Küme sayısı seçimi

Crystal, Houston, Texas'ta bir yemek teslimat servisinin operasyonlarını yönetiyor. Geçen aydaki yemek taleplerinin enlem ve boylam verilerine sahip. Talebin en yoğun olduğu yerlere birkaç yeni "teslimat merkezi" kurmak istiyor. Bunu yapmak için, siparişleri konumlarına göre gruplara ayırmak üzere bir Machine Learning bilimcisinden bir kümeleme algoritması kullanmasını istemiş.

Machine Learning bilimcisi kaç küme oluşturacağından emin değil. Sağda, farklı küme sayılarıyla algoritmayı çalıştırarak sonuçları gör.

En uygun küme sayısı nedir?

Bu egzersiz, kursun bir parçasıdır

İş Dünyası için Data Science

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

İş Dünyası için Data Science

InicianteNível de habilidade

4.8+

Kursa Ücretsiz Başla

Kursa, data science’ın ne olduğunu tanımlayarak başlayacağız. Data science iş akışını ve data science’ın gerçek dünya iş problemlerine nasıl uygulandığını ele alacağız. Bölümü, veri ekibini kuruluşunun ihtiyaçlarını karşılayacak şekilde nasıl yapılandırabileceğini öğrenerek bitireceğiz.

Exercise 1: Data Science nedir?Exercise 2: Müşteri Segmentasyonu İş Akışı Exercise 3: Müşteri hizmetleri sohbet botu oluşturma Exercise 4: OKR'ları İyileştirme Exercise 5: Veri Biliminin Uygulamaları Exercise 6: Veri bilimi projelerini atama Exercise 7: Yatırım araştırması Exercise 8: Bir veri bilimi ekibi oluşturma Exercise 9: Bir ekip sprint'ini yorumlama Exercise 10: Bir iş ilanını düzenleme Exercise 11: Yetenekleri işlerle eşleştirme Exercise 12: Veri görevlerini sınıflandırma

Artık data science iş akışını anladığımıza göre, ilk adıma daha derin dalacağız: veri toplama. Şirketinin yararlanabileceği farklı veri kaynaklarını ve toplandıktan sonra bu verinin nasıl depolanacağını öğreneceğiz.

Exercise 1: Veri kaynakları ve riskler Exercise 2: Güvenlik için verileri sınıflandırma Exercise 3: Web veri olayları oluşturma Exercise 4: KKB'yi koruma Exercise 5: Talep edilen veriler Exercise 6: Soru amacını belirleme Exercise 7: Odak grubu geri bildirimini doğrulama Exercise 8: Net Promoter Score Exercise 9: Ek veri toplama Exercise 10: Veri kaynaklarını ayırma Exercise 11: Astım sıklığı Exercise 12: Veri depolama ve alma Exercise 13: Bulut platformları Exercise 14: Bir veritabanında sorgu çalıştırma Exercise 15: Hangi tür veritabanı?

Bu bölümde, panolar aracılığıyla veriyi keşfetme ve görselleştirme yollarını tartışacağız. Bir panonun öğelerini ve bir pano için nasıl yönlendirilmiş bir talepte bulunacağını konuşacağız. Bu bölüm ayrıca karar almayı riske atmadan güçlendiren güçlü bir analitik araç olan anlık veri taleplerini ve A/B testlerini de kapsayacak.

Exercise 1: Gösterge Panoları Exercise 2: Gösterge paneli öğelerini sınıflandırma Exercise 3: Bir panoyu iyileştirme Exercise 4: Doğru gösterge panelini seçmek Exercise 5: Ad hoc analiz Exercise 6: Ad hoc talep formunu doldurma Exercise 7: Talepleri sınıflandırma Exercise 8: A/B Testi Exercise 9: Bir A/B test iş akışı oluşturma Exercise 10: Örneklem büyüklüğü Exercise 11: Ara sonuçlar

Bu son bölümde, data science’ın en popüler konusunu konuşacağız: Machine Learning! Denetimli ve denetimsiz Machine Learning’i ve kümellemeyi ele alacağız. Ardından zaman serisi tahmini, doğal dil işleme, derin öğrenme ve açıklanabilir yapay zeka gibi Machine Learning’de özel konulara geçeceğiz!

Exercise 1: Supervised Machine Learning Exercise 2: Supervised Learning ne zaman kullanılır Exercise 3: Özellikler ve etiketler Exercise 4: Model değerlendirme Exercise 5: Kümeleme Exercise 6: Supervised vs. unsupervised Exercise 7: Küme sayısı seçimi

Geçerli egzersiz

Exercise 8: Machine Learning'de özel konular Exercise 9: Machine Learning görevlerini sınıflandırma Exercise 10: Duygu Analizi Exercise 11: Deep Learning ve Açıklanabilir AI Exercise 12: Doğru çözümü bulma Exercise 13: Deep Learning kullanmalı mıyım?