علم داده برای کارشناسان و مدیران تولید، کیفیت و نگهداری تعمیرات

سرفصلها:

1- مقدمات، بررسی روشهای شناخت سازمان، تعریف دقیق مساله و شناخت و ذخیره‌سازی داده

• تاریخچه
• 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 مدیریت تولید، کیفیت و نگهداری تعمیرات

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 تولید، کیفیت و نگهداری تعمیرات 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