گواهینامه Certified Data Science Coder and Engineer (CDSCE)
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- زبان برنامهنویسی R و توسعه کدهای R برای راهحلهای علم داده
- مبانی ریاضی مورد نیاز برای علم داده
- الگوریتمهای سطح اول علم داده
- یک چارچوب حل مسئله تحلیل داده و ارزیابی رویکرد راهحل
- ساخت موارد استفاده برای اعتبارسنجی رویکرد و شناسایی اصلاحات مورد نیاز
توضیحات دوره
گواهینامه Certified Data Science for Engineers & Professionals (CDSEP)
توضیحات دوره: آیا شما یک مهندس یا یک متخصص فنی هستید که به دنبال بهبود مهارتهای علم داده خود میگردید؟ دیگر نیازی به جستجو نیست! دوره Certified Data Science for Engineers and Professionals اینجاست تا دانش و ابزارهای لازم برای درخشش در زمینه علم داده را در اختیار شما قرار دهد. این دوره جامع برای پر کردن شکاف بین اصول مهندسی و تحلیل داده طراحی شده است و شما را قادر میسازد تا از بینشهای داده-محور برای تصمیمگیری آگاهانه و حل مسائل استفاده کنید.
در طول این دوره، شما سفری هیجانانگیز را در میان موضوعات کلیدی مختلف در علم داده آغاز خواهید کرد.
در جلسه 1، ما به بررسی فلسفه دوره میپردازیم و شما را با زبان برنامهنویسی قدرتمند R، که یکی از ابزارهای اصلی در جعبه ابزار علم داده است، آشنا میکنیم.
جلسه 2 بر جبر خطی برای علم داده تمرکز دارد. شما دیدگاههای جبری و هندسی بردارها و ماتریسها را کشف خواهید کرد و مفاهیمی مانند حاصلضرب ماتریس و بردار، رتبه، فضای پوچ، حل دستگاه معادلات فرامعین و شبه-معکوس را درک خواهید کرد. علاوه بر این، به تفسیر هندسی بردارها، فاصله، پروجکشن و تجزیه مقدار ویژه خواهید پرداخت.
آمار در جلسه 3 محور اصلی است، جایی که شما در مورد آمار توصیفی، مفهوم احتمال و توزیعهای مختلف یاد خواهید گرفت. شما بینشهایی در مورد میانگین، واریانس، کوواریانس و ماتریس کوواریانس، همراه با درک کاملی از توزیعهای نرمال تکمتغیره و چندمتغیره به دست خواهید آورد. مقدمهای بر آزمون فرض و تخمین بازه اطمینان، شما را به ابزارهای آماری ضروری مجهز خواهد کرد.
جلسه 4 شما را به حوزه بهینهسازی میبرد و تکنیکهایی برای بیشینهسازی یا کمینهسازی توابع هدف را بررسی میکند. شما در مورد الگوریتمهای مختلف بهینهسازی و چگونگی اعمال آنها در سناریوهای دنیای واقعی یاد خواهید گرفت.
در جلسه 5، ما عمیقتر به بررسی بهینهسازی میپردازیم و شما را با گونهشناسی مسائل علم داده آشنا میکنیم. با درک انواع مختلف مسائل، شما یک چارچوب راهحل برای مقابله مؤثر با آنها توسعه خواهید داد.
جلسه 6 به تحلیل رگرسیون اختصاص دارد. شما با رگرسیون خطی ساده شروع کرده و فرضیات مورد استفاده در مدلهای رگرسیون خطی را بررسی خواهید کرد. سپس به رگرسیون خطی چندمتغیره خواهید پرداخت، جایی که ارزیابی مدل، اهمیت متغیرهای مختلف و تکنیکهای انتخاب زیرمجموعه را کشف خواهید کرد.
طبقهبندی در جلسه 7 مورد توجه قرار میگیرد. شما در مورد رگرسیون لجستیک، که یک روش قدرتمند برای تسک های طبقهبندی باینری است، یاد خواهید گرفت. ما به پیچیدگیهای رگرسیون لجستیک خواهیم پرداخت و چگونگی اعمال آن در مسائل دنیای واقعی را درک خواهیم کرد.
جلسه 8 با معرفی طبقهبندی با استفاده از k-Nearest Neighbors (kNN) و خوشهبندی k-means، دوره را به پایان میرساند. شما در این تکنیکهای اساسی یادگیری ماشین مهارت کسب کرده و درک خواهید کرد که چگونه میتوان از آنها برای حل مسائل طبقهبندی استفاده کرد.
در پایان این دوره، شما یک اصول محکم در علم داده برای کاربردهای مهندسی به دست خواهید آورد. با دوره Certified Data Science for Engineers and Professionals، شما به مهارتها و دانش لازم برای بهرهبرداری مؤثر از دادهها، اتخاذ تصمیمات آگاهانه و رساندن مسیر شغلی خود به اوجهای جدید مجهز خواهید شد. همین حالا در این دوره شرکت کنید و سفر خود را برای تبدیل شدن به یک دانشمند داده معتبر آغاز کنید!
این دوره برای چه کسانی مناسب است؟
- مهندسان: این دوره در درجه اول برای مهندسانی طراحی شده است که میخواهند تکنیکهای علم داده را در کار خود ادغام کنند.
- مدیران مهندسی: مدیران مهندسی که میخواهند مفاهیم علم داده را برای راهنمایی تیمهای خود و اتخاذ تصمیمات داده-محور درک و استفاده کنند، میتوانند از این دوره بهرهمند شوند.
- تحلیلگران داده: اگر شما یک تحلیلگر داده هستید که در یک زمینه مهندسی کار میکنید، این دوره میتواند درک عمیقتری از اصول و چالشهای مهندسی به شما ارائه دهد.
- متخصصان فنی: متخصصان با پیشزمینه فنی که علاقهمند به کاوش در زمینه علم داده و کاربردهای آن در مهندسی هستند، میتوانند در این دوره شرکت کنند.
- فارغالتحصیلان و دانشجویان: فارغالتحصیلان اخیر مهندسی یا دانشجویانی که میخواهند یک مزیت رقابتی در بازار کار ایجاد کنند، میتوانند این دوره را ارزشمند بیابند.
گواهینامه Certified Data Science Coder and Engineer (CDSCE)
-
فلسفه دوره و معرفی زبان R 10:15
-
معرفی زبان R 10:57
-
ادامه معرفی زبان R 08:53
-
متغیرها و انواع داده در R 15:15
-
فریمهای داده 15:49
-
تغییر ساختار و الحاق دیتافریمها 20:32
-
عملیات حسابی، منطقی و ماتریسی در R 49:18
-
برنامهنویسی پیشرفته در توابع R 08:05
-
برنامهنویسی پیشرفته در R: توابع (ادامه) 11:56
-
ساختارهای کنترلی 12:17
-
مصورسازی داده در R: گرافیکهای اولیه 07:51
-
جبر خطی برای علم داده 28:10
-
حل معادلات خطی 24:13
-
حل معادلات خطی 24:09
-
ادامه حل معادلات خطی 24:12
-
جبر خطی - فاصله، ابرصفحهها و نیمفضاها، مقادیر ویژه، بردارهای ویژه 32:56
-
جبر خطی - فاصله، ابرصفحهها و نیمفضاها، مقادیر ویژه، بردارهای ویژه - بخش دوم 28:12
-
جبر خطی - فاصله، ابرصفحهها و نیمفضاها، مقادیر ویژه، بردارهای ویژه - بخش سوم 33:17
-
جبر خطی - فاصله، ابرصفحهها و نیمفضاها، مقادیر ویژه، بردارهای ویژه - بخش چهارم 23:57
-
مدلسازی آماری 24:40
-
متغیرهای تصادفی و توابع جرم/چگالی احتمال 28:01
-
متغیرهای تصادفی و توابع جرم/چگالی احتمال 33:33
-
آزمون فرض 37:01
-
بهینهسازی برای علم داده 39:23
-
بهینهسازی چندمتغیره بدون قید 29:33
-
بهینهسازی چندمتغیره بدون قید (ادامه) 18:10
-
الگوریتم گرادیان کاهشی یا قاعده یادگیری 23:36
-
بهینهسازی چندمتغیره با قیود تساوی 30:30
-
بهینهسازی چندمتغیره با قیود نامساوی 44:33
-
مقدمهای بر علم داده 41:36
-
حل مسائل تحلیل داده - یک فرآیند فکری هدایتشده 34:21
-
ماژول مدلسازی پیشبینانه 23:21
-
رگرسیون خطی 40:38
-
ارزیابی مدل 35:17
-
ابزارهای تشخیصی برای بهبود برازش مدل خطی 28:46
-
ساخت مدل رگرسیون خطی ساده 11:28
-
ارزیابی مدل رگرسیون خطی ساده 08:22
-
ادامه ارزیابی مدل رگرسیون خطی ساده 13:09
-
رگرسیون خطی چندگانه 38:43
-
اعتبارسنجی متقابل 19:00
-
ساخت و انتخاب مدلهای رگرسیون خطی چندمتغیره 37:47
-
دستهبندی 19:00
-
رگرسیون لجستیک 29:01
-
ادامه رگرسیون لجستیک 18:16
-
معیارهای عملکرد 32:30
-
پیادهسازی رگرسیون لجستیک در R 20:32
-
الگوریتم K - نزدیکترین همسایه (kNN) 26:04
-
پیادهسازی kNN در R 28:51
-
خوشهبندی K-means 31:00
-
پیادهسازی k-means در R 20:54
-
جمعبندی: علم داده برای مهندسان 06:00
مشخصات آموزش
گواهینامه Certified Data Science Coder and Engineer (CDSCE)
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:متخصص
- تعداد درس:51
- مدت زمان :21:03:50
- حجم :12.76GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy