دوره کامل R 2024: آموزش R برای علم داده و یادگیری ماشین

آنچه یاد خواهید گرفت:

• یادگیری تمام جنبه‌های R از مبانی، تا علم داده، یادگیری ماشین و یادگیری عمیق
• یادگیری مبانی R (انواع داده، ساختارها، متغیرها و موارد دیگر)
• یادگیری برنامه‌نویسی R (نوشتن حلقه‌ها، توابع و موارد دیگر)
• ایمپورت و اکسپورت داده
• دستکاری اولیه داده‌ها (پایپینگ، فیلتر کردن، تجمیع نتایج، تغییر شکل داده‌ها، عملیات مجموعه‌ای، اتصال مجموعه داده‌ها)
• مصورسازی داده (پکیج‌های مختلفی مانند ggplot ،plotly ،leaflet ،dygraphs آموزش داده می‌شود)
• دستکاری پیشرفته داده‌ها (تشخیص outlier، مدیریت داده‌های گمشده، عبارات منظم)
• مدل‌های رگرسیون (ایجاد و اعمال مدل‌های رگرسیون)
• ارزیابی مدل (Underfitting و Overfitting چیست؟ چرا داده‌ها به بخش‌های آموزشی و تست تقسیم می‌شوند؟ تکنیک‌های نمونه‌برداری مجدد (resampling) چیستند؟)
• منظم‌سازی (Regularization چیست؟ چگونه می‌توانید آن را اعمال کنید؟)
• مدل‌های طبقه‌بندی (درک الگوریتم‌های مختلف و یادگیری نحوه اعمال رگرسیون لجستیک، درخت‌های تصمیم گیری، جنگل‌های تصادفی، ماشین‌های بردار پشتیبان)
• قواعد انجمنی (یادگیری مدل apriori)
• خوشه‌بندی (kmeans، خوشه‌بندی سلسله‌مراتبی، DBscan)
• کاهش ابعاد (تحلیل عاملی، تحلیل مؤلفه‌های اصلی)
• یادگیری تقویتی (Upper Confidence Bound)
• یادگیری عمیق (یادگیری عمیق برای رگرسیون چندهدفه، طبقه‌بندی باینری و چندبرچسبی)
• یادگیری عمیق (یادگیری طبقه‌بندی تصویر با شبکه‌های عصبی کانولوشنی)
• یادگیری عمیق (آشنایی با Semantic Segmentation)
• یادگیری عمیق (شبکه‌های عصبی بازگشتی، LSTMها)
• موارد بیشتر در مورد یادگیری عمیق، به عنوان مثال، Autoencoders، مدل‌های از پیش آموزش‌دیده و ...
• R/Shiny برای توسعه و استقرار وب اپلیکیشن

پیش‌نیازهای دوره

• هیچ دانش قبلی لازم نیست - فقط به کسب مهارت‌های جدید علاقه‌مند باشید.

توضیحات دوره

آیا می‌خواهید بتوانید تحلیل‌های داده خود را با R انجام دهید؟ آیا می‌خواهید یاد بگیرید چگونه از داده‌های خود بینش‌های حیاتی برای کسب‌وکار استخراج کنید؟ یا می‌خواهید در این حوزه شگفت‌انگیز شغلی پیدا کنید؟ در همه این موارد، دوره مناسبی را پیدا کرده‌اید!

ما با مبانی R مانند انواع و ساختارهای داده، برنامه‌نویسی حلقه‌ها و توابع، و ایمپورت و اکسپورت داده شروع خواهیم کرد.

سپس به طور عمیق‌تری به تحلیل داده خواهیم پرداخت: یاد خواهیم گرفت چگونه داده‌ها را با فیلتر کردن، تجمیع نتایج، تغییر شکل داده‌ها، عملیات مجموعه‌ای و اتصال مجموعه داده‌ها دستکاری کنیم. تکنیک‌های مختلف مصورسازی را برای نمایش داده‌های پیچیده کشف خواهیم کرد. علاوه بر این، یاد می‌گیریم چگونه داده‌های سری زمانی تعاملی یا داده‌های مکانی تعاملی را نمایش دهیم.

تکنیک‌های پیشرفته دستکاری داده‌ها مانند تشخیص outlier، مدیریت داده‌های گمشده و عبارات منظم پوشش داده می‌شوند.

ما تمام حوزه‌های یادگیری ماشین را پوشش خواهیم داد: تکنیک‌های رگرسیون و طبقه‌بندی، خوشه‌بندی، قواعد انجمنی، یادگیری تقویتی و شاید مهم‌تر از همه، یادگیری عمیق برای رگرسیون، طبقه‌بندی، شبکه‌های عصبی کانولوشنی، Autoencoders، شبکه‌های عصبی بازگشتی، و غیره.

شما همچنین توسعه وب اپلیکیشن و نحوه استقرار آن‌ها با R/Shiny را یاد خواهید گرفت.

برای هر حوزه، الگوریتم‌های مختلفی به تفصیل نشان داده می‌شوند: مفاهیم اصلی آن‌ها در جلسات 101 ارائه می‌شود. در اینجا، شما نحوه کار الگوریتم را درک خواهید کرد. سپس آن را با هم در جلسات آزمایشگاهی پیاده‌سازی می‌کنیم. ما کد را توسعه می‌دهیم، سپس شما را تشویق می‌کنم تا قبل از تماشای مثال‌های حل من، خودتان روی تمرین‌ها کار کنید. با این دانش، می‌توانید به وضوح یک مسئله را شناسایی کرده و یک برنامه برای حل آن تدوین کنید.

شما مزایا و معایب مدل‌های مختلف و زمان استفاده از هر کدام را درک خواهید کرد. علاوه بر این، خواهید دانست که چگونه دانش خود را به دنیای واقعی منتقل کنید.

شما به یک پلتفرم یادگیری تعاملی دسترسی خواهید داشت که به شما کمک می‌کند مفاهیم را بسیار بهتر درک کنید.

در این دوره، کدها هرگز به صورت کپی و پیست ارائه نمی‌شوند. ما هر خط مهم کد را با هم توسعه خواهیم داد و به شما خواهیم گفت که چرا و چگونه آن را پیاده‌سازی می‌کنیم.

این دوره برای چه کسانی مناسب است؟

• مبتدیان R که علاقه‌مند به یادگیری R هستند.
• متخصصان علم داده که می‌خواهند دانش خود را عمیق‌تر کنند.
• توسعه‌دهندگانی که می‌خواهند جنبه‌های مختلف یادگیری ماشین را یاد بگیرند.