خوشه بندی آشنا خواهیم کرد. برخی از این الگوریتم ها عبارتند از: k-means، k-medoids، X-means
• مثالی در ارتباط با خوشه بندی RFM برای شما ارائه خواهد شد. پیش پردازش های لازم و نحوه خلق ویژگی های Recency، Frequency و Monetary در مجموعه داده مشتریان برای شما تشریح خواهد شد.

با مدل های کشف قوانین انجمنی آشنا خواهیم شد.

در این دوره به استفاده از الگوریتم کشف قوانین انجمنی FP-growth در قالب مثالی کاربردی پرداخته می شود و مدل استخراج قواعد اگر و آنگاه از پایگاه داده مشتری انجام خواهد شد.

Case Study 1: اجرای یک پروژه داده کاوی در Rapidmine

• در این بخش با ایده هایی به منظور استفاده از تکنیک های مختلف انتخاب ویژگی آشنا خواهید شد و یک روش ابتکاری و ترکیبی انتخاب ویژگی پیاده سازی خواهد شد. 

Case Study 2: اجرای یک پروژه داده کاوی در Rapidmine

آشنایی با مدل های دو مرحله ای: ترکیب روش های خوشه بندی و رده بندی. در این بخش یک مدل دو مرحله ای خوشه بندی- رده بندی با استفاده از یک مجموعه داده پیاده سازی خواهد شد. 

Case Study 3: اجرای یک پروژه داده کاوی در Rapidmine

آشنایی با مدل های دو مرحله ای: ترکیب روش های خوشه بندی و استخراج قوانین rule mining. در این بخش یک مدل دو مرحله ای خوشه بندی- استخراج قانون با استفاده از یک مجموعه داده پیاده سازی خواهد شد. 

شقایق ابوالمکارم

• مشاور و مدرس داده کاوی- دانشجوی دکتری مهندسی صنایع

سوابق کاری و تدریس

•  مدرس دوره های داده کاوی با استفاده از نرم افزار RapidMiner به مدت ۶ سال
• مدرس دوره های داده کاوی با استفاده از زبان R- به مدت ۴ سال
• ارائه خدمات مشاوره داده کاوی
• مشاور و مدرس داده کاوی در مرکز دانش مدیریت ارتباط با مشتری (مُدام)

پروژه ها و کارهای تحقیقاتی

•  دسته بندی مشتریان شرکت پخش و توزیع موادغذایی و بررسی عوامل موثر بر هر دسته با استفاده از تکنیکهای داده کاوی
•  مدل ارائه پیشنهاد پوشش بیمه ای بر اساس مشخصات مشتریان با استفاده از ترکیب روش های رده بندی و خوشه بندی
•  مدل پیش بینی خرید پوشش بیمه ای توسط مشتریان با استفاده از روش های رده بندی
•  مدل امتیازدهی رفتاری مشتریان بهمنظور بهبود نتایج کمپینهای بازاریابی با استفاده از تکنیکهای داده کاوی در فروشگاه خرده فروشی
•  مدل پیش بینی ریسک اعتباری مشتریان بانکی با استفاده از ترکیب روش های داده کاوی و سیستم میشیگان فازی
•  پیش بینی تمایل به بازگشت بیماران بر اساس امتیازات رضایتمندی و ویژگی های آن ها با استفاده از روشهای داده کاوی
•  شناسایی گروه های محتلف مشتریان بانکی با استفاده از تکنیک های دادهکاوی و مدل LRFM
•  مدل پیش بینی مدت زمان مورد نیاز برای فروش واحدهای مسکونی با استفاده از روش های انتخاب ویژگی دادهکاوی و رگرسیون
• استخراج قوانین اگر و آنگاه به منظور پیش بینی زمان انتظار فروش واحد های مسکونی با استفاده از الگوریتمهای کشف قوانین انجمنی

کتابها

•  گنج پنهان- چگونه شرکت ها به کمک داده کاوی اطلاعات مشتریان، فروش خود را افزایش می دهند؟ نویسندگان: دکتر فرشید عبدی- شقایق ابوالمکارم، انتشارات چالش، ۱۳۹۸
•  تُندآموز RapidMiner- کتاب راهنمای دادهکاوی و تحلیل اطلاعات مشتریان، نویسندگان: دکتر فرشید عبدی- شقایق ابوالمکارم، موسسه فرهنگی داده های طلایی خلیج فارس ایرانیان، ‏‫۱۳۹۸.

مقالات

• رویکرد جدید استفاده از نمودار ایشیکاوا برای تبیین ساختار علیت مدیریت دانش، یادگیری سازمانی و نوآوری- یازدهمین کنفرانس بین المللی مهندسی صنایع- ۱۷ و ۱۸ دی ماه ۱۳۹۳
•  گروه بندی مشتریان شرکت بیمه ای با استفاده از تکنیک های داده کاوی- دوازدهمین کنفرانس بین المللی مهندسی صنایع- ۵ و ۶ بهمن ۱۳۹۴
•  مدل امتیازدهی رفتاری مشتریان به‌منظور بهبود نتایج کمپین‌های بازاریابی با استفاده از تکنیک‌های داده‌کاوی- شانزدهمین کنفرانس بین المللی مهندسی صنایع- ۲ و ۳ بهمن ۱۳۹۸

    Kaveh Khalili-Damghani, Farshid Abdi, Shaghayegh Abolmakarem, Hybrid soft computing approach based on clustering, rule mining, and decision tree analysis for customer segmentation problem: Real case of customer-centric industries, Applied Soft Computing, 2018

  Farshid Abdi, Kaveh Khalili-Damghani, Shaghayegh Abolmakarem , Solving customer insurance coverage sales plan problem using a multi-stage data mining approach, Kybernetes, 2018

      Kaveh Khalili-Damghani, Farshid Abdi, Shaghayegh Abolmakarem, Solving customer insurance coverage recommendation problem using a two-stage clustering-classification model, International Journal of Management Science and Engineering Management, 2018

    Farshid Abdi, Shaghayegh Abolmakarem, Customer Behavior Mining Framework (CBMF) using clustering and classification techniques, Journal of Industrial Engineering International, 2018

      Shaghayegh Abolmakarem, Farshid Abdi, Kaveh Khalili-Damghani, Insurance customer segmentation using clustering approach, International Journal of Knowledge Engineering and Data Mining, 2016

      Kaveh Khalili-Damghani, Farshid Abdi, Shaghayegh Abolmakarem, Profiling of Customers based on Clustering and Fuzzy Inference System- SUBMITTED

    Kaveh Khalili-Damghani, Farshid Abdi, Shaghayegh Abolmakarem, A Hybrid Genetic Based Machine Learning Approach for Bank Customers Credit Scoring Assessment- SUBMITTE