课程名称: 过程挖掘：数据科学实战 Process Mining：Data science in Action

课程主页: https://www.coursera.org/learn/process-mining

所在平台: Coursera

课程类别: 数据分析Data Analysis

大学或机构: 埃因霍温科技大学

讲师： Wil van der Aalst

授课语言： 英语

提供字幕： 英文

课程文件大小： 3.73GB

课程介绍： 流程挖掘：行动中的数据科学：流程挖掘是基于模型的流程分析和面向数据的分析技术之间缺少的联系。通过具体的数据集和易于使用的软件，本课程提供了数据科学知识，这些知识可直接用于分析和改进各个领域的流程。 数据科学是未来的职业，因为无法以智能方式使用（大）数据的组织将无法生存。仅专注于数据存储和数据分析是不够的。数据科学家还需要将数据与过程分析相关联。流程挖掘弥合了传统的基于模型的流程分析（例如，模拟和其他业务流程管理技术）与以数据为中心的分析技术（例如机器学习和数据挖掘）之间的鸿沟。流程挖掘寻求事件数据（即观察到的行为）和流程模型（手工或自动发现）之间的对抗。该技术仅在最近才可用，但是可以应用于任何类型的操作过程（组织和系统）。示例应用程序包括：分析医院的治疗流程，改善跨国公司的客户服务流程，了解使用预订站点的客户的浏览行为，分析行李处理系统的故障以及改进X射线机的用户界面。所有这些应用程序的共同点是动态行为需要与过程模型相关。因此，我们将其称为“行动中的数据科学”。 该课程介绍了过程挖掘中的关键分析技术。参与者将学习各种过程发现算法。这些可用于从原始事件数据中自动学习过程模型。将介绍使用事件数据的各种其他过程分析技术。此外，该课程还将提供易于使用的软件，现实生活中的数据集和实用技能，以将其理论直接应用于各种应用领域。 本课程首先概述使用事件数据来支持决策和业务流程（重新）设计的方法和技术。然后，本课程着重于流程挖掘，将其作为数据挖掘和业务流程建模之间的桥梁。该课程是入门级的，配有各种实际作业。 该课程涵盖过程挖掘的三种主要类型。 第一类过程挖掘是发现。发现技术无需使用任何先验信息即可获取事件日志并生成过程模型。一个示例是Alpha算法，该算法采用事件日志并生成一个解释该日志中记录的行为的流程模型（Petri网）。 2.过程挖掘的第二种类型是一致性。在此，将现有流程模型与同一流程的事件日志进行比较。一致性检查可用于检查日志中记录的真实性是否符合模型，反之亦然。 3.过程挖掘的第三种类型是增强。这里的想法是使用某些事件日志中记录的有关实际过程的信息来扩展或改进现有过程模型。一致性检查可以度量模型与现实之间的一致性，而第三种类型的过程挖掘旨在更改或扩展先验模型。一个示例是使用性能信息（例如显示瓶颈）扩展流程模型。可以在脱机但也可以在联机环境中使用过程挖掘技术。后者称为运营支持。一个示例是在实际发生偏差时检测不合格。另一个例子是对运行情况的时间预测，即，给定部分执行的情况，基于类似情况的历史信息估计剩余的处理时间。 流程挖掘不仅提供了数据挖掘与业务流程管理之间的桥梁，而且它还有助于解决“业务”和“ IT”之间的经典鸿沟。基于流程挖掘的循证业务流程管理有助于为业务流程改进和信息系统开发创建共同基础。 本课程使用许多使用现实事件日志的示例来说明概念和算法。学习完本课程后，您将能够运行流程挖掘项目，并对业务流程智能领域有深入的了解。 完成本课程后，您应该： -对业务流程智能技术（特别是流程挖掘）有很好的了解， -了解大数据在当今社会中的作用， -能够将流程挖掘技术与其他分析技术（例如仿真，商业智能，数据挖掘，机器学习和验证）相关联， -能够应用基本的流程发现技术从事件日志中学习流程模型（手动和使用工具）， -能够应用基本的一致性检查技术来比较事件日志和过程模型（手动和使用工具）， -能够使用从事件日志中提取的信息来扩展流程模型（例如，显示瓶颈）， -对启动流程挖掘项目所需的数据有很好的了解， -能够根据此类事件数据来描述可以回答的问题， -解释流程挖掘如何也可以用于运营支持（预测和推荐），以及 -能够以结构化方式进行过程采矿项目。

课程压缩包下载地址（度盘链接）：

友情提醒：