متدها و الگوریتمهای پیشرفته علم داده
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- دانش در مورد متدها، الگوریتمها، تئوری، بهترین شیوهها و تسک های پیشرفته علم داده
- دانش عمیق و عملی در زمینه علم داده پیشرفته و چگونگی مدیریت تسک های علم داده با اطمینان
- مدلهای گروهی پیشرفته مانند مدلهای XGBoost برای پیشبینی و طبقهبندی
- دانش تخصصی، دقیق و عمیق در رگرسیون، تحلیل رگرسیون، پیشبینی، طبقهبندی و یادگیری نظارتشده
- دانش عملی کار با Scikit-learn ،Matplotlib ،Seaborn و برخی دیگر از کتابخانههای پایتون
- دانش پیشرفته در مورد مدلهای پیشبینی و طبقهبندی هوش مصنوعی و ساخت خودکار مدل
- رایانش ابری: استفاده از Anaconda Cloud Notebook (یک Jupyter Notebook مبتنی بر ابر) - یادگیری استفاده از منابع رایانش ابری
- تسلط به زبان برنامهنویسی پایتون 3 برای مدیریت داده
- تسلط به Pandas 2 و 3 برای مدیریت پیشرفته داده
پیشنیازهای دوره
- آشنایی با چهار عمل اصلی ریاضی (+-*/)
- مقداری تجربه در زمینه علم داده، تحلیل داده یا یادگیری ماشین
- تجربه روزمره در استفاده از کامپیوتر با سیستمعاملهای ویندوز، macOS، iOS، اندروید، ChromeOS یا لینوکس توصیه میشود.
- دسترسی به کامپیوتر با اتصال اینترنت
- تجربه برنامهنویسی لازم نیست و هر آنچه نیاز دارید به شما آموزش داده خواهد شد.
- این دوره فقط از نرمافزارهای رایگان استفاده میکند.
- ویدئوهای راهنمای گام به گام برای نصب و راهاندازی در رایانش ابری و ویندوز 10/11 در دوره گنجانده شده است.
توضیحات دوره
به دوره "متدها و الگوریتمهای پیشرفته علم داده با Pandas و Python" خوش آمدید!
علم داده در مقیاسی گسترده و جهانی در حال توسعه و گسترش است. در همه جای جامعه، جنبشی برای پیادهسازی و استفاده از متدها و الگوریتمهای علم داده برای توسعه و بهینهسازی تمام جنبههای زندگی، کسبوکارها، جوامع و دولتهای ما وجود دارد.
این دوره مجموعهای کاربردی از متدها و الگوریتمهای پیشرفته علم داده به علاوه Pandas و Python را به شما آموزش میدهد. این دوره دارای محتوای انحصاری است که به شما نکات جدید بسیاری در مورد متدها و الگوریتمها خواهد آموخت.
این یک دوره ویدئویی جامع چهار در یک است که به شما رگرسیون پیشرفته، پیشبینی، طبقهبندی، یادگیری نظارتشده، پایتون 3، پانداس 2 و 3 و مدیریت پیشرفته داده را آموزش میدهد.
شما رگرسیون پیشرفته، تحلیل رگرسیون، پیشبینی و یادگیری نظارتشده را یاد خواهید گرفت. این دوره به شما یاد میدهد که از شبکههای عصبی پیشخورپیشرفته و مدلهای گروهی رگرسیون درخت تصمیم مانند مدل رگرسیون XGBoost استفاده کنید.
شما طبقهبندی پیشرفته و یادگیری نظارتشده را یاد خواهید گرفت. شما یاد میگیرید که از شبکههای عصبی پیشخور پیشرفته و مدلهای گروهی طبقهبندیکننده درخت تصمیم مانند مدل طبقهبندیکننده XGBoost استفاده کنید.
شما یاد میگیرید که به زبان برنامهنویسی پایتون 3، که یکی از محبوبترین و کاربردیترین زبانهای برنامهنویسی در جهان است، مسلط شوید و از آن برای مدیریت داده استفاده کنید.
شما یاد میگیرید که به کتابخانه Pandas 2 و نسخه آینده آن یعنی 3 مسلط شوید و از تکنیکهای قدرتمند مدیریت داده در Pandas برای تسگ های پیشرفته استفاده کنید. کتابخانه Pandas یک ابزار متنباز، سریع، قدرتمند، انعطافپذیر و با کاربری آسان برای تحلیل و دستکاری داده است که مستقیماً با زبان برنامهنویسی پایتون قابل استفاده است و ترکیب این دو، قدرتمندترین محیط کدنویسی جهان را برای مدیریت پیشرفته داده ایجاد میکند.
شما یاد خواهید گرفت
- آپشن: استفاده از Anaconda Distribution (برای ویندوز، مک، لینوکس)
- آپشن: استفاده از مبانی محیط پایتون با سیستم مدیریت پکیج Conda و نصب و بروزرسانی کتابخانهها و پکیجها از طریق خط فرمان – نکات طلایی برای بهبود کیفیت زندگی کاری شما
- تسلط به زبان برنامهنویسی پایتون 3 برای مدیریت داده
- تسلط به Pandas 2 و 3 برای مدیریت پیشرفته داده
- و خیلی بیشتر…
این دوره شامل موارد زیر است:
- یک بسته آموزشی جامع و قابل فهم برای تسلط به پایتون و Pandas برای مدیریت داده، که هر کسی را قادر میسازد بدون توجه به دانش قبلی در زمینه برنامهنویسی، نرمافزارهای جدولی یا پایتون، محتوای دوره را بیاموزد.
- یک راهنمای ساده برای استفاده از Anaconda Cloud Notebook (Jupyter Notebook مبتنی بر ابر) - شما میتوانید در این دوره استفاده از منابع رایانش ابری را بیاموزید.
- یک راهنمای اختیاری و ساده برای دانلود، نصب و راهاندازی Anaconda Distribution، که هر کسی را قادر میسازد یک محیط علم داده پایتون را نصب کند که برای این دوره یا هر تسک علم داده یا کدنویسی دیگری مفید است.
- مجموعه بزرگی از محتوای منحصربهفرد، و این دوره چیزهای جدیدی را به شما آموزش میدهد که فقط از این دوره در Udemy میتوانید یاد بگیرید.
- ساختار فشرده دوره که بر اساس یک چارچوب اثباتشده و حرفهای برای یادگیری ساخته شده است.
این دوره یک راه عالی برای یادگیری رگرسیون پیشرفته، پیشبینی، طبقهبندی، پایتون، Pandas و مدیریت داده است! اینها مهمترین و کاربردیترین ابزارها برای مدلسازی، هوش مصنوعی و پیشبینی هستند. مدیریت داده فرآیند مفید و قابل استفاده کردن داده برای رگرسیون، پیشبینی، طبقهبندی و تحلیل داده است.
بیشتر دانشمندان داده و مهندسان یادگیری ماشین حدود %80 از تلاش و زمان کاری خود را صرف تسک های مربوط به مدیریت داده میکنند. مهارت بالا در پایتون، Pandas و مدیریت داده مهارتهایی بسیار مفید و صرفهجوییکننده در زمان هستند که به عنوان یک عامل افزایشدهنده بهرهوری عمل میکنند.
این دوره برای چه کسانی مناسب است؟
- هر کسی که میخواهد متدها و الگوریتمهای پیشرفته علم داده را بیاموزد.
- هر کسی که میخواهد برنامهنویسی پایتون را بیاموزد و به سطح متوسط دانش برنامهنویسی پایتون که در بسیاری از دورههای Udemy مورد نیاز است، برسد!
- هر کسی که میخواهد به Pandas برای مدیریت داده مسلط شود!
- هر کسی که با علم داده یا یادگیری ماشین آشناست و میخواهد مهارتهای مدیریت داده را بیاموزد که به عنوان یک عامل افزایشدهنده بهرهوری برای مهارتهایی که از قبل دارد، عمل کند!
- هر کسی که میخواهد در سطح دانشگاهی تحصیل کند و به دنبال یادگیری مهارتهای پیشرفته علم داده، یادگیری ماشین و مدیریت داده است که در تمام دوران حرفهای خود از آنها استفاده خواهد کرد!
متدها و الگوریتمهای پیشرفته علم داده
-
مقدمه 24:30
-
نصب Anaconda Cloud Notebook 16:42
-
دانلود و نصب Anaconda Distribution (اختیاری) 20:39
-
سیستم مدیریت پکیج Conda (اختیاری) 42:38
-
بررسی پایتون برای مدیریت داده 28:25
-
عدد صحیح در Python 26:10
-
عدد اعشاری در Python 50:14
-
رشتهها در Python 25:17
-
متدهای رشته در پایتون 37:37
-
رشتهها و آبجکت های تاریخ و زمان در Python 01:06:33
-
بررسی ساختارهای ذخیرهسازی داده بومی Python 03:00
-
مجموعه در Python 28:46
-
تاپل در Python 27:35
-
دیکشنری در Python 30:00
-
لیست در Python 33:57
-
بررسی ترانسفورماتورهای داده و توابع Python 03:06
-
حلقه While در Python 19:20
-
حلقه For در Python 17:02
-
عملگرهای منطقی Python و انشعاب کد شرطی 31:00
-
توابع Python: برخی تئوری - قسمت 1 03:20
-
توابع Python: ایجاد توابع خودتان - قسمت 2 33:53
-
برنامهنویسی شیءگرا در Python: برخی تئوری - قسمت 1 14:10
-
برنامهنویسی شیءگرا در Python: ایجاد آبجکت سفارشی - قسمت 2 39:20
-
برنامهنویسی شیءگرا در Python: فایلها و جداول - قسمت 3 27:17
-
برنامهنویسی شیءگرا در Python: جمعبندی و نکات بیشتر - قسمت 4 58:21
-
تسلط به Pandas برای مدیریت داده: بررسی 11:21
-
تئوری و اصطلاحات Pandas 11:13
-
ایجاد یک DataFrame در Pandas از ابتدا 30:47
-
مدیریت فایل در Pandas: مرور 02:51
-
مدیریت فایل در Pandas: فرمت فایل .csv 18:48
-
مدیریت فایل در Pandas: فرمت فایل .xlsx 23:20
-
مدیریت فایل در Pandas: فایلهای پایگاه داده SQL و DataFrame 15:08
-
عملیات و تکنیکهای Pandas: بررسی 03:11
-
عملیات و تکنیکهای Pandas: بازرسی آبجکت 19:34
-
عملیات و تکنیکهای Pandas: بازرسی DataFrame 18:53
-
عملیات و تکنیکهای Pandas: انتخاب ستونها 21:04
-
عملیات و تکنیکهای Pandas: انتخاب سطرها 21:11
-
عملیات و تکنیکهای Pandas: انتخابهای شرطی 21:27
-
عملیات و تکنیکهای Pandas: مقیاسدهی و استانداردسازی 23:08
-
عملیات و تکنیکهای Pandas: الحاق DataFrames 29:21
-
عملیات و تکنیکهای Pandas: پیوستن به DataFrames 19:30
-
عملیات و تکنیکهای Pandas: ادغام DataFrames 30:48
-
عملیات و تکنیکهای Pandas: توابع Transpose و Pivot 34:31
-
آمادهسازی داده Pandas: بررسی و گردش کار - قسمت 1 05:23
-
آمادهسازی داده Pandas: ویرایش برچسبهای DataFrame - قسمت 2 20:16
-
آمادهسازی داده Pandas: تکراریها - قسمت 3 22:23
-
آمادهسازی داده Pandas: داده گمشده و جایگزینی - قسمت 4 54:35
-
آمادهسازی داده Pandas: طبقهبندی داده [فیلم اضافی] - قسمت 5 46:32
-
آمادهسازی داده Pandas: ویژگیهای شاخص [فیلم اضافی] - قسمت 6 33:01
-
توضیحات داده Pandas: بررسی - قسمت 1 02:35
-
توضیحات داده Pandas: مرتبسازی و رتبهبندی - قسمت 2 26:51
-
توضیحات داده Pandas: آمار توصیفی - قسمت 3 31:40
-
توضیحات داده Pandas: جدولهای متقاطع و گروهبندیها - قسمت 4 30:06
-
مصورسازی داده با Pandas: بررسی - قسمت 5 03:35
-
مصورسازی داده با Pandas: هیستوگرامها - قسمت 6 42:34
-
مصورسازی داده با Pandas: نمودارهای جعبهای - قسمت 7 33:00
-
مصورسازی داده با Pandas: نمودارهای پراکندگی - قسمت 8 40:00
-
مصورسازی داده با Pandas: نمودارهای دایرهای - قسمت 9 45:40
-
مصورسازی داده با Pandas: نمودارهای خطی - قسمت 10 50:24
-
بررسی 03:08
-
شبکههای عصبی مصنوعی، شبکههای پیشخور و پرسپترون چندلایه 20:00
-
پرسپترونهای چندلایه پیشخور برای پیشبینی 28:50
-
مدل رگرسیون درخت تصمیم 01:15:26
-
رگرسیون جنگل تصادفی 01:09:18
-
رگرسیون رایگیری 48:00
-
رگرسیون eXtreme Gradient Boosting (XGBoost) 55:49
-
بررسی 03:20
-
شبکههای عصبی مصنوعی، شبکههای پیشخور و پرسپترون چندلایه 19:10
-
پرسپترونهای چندلایه پیشخور برای طبقهبندی 20:03
-
طبقهبندیکننده درخت تصمیم 01:06:40
-
طبقهبندیکننده جنگل تصادفی 50:05
-
طبقهبندیکننده رأیگیری 46:39
-
طبقهبندیکننده eXtreme Gradient Boosting (XGBoost) 01:12:35
مشخصات آموزش
متدها و الگوریتمهای پیشرفته علم داده
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:همه سطوح
- تعداد درس:73
- مدت زمان :35:32:36
- حجم :13.76GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy