علم داده برای مبتدیان - پایتون، Azure ML و Tableau

آنچه یاد خواهید گرفت:

• یادگیری عملی تحلیل و دستکاری داده‌ در پایتون
• درک و اعمال مفاهیم کلیدی آمار
• مصورسازی داده‌ برای استخراج بینش با Matplotlib و Seaborn
• توسعه و ارزیابی مدل‌های یادگیری ماشین با پایتون و Azure Machine Learning Studio
• تجربه کار با رایانش ابری و پردازش زبان طبیعی
• ساخت داشبوردهای تعاملی و مصورسازی بینش‌های داده با Tableau

پیش‌نیازهای دوره

• این دوره هیچ پیش‌نیازی ندارد و برای افراد مبتدی طراحی شده است.
• تنها چیزی که نیاز دارید، یک کامپیوتر، اتصال به اینترنت و اشتیاق به یادگیری است.

توضیحات دوره

"علم داده برای مبتدیان - پایتون و Azure ML با پروژه‌ها" یک دوره عملی است که مهارت‌های ضروری برای کار در حوزه علم داده را به شما معرفی می‌کند. این دوره برای مبتدیان طراحی شده و موضوعاتی مانند برنامه‌نویسی پایتون، تحلیل داده‌، آمار، یادگیری ماشین و رایانش ابری با Azure را پوشش می‌دهد. هر مبحث از طریق مثال‌های عملی، مجموعه‌داده‌ واقعی و راهنمایی گام‌به‌گام آموزش داده می‌شود تا برای هر کسی که می‌خواهد علم داده را شروع کند، قابل دسترس و جذاب باشد.

آنچه یاد خواهید گرفت:

• الزامات برنامه‌نویسی پایتون: با مبانی برنامه‌نویسی پایتون، از جمله متغیرها، انواع داده‌، توابع و ساختارهای کنترلی، آشنا می‌شوید. پایتون یک زبان برنامه‌نویسی بسیار کاربردی در علم داده است و تسلط به این مبانی به شما کمک می‌کند تا با اطمینان داده‌ را تحلیل کرده و مدل‌های یادگیری ماشین بسازید.
• پاک‌سازی و تحلیل داده‌ با Pandas: یاد می‌گیرید که چگونه با استفاده از کتابخانه قدرتمند Pandas، داده‌ را دستکاری و پاک‌سازی کنید. تکنیک‌های مربوط به ایمپورت کردن، بررسی و تبدیل داده‌ را می‌آموزید که به شما امکان می‌دهد داده‌ را به طور موثر تحلیل و برای مدل‌سازی آماده کنید.
• آمار برای علم داده: دانش خود را در مورد مفاهیم کلیدی آماری که در علم داده استفاده می‌شود، تقویت می‌کنید. مباحثی مانند معیارهای گرایش مرکزی (میانگین، میانه، مد)، معیارهای پراکندگی (انحراف معیار، واریانس) و آزمون فرضیه پوشش داده می‌شود. این مفاهیم به شما کمک می‌کنند تا بینش‌های به دست آمده از داده‌ را به درستی درک و تفسیر کنید.
• مصورسازی داده‌: با ساخت مصورسازی‌ها با استفاده از Matplotlib و Seaborn، تجربه عملی به دست می‌آورید. یاد می‌گیرید که نمودارهای خطی، پراکندگی، میله‌ای، نقشه‌های حرارتی و موارد دیگر را بسازید تا بتوانید بینش‌های داده را به وضوح و به طور موثر منتقل کنید.

مصورسازی داده‌ تعاملی با Tableau:

با ابزار پیشرو Tableau، در زمینه هوش تجاری، مهارت پیدا می‌کنید تا داشبوردهای خیره‌کننده و تعاملی بسازید. یاد می‌گیرید که چگونه:

• به منابع داده متصل شوید و آن‌ها را برای مصورسازی آماده کنید.
• نمودارهایی مانند نمودارهای میله‌ای، هیستوگرام و نمودارهای دونات بسازید.
• فیلدهای محاسبه‌شده ایجاد کنید تا داده‌ را مانند نرخ ریزش مشتری، مدت همکاری، گروه‌های سنی و محدوده موجودی بخش‌بندی و تحلیل کنید.
• یک داشبورد ریزش مشتریان بانک بسازید که چندین مصورسازی و فیلتر را برای به دست آوردن بینش‌های قابل اجرا ترکیب می‌کند.
• داشبوردهای Tableau خود را منتشر کرده و با ذینفعان به اشتراک بگذارید.

این بخش مهارت‌های عملی برای تحلیل و مصورسازی تعاملی داده‌ را فراهم می‌کند و شما را برای ارائه موثر بینش‌ها در سناریوهای واقعی آماده می‌سازد.

پروژه‌های عملی و واقعی:

این دوره بر یادگیری عملی تاکید دارد و شامل دو پروژه عمیق است که کارهای واقعی علم داده را شبیه‌سازی می‌کنند:

• تحلیل داده‌ مسکن کالیفرنیا: در این پروژه، با داده مسکن کالیفرنیا کار می‌کنید تا پاک‌سازی داده‌، مهندسی ویژگی‌ها و تحلیل را انجام دهید. یک مدل رگرسیون برای پیش‌بینی قیمت مسکن می‌سازید و عملکرد آن را با معیارهایی مانند R-squared و Mean Squared Error (MSE) ارزیابی می‌کنید. این پروژه تجربه‌ای کامل از چرخه کار با داده‌، از بررسی تا ارزیابی مدل، را فراهم می‌کند.
• مدل تأیید وام در Azure ML: در پروژه دوم، یاد می‌گیرید که چگونه یک مدل یادگیری ماشین را در فضای ابری و با استفاده از Azure Machine Learning بسازید، مستقر کنید و تست کنید. یک مدل طبقه‌بندی برای پیش‌بینی نتایج تأیید وام می‌سازید و به مفاهیمی مانند تقسیم داده‌، دقت و ارزیابی مدل با معیارهایی همچون دقت، بازیابی و F1-score تسلط پیدا می‌کنید. این پروژه شما را با Azure ML، یک ابزار قدرتمند مورد استفاده در صنعت برای یادگیری ماشین مبتنی بر ابر، آشنا می‌کند.
• تحلیل و پیش‌بینی ریزش مشتری: در این پروژه، داده‌ مشتریان را تحلیل می‌کنید تا الگوها و عواملی را که به ریزش مشتری در یک محیط بانکی منجر می‌شود، شناسایی کنید. مجموعه داده را پاک‌سازی و آماده می‌کنید، سپس یک مدل پیش‌بینی برای طبقه‌بندی مشتریانی که احتمال ترک بانک را دارند، می‌سازید. با یادگیری تکنیک‌هایی مانند مهندسی ویژگی‌ها، آموزش مدل و ارزیابی، از معیارهایی مانند صحت، دقت، بازیابی و F1-score برای ارزیابی عملکرد مدل خود استفاده خواهید کرد. این پروژه تجربه عملی در تحلیل داده‌ و یادگیری ماشین را به شما می‌دهد و مهارت‌هایی برای مقابله با چالش‌های واقعی در حفظ مشتری فراهم می‌کند.

داشبورد ریزش مشتریان بانک در Tableau:

• یک داشبورد تعاملی برای مصورسازی داده‌ ریزش مشتری می‌سازید. از نمودارها، فیلترها و فیلدهای محاسبه‌شده برای برجسته کردن بینش‌های کلیدی استفاده می‌کنید تا به کاربران امکان دهید الگوهای ریزش و رفتار مشتریان را درک کنند.

یادگیری ماشین و رایانش ابری:

• تکنیک‌های یادگیری ماشین: این دوره تکنیک‌های اساسی یادگیری ماشین را که در علم داده استفاده می‌شود، پوشش می‌دهد. یاد می‌گیرید که چگونه مدل‌هایی مانند رگرسیون خطی و جنگل‌های تصادفی را بسازید و به کار بگیرید که از پرکاربردترین مدل‌ها در علم داده برای کارهای رگرسیون و طبقه‌بندی هستند. هر مدل به صورت گام‌به‌گام و با مثال‌های عملی توضیح داده می‌شود تا درک شما را تقویت کند.
• رایانش ابری با Azure ML: با دنیای رایانش ابری آشنا می‌شوید و یاد می‌گیرید که چگونه Azure Machine Learning (Azure ML) می‌تواند ساخت، استقرار و مقیاس‌پذیری مدل‌ها را ساده کند. چگونگی راه‌اندازی یک محیط، کار با دارایی‌های داده و اجرای آزمایش‌های یادگیری ماشین در Azure را بررسی می‌کنید. یادگیری Azure ML شما را برای یک شغل علم داده مبتنی بر ابر آماده می‌کند و مهارت‌های مرتبط با گردش های کاری مدرن علم داده را به شما می‌دهد.

ویژگی‌های اضافی:

• استفاده از ChatGPT به عنوان دستیار علم داده: یاد می‌گیرید که چگونه از هوش مصنوعی در مسیر علم داده خود با استفاده از ChatGPT استفاده کنید. تکنیک‌هایی برای بهبود بهره‌وری، نگارش کوئری های داده و ایده‌پردازی با هوش مصنوعی را می‌آموزید که آن را به یک دستیار ارزشمند برای پروژه‌های آینده شما تبدیل می‌کند.
• تست و تمرین: هر بخش شامل آزمون‌ها و تمرین‌های عملی برای تقویت یادگیری شما است. فرصت خواهید داشت که درک خود از مفاهیم پایتون، تحلیل داده‌ و یادگیری ماشین را از طریق سؤالات عملی و چالش‌های کدنویسی واقعی محک بزنید.

در پایان این دوره، پروژه‌های عملی را تکمیل کرده، یک اصول قوی در پایتون به دست آورده و مهارت‌هایی در گردش های کاری علم داده که در دنیای امروز ضروری هستند، کسب خواهید کرد. چه به دنبال شروع یک شغل در علم داده، ارتقاء مهارت‌ها یا بررسی در یک زمینه جدید باشید، این دوره دانش و تجربه عملی مورد نیاز برای شروع را ارائه می‌دهد.

این دوره برای چه کسانی مناسب است؟

• این دوره برای مبتدیانی که در مورد علم داده کنجکاو هستند و می‌خواهند یک آشنایی عملی با این زمینه هیجان‌انگیز داشته باشند، عالی است.
• برای دانشجویان، افرادی که قصد تغییر شغل دارند و متخصصان با پیش‌زمینه‌های غیرفنی که به دنبال ایجاد یک اصول محکم در مهارت‌های علم داده، از جمله برنامه‌نویسی پایتون، تحلیل داده‌، آمار، یادگیری ماشین و رایانش ابری هستند، ایده‌آل است.