دوره آموزشی
آموزش های یودمی
دوبله زبان فارسی

100 روز کدنویسی - بوت کمپ پروژه های علم داده دنیای واقعی

100 روز کدنویسی - بوت کمپ پروژه های علم داده دنیای واقعی

✅ سرفصل و جزئیات آموزش

ساخت 100 پروژه در 100 روز را با این دوره بیاموزید. در این دوره با علم داده، یادگیری ماشین، یادگیری عمیق (پایتون، فلسک، جنگو، AWS ،Heruko Cloud) آشنا شوید.

آنچه یاد خواهید گرفت:

  • از بسیاری از مدل های یادگیری ماشینی شهود بسیار خوبی بدست آورید.
  • بدانید کدام مدل یادگیری ماشینی را برای هر نوع مشکل انتخاب کنید.
  • پیاده سازی الگوریتم های یادگیری ماشین
  • الگوریتم‌ های یادگیری ماشینی تحت نظارت را برای پیش‌ بینی کلاس‌ ها ایجاد کنید.
  • گردش کار کامل محصول را برای چرخه عمر یادگیری ماشینی درک کنید.
  • بررسی کنید چگونه مدل‌ های یادگیری ماشینی خود را استقرار کنید.
  • بیاموزید که کدام مدل یادگیری ماشینی را برای هر نوع مشکل انتخاب کنید.
  • مطالعات موردی و پروژه های زندگی واقعی برای درک نحوه انجام کارها در دنیای واقعی
  • آموزش استفاده از NumPy برای داده عددی
  • از Matplotlib برای ایجاد تصاویر کاملا سفارشی شده با پایتون استفاده کنید.
  • مجموعه داده‌ های بزرگ را بررسی کنید و داده‌ را با استفاده از پانداس کاوش کنید.
  • یاد بگیرید که از Seaborn برای نمودارهای آماری استفاده کنید.

توضیحات دوره

در این دوره، مشکلات تجاری را با استفاده از علم داده به صورت عملی حل کنید. ساخت و استقرار یادگیری ماشین، علم داده، هوش مصنوعی، Auto Ml، یادگیری عمیق، پردازش زبان طبیعی (NLP) پروژه های وب اپلیکیشن با پایتون (Flask، جنگو، Heroku ،AWS ،Azure ،GCP ،IBM Watson ،Streamlit Cloud) را بیاموزید.

ما توانسته ایم چنین حجم عظیمی از داده را پردازش کنیم. ما می‌ توانیم با استفاده از این سیستم‌ های محاسباتی پیشرفته، بینش‌ هایی را از این داده‌ تحلیل و استخراج کنیم.

با این حال، با وجود همه این پیشرفت‌ ها، داده‌ اقیانوس وسیعی است که هر ثانیه در حال افزایش است. در حالی که وفور عظیم داده می تواند برای صنایع مفید باشد، مشکل در توانایی استفاده از این داده نهفته است.

نکته: یک برنامه مطالعه 50 روزه یا برنامه مطالعه 100 روزه ایجاد کنید، 1 تا 3 ساعت در روز وقت بگذارید، 100 پروژه در 50 روز یا 100 پروژه در 100 روز بسازید.

این دوره برای چه کسانی مناسب است؟

  • مبتدیان در علم داده

100 روز کدنویسی - بوت کمپ پروژه های علم داده دنیای واقعی

  • مقدمه دوره 02:06
  • مباحث دوره 01:04
  • آشنایی با Pan Card Tempering Detector 01:40
  • بارگذاری کتابخانه ها و مجموعه داده 03:49
  • ایجاد pancard detector با opencv 12:18
  • ایجاد اپلیکیشن فلسک 03:39
  • ایجاد توابع مهم 04:45
  • استقرار اپلیکیشن در Heruko1 05:34
  • تست pan card detector استقرار یافته 01:46
  • آشنایی با اپلیکیشن پیش بینی نژاد سگ 01:52
  • ایمپورت داده و کتابخانه ها 06:05
  • پیش پردازش داده 03:00
  • ساخت و آموزش مدل 06:57
  • تست مدل 02:18
  • ایجاد اپلیکیشن فلسک 06:29
  • اجرای اپلیکیشن در سیستم 04:02
  • مقدمه واترمارک کردن تصویر 02:00
  • ایمپورت کتابخانه ها و لوگو 02:40
  • ایجاد watermark متن و تصویر 08:36
  • ایجاد اپلیکیشن 13:05
  • استقرار اپلیکیشن در heruko 05:18
  • آشنایی با دسته بندی علائم راهنمایی و رانندگی 03:17
  • ایمپورت داده و کتابخانه ها 05:45
  • پردازش تصویر 04:12
  • ایجاد و تست مدل 06:50
  • ایجاد مدل برای مجموعه تست 05:06
  • آشنایی با استخراج متن 02:09
  • ایمپورت کتابخانه ها و داده 03:35
  • استخراج تست از تصویر 04:16
  • اصلاح extractor 07:47
  • ایجاد اپلیکیشن extractor 08:10
  • اجرای اپلیکیشن extractor 02:09
  • آشنایی با اپلیکیشن Streamlit پیش بینی بیماری های گیاهی 03:49
  • ایمپورت کتابخانه ها و داده 03:38
  • آشنایی با داده و پیش پردازش داده 04:56
  • ساخت مدل 07:23
  • ایجاد اپلیکیشن با استفاده از streamlit 11:18
  • مقدمه تشخیص وسیله نقلیه 03:01
  • ایمپورت کتابخانه ها و داده تشخیص وسیله نقلیه 03:00
  • تبدیل تصاویر و ایجاد خروجی تشخیص خودرو 10:43
  • ایجاد اپلیکیشن فلسک برای تشخیص وسیله نقلیه 17:17
  • آشنایی با Face Swap 02:29
  • ایمپورت کردن کتابخانه‌ ها و داده‌ FACE SWAP 04:22
  • پیش پردازش داده و ایجاد خروجی FACE SWAP 13:59
  • ایجاد اپلیکیشن فلسک برای FACE SWAP 14:39
  • آشنایی با پیش بینی گونه های پرندگان 02:31
  • ایمپورت کتابخانه ها و داده 06:04
  • پردازش داده - پیش‌ بینی گونه‌ های پرندگان 03:27
  • ایجاد پیش‌ بینی گونه‌ های پرنده مدل ML 10:06
  • ایجاد اپلیکیشن فلسک 13:17
  • آشنایی با طبقه بندی تصاویر اینتل 02:55
  • ایمپورت و پردازش داده 07:01
  • ایجاد یک مدل 08:44
  • ایجاد اپلیکیشن فلسک 12:17
  • مقدمه 03:36
  • تنظیم سرویس 02:42
  • یکپارچه سازی سرویس 08:22
  • کدنویسی رابط کاربری 14:02
  • استقرار در Heroku 11:52
  • بررسی پروژه 02:24
  • مقدمه 04:29
  • راه اندازی Watson Studio - بخش 1 09:33
  • راه اندازی Watson Studio - بخش 2 07:15
  • استقرار مدل در DeploymentCenter 05:01
  • یکپارچه سازی Watson Service با رابط کاربری 12:00
  • استقرار در Heroku Cloud 13:25
  • بررسی 04:10
  • EDA - بخش 1 04:58
  • EDA - بخش 2 11:53
  • EDA - بخش 3 09:08
  • EDA - بخش 4 11:11
  • EDA - بخش 5 12:48
  • EDA - بخش 6 17:06
  • EDA - بخش 7 14:35
  • ساخت مدل - بخش 1 20:24
  • ساخت مدل - بخش 2 13:56
  • ساخت مدل - بخش 3 15:16
  • ساخت مدل - بخش 4 09:52
  • ساخت مدل - بخش 5 02:10
  • یکپارچه سازی با رابط کاربری 15:23
  • استقرار در Heroku 09:36
  • مقدمه 06:25
  • واکشی داده از واتساپ 02:38
  • ساختار پروژه 07:36
  • پردازش متن - بخش 1 11:08
  • پردازش متن - بخش 2 14:36
  • پردازش متن - بخش 3 05:54
  • پردازش متن - بخش 4 14:11
  • تحلیل متن - بخش 1 12:36
  • ساخت مدل - بخش 1 20:24
  • تحلیل متن - بخش 3 12:36
  • تحلیل متن - بخش 3 12:12
  • تحلیل متن - بخش 5 11:43
  • تحلیل متن - بخش 6 07:56
  • استقرار در Heroku Cloud 10:37
  • مقدمه 03:40
  • کدنویسی سیستم توصیه گر 12:42
  • یکپارچه سازی با سرور فلسک 14:49
  • تحلیل داده اکتشافی 07:38
  • یکپارچه سازی کد پایتون با جاوا اسکریپت 09:27
  • استقرار در Heroku Cloud 07:50
  • مقدمه 04:55
  • EDA - بخش 1 12:30
  • EDA - بخش 2 07:04
  • EDA - بخش 3 12:29
  • EDA - بخش 4 09:30
  • ساخت مدل 14:43
  • کدنویسی رابط کاربری 10:13
  • استقرار در HerokuCloud 14:24
  • مقدمه 03:48
  • EDA - بخش 1 08:55
  • EDA - بخش 2 11:09
  • انتخاب ویژگی - بخش 1 11:25
  • انتخاب ویژگی - بخش 2 05:28
  • ساخت مدل 06:13
  • ارزیابی مدل 05:48
  • کدنویسی رابط کاربری - بخش 1 10:09
  • کدنویسی رابط کاربری - بخش 2 11:08
  • استقرار مدل در آژور - بخش 1 12:43
  • استقرار مدل در آژور - بخش 2 02:47
  • مقدمه 04:33
  • پیش پردازش داده 09:30
  • EDA - بخش 1 10:26
  • EDA - بخش 2 07:56
  • انتخاب ویژگی 13:57
  • ساخت مدل 05:08
  • تنظیم دقیق هایپرپارامتر و تست مدل 14:55
  • کدنویسی رابط کاربری - بخش 1 06:22
  • کدنویسی رابط کاربری - بخش 2 09:21
  • کدنویسی رابط کاربری - بخش 3 12:40
  • استقرار - بخش 1 14:21
  • استقرار - بخش 2 02:00
  • مقدمه 04:54
  • پیش پردازش داده 11:44
  • ساخت مدل 08:31
  • کدنویسی رابط کاربری 13:30
  • یکپارچه سازی فریمورک Jinja 11:52
  • یکپارچه سازی جاوا اسکریپت با فلسک 07:17
  • استقرار در GCP 16:46
  • مقدمه 03:35
  • پردازش متن - بخش 1 10:19
  • پردازش متن - بخش 2 10:29
  • ساخت مدل 10:24
  • تست مدل 06:01
  • یکپارچه سازی مدل با فلسک 11:11
  • نکات مهم درباره AWS 12:13
  • استقرار مدل در نمونه AWS EC2 28:38
  • فیکس کردن خطاها 03:07
  • آشنایی با پروژه 05:00
  • آشنایی با کتابخانه ها و مجموعه داده 11:58
  • پیش پردازش داده 21:12
  • ساخت و آموزش مدل 11:02
  • آشنایی با مدل MLPClassifier 16:06
  • آشنایی با فریمورک جنگو 16:55
  • اجرای اپلیکیشن جنگو 13:39
  • میزبانی در AWS - بخش 1 21:56
  • میزبانی در AWS - بخش 2 12:04
  • میزبانی در AWS - بخش 3 12:47
  • مقدمه 04:03
  • آشنایی با کتابخانه ها و پیش پردازش مجموعه داده 11:43
  • توکن گذاری و برداری سازی متن 17:02
  • ساخت و آموزش مدل 11:57
  • فریمورک جنگو 10:50
  • راه اندازی یک وب سایت و درک جریان 18:04
  • آشنایی با سیستم AWS cloud 19:20
  • راه اندازی سرور و میزبانی وب سایت 20:40
  • مقدمه 05:23
  • آشنایی با کتابخانه ها و مجموعه داده 12:36
  • ساخت و آموزش مدل 13:20
  • آشنایی با فریمورک جنگو 16:01
  • کار با فریمورک جنگو برای ساخت وب سایت 15:29
  • نمونه سازی نمونه با ec2 15:05
  • تنظیم و اجرای سرور 26:36
  • مقدمه 06:54
  • آشنایی با کتابخانه ها و پیش پردازش داده 14:54
  • توسعه مدل TF-IDF 18:47
  • آشنایی با فریمورک جنگو 15:20
  • نهایی سازی وب سایت 14:07
  • راه اندازی ماشین مجازی آژور 21:03
  • تنظیم و اجرای سرور 20:12
  • مقدمه 05:31
  • خلاصه ای از کتابخانه ها و پیش پردازش داده 18:54
  • توسعه مدل NLP 15:43
  • راه اندازی اپلیکیشن جنگو 14:33
  • کار در وب سایت جنگو 13:31
  • ایجاد نمونه ماشین‌ مجازی در آژور 21:30
  • راه اندازی ماشین‌ مجازی برای میزبانی 14:58
  • مقدمه 03:53
  • ایجاد مجموعه داده از طریق Spotify API 15:51
  • آشنایی با کتابخانه ها و پیش پردازش داده 10:46
  • توسعه model_Trim 15:29
  • راه اندازی پروژه جنگو 13:40
  • اجرای اپلیکیشن جنگو 14:07
  • راه اندازی ماشین‌ مجازی - بخش 1 10:04
  • راه اندازی ماشین‌ مجازی - بخش 2 16:46
  • تنظیم کد در ماشین‌ مجازی 18:26
  • مقدمه 04:45
  • آشنایی با کتابخانه ها و مجموعه داده 17:47
  • آشنایی با TF-IDF 12:12
  • توسعه مدل LSTM 11:19
  • پیکربندی پروژه جنگو 16:39
  • اجرای اپلیکیشن جنگو 13:06
  • راه اندازی ماشین‌ مجازی - بخش 1 14:09
  • راه اندازی ماشین‌ مجازی - بخش 2 11:26
  • اجرای ماشین‌ مجازی 14:41
  • مقدمه 04:23
  • ایجاد و پیش پردازش مجموعه داده 19:38
  • ساخت مدل CNN و بیس لاین 11:17
  • راه اندازی اپلیکیشن جنگو 15:47
  • بروزرسانی وب سایت 15:51
  • نمونه سازی ماشین‌ مجازی 16:51
  • تنظیم کد داخل ماشین مجازی 14:44
  • مقدمه 03:14
  • آشنایی با کتابخانه ها و مدل 12:29
  • ساخت و آموزش مدل 12:57
  • راه اندازی پروژه جنگو 16:15
  • اجرای اپلیکیشن جنگو 15:09
  • راه اندازی ماشین‌ مجازی 17:33
  • اجرای کد در ماشین‌ مجازی 17:25
  • مقدمه 05:21
  • آشنایی با کتابخانه ها و مجموعه داده 15:49
  • توسعه مدل 15:32
  • راه اندازی اپلیکیشن جنگو 14:26
  • اجرای اپلیکیشن جنگو 12:45
  • راه اندازی ماشین‌ مجازی 18:59
  • اجرای ماشین‌ مجازی 13:41
  • آشنایی با تحلیل احساسات - رگرسیون لجستیک 02:08
  • پروژه Notebook Google Colab 18:31
  • ساخت اپلیکیشن جنگو 10:55
  • استقرار اپلیکیشن در heroku 12:36
  • مقدمه - جنگو - نرخ خروج کارکنان 02:27
  • ایجاد Colab Notebook 27:31
  • ایجاد اپلیکیشن جنگو 10:59
  • استقرار اپلیکیشن در heroku 09:52
  • مقدمه - کار با مجموعه داده پوکمون 02:34
  • ایجاد Colab Notebook 20:00
  • ایجاد اپلیکیشن جنگو 12:34
  • استقرار اپلیکیشن در heroku 09:02
  • آشنایی با معرفی اپلیکیشن چهره 02:44
  • ایجاد اپلیکیشن تشخیص چهره با استفاده از OpenCV 14:53
  • ایجاد اپلیکیشن تشخیص چهره - opencv - بخش 1 10:15
  • ایجاد اپلیکیشن تشخیص چهره - opencv - بخش 2 13:14
  • آشنایی با طبقه بندی گربه ها در مقابل سگ ها 03:05
  • ایجاد نوت بوک پروژه 25:55
  • ساخت مدل - Collab 08:45
  • ساخت اپلیکیشن فلسک 07:00
  • استقرار اپلیکیشن فلسک 09:54
  • آشنایی با پیش بینی درآمد مشتری 02:55
  • Colab Notebook - پیش بینی درآمد مشتری 22:58
  • ایجاد اپلیکیشن فلسک 14:23
  • استقرار اپلیکیشن فلسک 09:16
  • مقدمه - پیش بینی جنسیت از صدا 02:19
  • ایجاد نوت بوک پروژه 25:22
  • ایجاد پروژه اپلیکیشن جنگو 12:46
  • استقرار اپلیکیشن 08:40
  • مقدمه - سیستم توصیه گر رستوران 04:22
  • ایجاد Colab Notebook 14:05
  • تحلیل داده های اکتشافی 10:38
  • تحلیل داده - بخش 2 31:57
  • آشنایی با رنکینگ شادی 03:27
  • نوت بوک پروژه 28:38
  • ایجاد اپلیکیشن جنگو 17:36
  • استقرار اپلیکیشن جنگو 08:50
  • آشنایی با آتش سوزی جنگل 04:27
  • نوت بوک پروژه 25:53
  • نوت بوک پروژه - بخش 2 08:22
  • ایجاد اپلیکیشن جنگو 15:16
  • استقرار اپلیکیشن جنگو 09:15
  • مقدمه 02:40
  • ساخت مدل یادگیری ماشین - بخش 1 07:20
  • ساخت مدل یادگیری ماشین - بخش 2 11:53
  • ساخت مدل یادگیری ماشین - بخش 3 13:40
  • ایجاد اپلیکیشن جنگو - بخش 1 12:18
  • ایجاد اپلیکیشن جنگو - بخش 2 08:21
  • استقرار در Heroku NW 08:36
  • مقدمه 03:07
  • ساخت مدل مقدماتی یادگیری ماشین 12:27
  • ساخت و انتخاب ویژگی 14:16
  • ساخت مدل 05:40
  • معرفی اپلیکیشن جنگو 07:07
  • ساخت اپلیکیشن جنگو 15:13
  • استقرار در Heroku 06:35
  • مقدمه 02:57
  • ایمپورت کتابخانه ها و درک داده 16:48
  • ساخت مدل 09:57
  • ساخت اپلیکیشن جنگو 15:51
  • استقرار در Heroku 07:59
  • مقدمه 02:47
  • آشنایی با کتابخانه ها و مجموعه داده 14:56
  • پیش پردازش داده 10:01
  • ساخت مدل 07:13
  • اپلیکیشن جنگو 14:57
  • استقرار در Heroku 07:17
  • مقدمه 03:07
  • ایمپورت کتابخانه ها و درک داده 15:21
  • ساخت و آموزش مدل 13:08
  • اپلیکیشن جنگو 14:01
  • استقرار در Heroku 07:21
  • مقدمه 03:28
  • درک داده 13:34
  • داده پرت و مدل 17:15
  • ساخت اپلیکیشن جنگو 15:24
  • استقرار در Heroku 07:55
  • مقدمه 02:34
  • مقدمه و مدیریت داده 17:03
  • ساخت مدل 06:18
  • اپلیکیشن جنگو 13:25
  • استقرار Heroku 06:36
  • مقدمه 03:01
  • درک داده 14:00
  • انتخاب ویژگی و ساخت مدل 09:18
  • اپلیکیشن جنگو 15:25
  • استقرار در Heroku 07:59
  • مقدمه 03:46
  • درک داده 10:17
  • پاک سازی داده 15:05
  • ساخت مدل 10:09
  • پیاده سازی اپلیکیشن جنگو 13:30
  • استقرار در Heroku 07:39
  • مقدمه 05:40
  • پاکسازی داده 12:29
  • ساخت مدل 17:17
  • پیاده سازی وب اپلیکیشن جنگو 16:25
  • اسقرار در Heroku 09:04
  • ایمپورت کردن کتابخانه ها و داده - BlackFridayVideo 04:21
  • آشنایی با داده 03:54
  • مصورسازی داده و پیش پردازش داده 12:04
  • ساخت مدل - بخش 1 05:40
  • ساخت مدل - بخش 2 06:19
  • ایمپورت کتابخانه ها و داده 07:30
  • نرمال سازی متن 07:04
  • بُن واژه سازی (Lemmatization) 04:21
  • پیش پردازش داده 10:43
  • ساخت مدل 10:22
  • ایمپورت کردن کتابخانه ها و داده ی پیش بینی سندرم پارکینسون 04:27
  • درک داده 08:07
  • مصورسازی داده 07:28
  • ساخت مدل - بخش 1 09:08
  • ساخت مدل - بخش 2 11:40
  • ایمپورت کتابخانه ها و داده 03:40
  • پیش پردازش داده 03:36
  • پاکسازی متن 07:07
  • بردارساز 02:11
  • ساخت مدل 13:34
  • ایمپورت کتابخانه ها و داده 07:00
  • آشنایی با داده 04:40
  • مصورسازی و پیش پردازش داده 09:21
  • متوازن سازی ستون هدف 06:48
  • ساخت مدل 10:42
  • ارزیابی مدل 06:27
  • ایمپورت کتابخانه ها و داده 12:35
  • آشنایی با داده 10:54
  • مصورسازی داده 08:01
  • پیش پردازش داده 07:49
  • ساخت مدل 12:49
  • ایمپورت کردن کتابخانه و داده 07:46
  • درک داده 07:40
  • مصورسازی داده 07:46
  • پیش پردازش داده 07:46
  • مهندسی ویژگی 11:16
  • ساخت مدل - بخش 1 11:50
  • ساخت مدل - بخش 2 05:18
  • ایمپورت کردن کتابخانه و داده 06:52
  • پیش پردازش داده کووید-19 09:50
  • تحلیل داده کووید-19 - بخش 1 11:22
  • تحلیل داده کووید-19 - بخش 2 12:36
  • ایمپورت کردن کتابخانه و داده 13:41
  • درک داده مشتری 06:13
  • مصورسازی داده مشتری 16:39
  • ساخت مدل ریزش مشتری 13:18
  • هایپر تیونینگ ریزش مشتری 08:28
  • ایمپورت کردن کتابخانه و داده 04:14
  • درک داده چت بات 06:41
  • مصورسازی داده چت بات 07:12
  • عادی سازی متن چت بات 10:34
  • ایجاد یک اپلیکیشن چت بات 07:59
  • آشنایی با فروش بازی های ویدئویی 03:57
  • colab - بخش 1 26:21
  • colab - بخش 2 05:56
  • اپلیکیشن جنگو - بازی های ویدئویی 18:09
  • استقرار اپلیکیشن در Heruko - بازی های ویدئویی 09:25
  • تحلیل رستوران زوماتو 37:58
  • پیش بینی فروش والمارت 59:13
  • آشنایی با پروژه 06:15
  • ایمپورت کتابخانه ها و مجموعه داده 05:46
  • تحلیل و آماده سازی داده 08:19
  • ساخت مدل یادگیری ماشین 07:03
  • ارزیابی مدل یادگیری ماشین 05:36
  • اجرای تبدیل موجک 11:34
  • ساخت و ارزیابی مدل با داده تبدیل شده 06:56
  • آشنایی با پروژه 07:26
  • ایمپورت کتابخانه ها و مجموعه داده 05:39
  • تحلیل داده 08:24
  • پیش پردازش داده 07:45
  • ساخت مدل های یادگیری ماشین 11:51
  • هایپر تیونینگ مدل ها و نتایج 09:08
  • آشنایی با پروژه 05:27
  • ایمپورت و خواندن فایل صوتی 09:50
  • استخراج ویژگی های Time-Domain - بخش 1 09:58
  • استخراج ویژگی های Time-Domain - بخش 2 07:14
  • تبدیل فوریه و کاربردهای آن 10:40
  • تبدیل فوریه و ویژگی های دامنه فرکانس 06:45
  • آشنایی با پروژه 03:57
  • ایمپورت کتابخانه ها و فایل های صوتی 04:45
  • اجرای تشخیص گفتار 09:17
  • اجرای تحلیل متن 07:53
  • آشنایی با پروژه 04:33
  • ایمپورت کتابخانه ها و فایل های صوتی 05:53
  • استخراج ویژگی های صدا - بخش 1 08:02
  • استخراج ویژگی های صدا - بخش 2 05:19
  • توسعه مدل - بخش 1 04:27
  • توسعه مدل - بخش 2 05:06
  • آشنایی با پروژه 04:16
  • ایمپورت کتابخانه ها 06:00
  • نوشتن تابع Greet 04:38
  • نوشتن تابع فرمان 05:10
  • واگذاری تسک ها به هوش مصنوعی 11:37
  • آشنایی با پروژه 03:58
  • ایمپورت کتابخانه ها و مجموعه داده 03:58
  • تحلیل داده 11:15
  • پیش پردازش داده 07:07
  • اجرای خوشه بندی 08:14
  • آشنایی با پروژه 04:15
  • ایمپورت کتابخانه ها و مجموعه داده 04:26
  • تحلیل پارامتر سن - بخش 1 08:25
  • تحلیل پارامتر سن - بخش 2 06:56
  • تحلیل بازیکنان برتر 06:09
  • یافتن مهارت های برتر و ایجاد تیم خود 05:13
  • آشنایی با پروژه 04:03
  • ایمپورت کتابخانه ها و مجموعه داده 06:20
  • اجرای وب اسکرپینگ 11:23
  • پیش پردازش داده 08:11
  • اجرای تحلیل احساسات 10:06
  • آشنایی با پروژه 04:01
  • ایمپورت کتابخانه ها 03:19
  • تحلیل داده 09:12
  • پیش بینی کیفیت با استفاده از برچسب ها 04:33
  • طبقه بندی نوشیدنی خوب یا بد 04:30
  • آشنایی با پروژه 03:16
  • ایمپورت کتابخانه ها 04:10
  • تحلیل داده 08:40
  • پاکسازی داده و مهندسی ویژگی 06:51
  • اجرای خوشه بندی با استفاده از خوشه بندی K Means 06:19
  • استفاده از الگوریتم های یادگیری نظارت شده 04:51
  • آشنایی با پروژه 04:07
  • ایمپورت کتابخانه ها و مجموعه داده 04:21
  • تحلیل جمعیت در هند 06:18
  • مدارس در هند 04:05
  • تحلیل نرخ باسوادی در هند 06:21
  • پیدا کردن بهترین ایالت از نظر سواد 05:32
  • آشنایی با پروژه 03:06
  • ایمپورت کتابخانه ها و مجموعه داده 02:24
  • تحلیل داده 07:44
  • ساخت مدل - بخش 1 06:15
  • ساخت مدل - بخش 2 04:29
  • ساخت مدل و پیش‌ بینی با استفاده از Auto ML 07:45
  • آشنایی با پروژه 04:41
  • ایمپورت کتابخانه ها و مجموعه داده 03:17
  • تحلیل داده 07:02
  • ساخت مدل با استفاده از یادگیری ماشین 07:42
  • ساخت مدل و پیش بینی با استفاده از PyCaret 10:20
  • آشنایی با پروژه 04:07
  • ایمپورت کتابخانه ها و مجموعه داده 05:24
  • تحلیل داده 05:30
  • مهندسی ویژگی - بخش 1 05:44
  • مهندسی ویژگی - بخش 2 06:42
  • انتخاب ویژگی 03:53
  • ساخت مدل با استفاده از یادگیری ماشین 06:19
  • ساخت و پیش بینی مدل با استفاده از Auto SKLearn 05:48
  • آشنایی با پروژه 05:03
  • ایمپورت کتابخانه ها و مجموعه داده 03:09
  • تحلیل داده و تقسیم داده 07:44
  • پیش پردازش داده 05:56
  • ساخت و پیش بینی مدل با استفاده از مدل LSTM 03:57
  • ساخت و پیش بینی مدل با استفاده از ARIMA و Auto Keras 05:24
  • آشنایی با پروژه 06:06
  • ایمپورت کتابخانه ها و مجموعه داده 04:04
  • تحلیل داده 11:48
  • مهندسی ویژگی 07:32
  • ساخت و پیش بینی مدل با استفاده از ANN 05:43
  • ساخت و پیش‌ بینی مدل با استفاده از H2O Auto ML 11:11
  • آشنایی با پروژه 05:50
  • ایمپورت کتابخانه ها و مجموعه داده 04:05
  • تحلیل داده 09:44
  • مهندسی ویژگی 05:26
  • ساخت مدل با استفاده از یادگیری ماشین - بخش 1 09:34
  • ساخت مدل با استفاده از یادگیری ماشین - بخش 2 05:30
  • ساخت و پیش بینی مدل با استفاده از کتابخانه TPOT 06:22
  • استقرار مدل با استفاده از Flask API 11:15
  • آشنایی با پروژه 03:17
  • ایمپورت کتابخانه ها و مجموعه داده 05:46
  • تحلیل داده و مدیریت مقادیر گمشده - بخش 1 05:54
  • تحلیل داده و مدیریت مقادیر گمشده - بخش 2 06:48
  • مهندسی ویژگی 08:38
  • ساخت مدل با استفاده از الگوریتم های یادگیری ماشین 08:36
  • ساخت مدل و پیش بینی با استفاده از PyCaret 08:10
  • استفاده از FLASK API 06:37
  • استقرار مدل با استفاده از Heroku 05:19
  • آشنایی با پروژه 04:26
  • ایمپورت کتابخانه ها و مجموعه داده 04:56
  • تحلیل داده 10:00
  • مهندسی ویژگی 06:17
  • ساخت مدل با استفاده از مدل های یادگیری ماشین 07:29
  • ساخت مدل و پیش بینی با استفاده از EVAL ML 11:33
  • آشنایی با پروژه 05:02
  • ایمپورت کتابخانه ها و مجموعه داده 05:57
  • تحلیل و پاکسازی داده 07:10
  • پیش پردازش داده 08:43
  • ساخت مدل با استفاده از الگوریتم های یادگیری ماشین 08:50
  • ساخت مدل با استفاده از کتابخانه TPOT Auto ML - بخش 1 05:35
  • ساخت مدل با استفاده از کتابخانه TPOT Auto ML - بخش 2 03:32
  • آشنایی با پروژه 07:00
  • ایمپورت کتابخانه ها و مجموعه داده 04:42
  • تحلیل و پاکسازی داده - بخش 1 10:00
  • تحلیل و پاکسازی داده - بخش 2 06:09
  • پیش پردازش داده 03:46
  • تقسیم داده 03:37
  • ساخت و پیش بینی مدل با استفاده از یادگیری ماشین 05:38
  • ساخت و پیش بینی مدل با استفاده از کتابخانه H2O Auto ML 08:40
  • آشنایی با پروژه 02:47
  • ایمپورت کتابخانه ها و مجموعه داده 03:13
  • تحلیل داده 09:50
  • مهندسی ویژگی 05:42
  • ساخت و پیش بینی مدل با استفاده از یادگیری عمیق 05:47
  • ساخت و پیش بینی مدل با استفاده از Auto Keras 08:22
  • آشنایی با پروژه 03:16
  • ایمپورت کتابخانه ها و مجموعه داده 02:54
  • تحلیل داده و مهندسی ویژگی 06:20
  • پیش پردازش داده - بخش 1 07:43
  • پیش پردازش داده - بخش 2 04:34
  • ساخت و پیش بینی مدل با استفاده از یادگیری ماشین 05:18
  • ساخت و پیش بینی مدل با استفاده از Auto SKLearn 06:46
  • آشنایی با پروژه 04:19
  • ایمپورت کتابخانه ها و مجموعه داده 03:06
  • تحلیل و پیش پردازش داده - بخش 1 08:15
  • تحلیل و پیش پردازش داده - بخش 2 05:24
  • ساخت مدل با استفاده از یادگیری ماشین 04:21
  • ساخت مدل با استفاده از Auto ML 08:21
  • آشنایی با پروژه 02:51
  • ایمپورت کتابخانه ها و مجموعه داده 02:58
  • تحلیل و پیش پردازش داده - بخش 1 09:14
  • تحلیل و پیش پردازش داده - بخش 2 03:51
  • ساخت مدل با استفاده از یادگیری ماشین 04:41
  • ساخت و پیش‌ بینی مدل با استفاده از Eval Auto ML 08:53
  • آشنایی با پروژه 03:04
  • ایمپورت کتابخانه ها و مجموعه داده 03:13
  • تحلیل داده 08:16
  • مهندسی ویژگی 03:19
  • ساخت مدل با استفاده از یادگیری ماشین 04:31
  • ساخت و پیش‌ بینی مدل با استفاده از H2O Auto ML 08:24
  • مقدمه 05:11
  • tkinter 09:57
  • tkinter - بخش 2 08:11
  • مبانی cv 04:10
  • پیاده سازی Frames 04:50
  • پیاده سازی Frames - بخش 2 11:25
  • پیاده سازی Canvas 08:28
  • دوره پروژه منوی فرعی 14:08
  • اتمام فرانت اند 10:57
  • تصویر روی Canvas 11:02
  • اعمال فیلترها 28:29
  • کراپ کردن 17:29
  • ذخیره تصاویر 09:56
  • مقدمه 05:25
  • مبانی tkinter 20:34
  • مبانی sqlite 12:52
  • توسعه فرانت اند 19:52
  • پیاده سازی منطق 21:14
  • ایجاد پایگاه داده 19:32
  • یکپارچه سازی پایگاه داده 25:48
  • مقدمه 08:48
  • مبانی tkinter 20:34
  • مبانی sqlite آنلاین 12:52
  • ویدئو آنلاین فرانت اند 22:01
  • احراز هویت و مدیریت پسورد 43:43
  • مدیریت تراکنش 39:10
  • مدیریت تصویر پروفایل 06:03
  • مقدمه 10:14
  • راه اندازی 20:06
  • ساخت مدل ها 11:05
  • ساخت مدل ها 11:07
  • ادمین و کوئری 08:43
  • رجیستر و لاگین 19:39
  • پیاده سازی پروفایل 16:04
  • پیاده سازی پروفایل 13:44
  • نتایج با matplotlib 11:40
  • گراف تعاملی 06:13
  • پاسخ تکالیف 15:12
  • view تخصیص کارکنان 27:18
  • مقدمه 08:09
  • راه اندازی 20:02
  • پیاده سازی مدل ها 23:37
  • لاگین و رجیستریشن 29:45
  • پروفایل ها 15:54
  • صفحه اصلی اخبار 13:28
  • فیلترینگ اخبار 13:53
  • کد کارآمد 05:33
  • افزودن اخبار 12:55
  • مقدمه 09:06
  • راه اندازی 20:06
  • صفحه اصلی و درخواست های api 34:14
  • لاگین و رجیستریشن 36:16
  • مدیریت یادداشت ها 18:53
  • لیست های todo و تکالیف 13:12
  • صفحه تبدیل 09:15
  • مقدمه 07:00
  • راه اندازی 20:05
  • لاگین و رجیستریشن 42:42
  • پیاده سازی todo 38:26
  • پیاده سازی پروفایل 18:51
  • مقدمه 06:51
  • راه اندازی 20:05
  • لاگین و رجیستریشن 36:16
  • نمودار ER 06:37
  • پیاده سازی گروه ها 50:17
  • فیلترینگ 09:18
  • آشنایی با پروژه Crop Guide 02:12
  • طراحی رابط کاربری گرافیکی (GUI) پایتون با استفاده از Qt Designer 11:23
  • بهبود قابلیت رابط کاربری گرافیکی Qt5 06:27
  • ایجاد و پیاده سازی پایگاه داده 09:49
  • اتصال پایگاه داده با اپلیکیشن PyQt5 05:44
  • بهبود قابلیت رابط کاربری گرافیکی Qt5 و منطق اپلیکیشن 12:52
  • نتیجه گیری و فراخوانی پروژه 06:27
  • آشنایی با پروژه Password Manager 04:06
  • طراحی رابط کاربری گرافیکی (GUI) پایتون با استفاده از Qt Designer 10:57
  • بهبود قابلیت رابط کاربری گرافیکی Qt5 05:06
  • ایجاد و پیاده سازی پایگاه داده 08:11
  • بهبود قابلیت رابط کاربری گرافیکی Qt5 و منطق اپلیکیشن - بخش 1 10:26
  • بهبود قابلیت رابط کاربری گرافیکی Qt5 و منطق اپلیکیشن - بخش 2 10:24
  • بررسی و نتیجه گیری پروژه 12:49

41,738,000 8,347,600 تومان

مشخصات آموزش

100 روز کدنویسی - بوت کمپ پروژه های علم داده دنیای واقعی

  • تاریخ به روز رسانی: 1404/06/14
  • سطح دوره:همه سطوح
  • تعداد درس:630
  • مدت زمان :105:40:11
  • حجم :51.46GB
  • زبان:دوبله زبان فارسی
  • دوره آموزشی:AI Academy

آموزش های مرتبط

The Great Courses
1,889,000 377,800 تومان
  • زمان: 04:47:39
  • تعداد درس: 30
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
9,269,000 1,853,800 تومان
  • زمان: 23:28:00
  • تعداد درس: 170
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
7,379,500 1,475,900 تومان
  • زمان: 18:41:14
  • تعداد درس: 133
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
10,256,500 2,051,300 تومان
  • زمان: 25:58:16
  • تعداد درس: 140
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
490,000 98,000 تومان
  • زمان: 00:21:05
  • تعداد درس: 4
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
3,120,500 624,100 تومان
  • زمان: 07:54:58
  • تعداد درس: 51
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
1,185,000 237,000 تومان
  • زمان: 03:00:50
  • تعداد درس: 57
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
6,129,000 1,225,800 تومان
  • زمان: 15:31:30
  • تعداد درس: 18
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
4,878,000 975,600 تومان
  • زمان: 12:21:18
  • تعداد درس: 97
  • سطح دوره:
  • زبان: دوبله فارسی

آیا سوالی دارید؟

ما به شما کمک خواهیم کرد تا شغل و رشد خود را افزایش دهید.
امروز با ما تماس بگیرید