تحلیل کسب و کار در پایتون: تسلط به بینشهای داده-محور
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- تسلط به مبانی تحلیل کسب و کار: مفاهیم اساسی و تکنیکهای تصمیمگیری داده-محور را درک کنید.
- مهارت در پایتون: در پایتون برای تحلیل داده با کتابخانههای کلیدی مانند Pandas و NumPy مهارت کسب کنید.
- تصمیمگیری آماری: آمار استنباطی را برای پشتیبانی از بینشهای کسب و کار بیاموزید.
- اقتصادسنجی و رگرسیون: به مدلهای اقتصادسنجی و تحلیل رگرسیون برای پیشبینی نتایج مسلط شوید.
- تحلیل سریهای زمانی: مهارتهای پیشبینی را با استفاده از پایتون برای روندهای اقتصادی و کسب و کار کسب کنید.
- بخشبندی مشتریان: رفتار مشتری و بخشهای بازار را برای استراتژیهای هدفمند تحلیل کنید.
- پرورش ذهنیت داده-محور: تفکر انتقادی را برای تفسیر داده و تصمیمگیری توسعه دهید.
- تمرین با داده دنیای واقعی: تکنیکهای تحلیل کسب و کار را روی مجموعه داده مختص هر صنعت اعمال کنید.
- کیفیت علمی بالا: محتوا و متدهایی در سطح کلاسهای تحصیلات تکمیلی دانشگاههای آمریکا را تجربه کنید.
- آمادگی شغلی: خود را برای نقشهای تحلیل کسب و کار با مهارتها و دانش مورد تقاضا مجهز کنید.
پیشنیازهای دوره
- درک برنامهنویسی پایتون در ابتداییترین سطح: شما باید با متغیرها، انواع داده اولیه، حلقهها و توابع راحت باشید.
- اشتیاق برای یادگیری: با اشتیاق برای یادگیری تکنیکهای تحلیلی جدید و اعمال آنها در سناریوهای کسب و کار واقعی به دوره نزدیک شوید.
توضیحات دوره
به دوره «تحلیل کسب و کار در پایتون: تسلط به بینشهای داده-محور» خوش آمدید، جایی که سفری تحولآفرین را برای کشف پیچیدگیهای تحلیل کسب و کار با استفاده از پایتون آغاز میکنید. این دوره به دقت طراحی شده است تا شما را با دانش، مهارتها و تجربه عملی مورد نیاز برای برتری در دنیای به سرعت در حال تحول تحلیل کسب و کار مجهز کند.
آنچه خواهید آموخت:
اصول اساسی تحلیل کسب و کار و کاربرد آنها در سناریوهای دنیای واقعی
- مهارت عملی در پایتون برای جمعآوری، دستکاری، تحلیل و مصورسازی داده
- متدهای آماری پیشرفته برای تحلیل داده عمیق و تصمیمگیری
- تکنیکهایی در پیشبینی، رگرسیون و اقتصادسنجی برای پیشبینی روندهای بازار و عملکرد کسب و کار
- کاربرد عملی مدل Prophet متا، درک کامپوننت ها، تخمین پارامترها و قابلیتهای پیشبینی آن
- اصول مدلهای مارکوف، و بررسی اهمیت آنها در تحلیلهای پیشبینیکننده.
ویژگیهای دوره:
- ویدئوهای آموزشی جامع که دانش نظری را با کاربردهای عملی ترکیب میکنند.
- نوتبوکهای پایتون تعاملی و مجموعه داده دنیای واقعی برای یادگیری عملی در Google Colab
- مطالعات موردی و مثالهایی از صنایع مختلف برای نشان دادن تأثیر تحلیل کسب و کار
- آزمونها و تمرینها برای تقویت یادگیری و اعمال مفاهیم
چه کسانی باید در این دوره شرکت کنند؟
- تحلیلگران داده و متخصصان کسب و کار مشتاق که به دنبال استفاده از داده برای تصمیمگیری استراتژیک هستند.
- متخصصان فناوری اطلاعات و توسعهدهندگان نرمافزار که قصد تغییر مسیر یا پیشرفت در حوزه تحلیل کسب و کار را دارند.
- کارآفرینان و صاحبان کسب و کار که به دنبال درک و اعمال تحلیل داده برای رشد کسب و کار خود هستند.
- هر کسی که به دنبال رویکردی عملی و کاربردی برای یادگیری تحلیل کسب و کار است.
پیشنیازها:
- درک اولیه از برنامهنویسی پایتون
- کنجکاوی و اشتیاق برای ورود به دنیای داده-محور تحلیل کسب و کار
با دوره «تحلیل کسب و کار در پایتون: تسلط به بینشهای داده-محور» این سفر را آغاز کنید و توانایی خود را در تحلیل، پیشبینی و اتخاذ تصمیمات آگاهانه کسب و کار با استفاده از قدرت تحلیل داده متحول سازید.
این دوره برای چه کسانی مناسب است؟
- تحلیلگران داده و تحلیلگران کسب و کار مشتاق: مبتدیان یا کسانی که از رشتههای دیگر به این حوزه وارد میشوند و میخواهند شغلی در تحلیل داده یا تحلیل کسب و کار بسازند.
- متخصصان در کسب و کار و امور مالی: افرادی در حوزههای کسب و کار، مالی، بازاریابی یا رشتههای مرتبط که به دنبال بهبود تصمیمگیری خود با بینشهای داده-محور هستند.
- کارآفرینان و صاحبان کسب و کارهای کوچک: کسانی که به دنبال استفاده از داده برای اتخاذ تصمیمات آگاهانه، درک روندهای بازار و هدایت رشد کسب و کار هستند.
- مدیران کسب و کار در بخشهای تحلیلی: مدیران و سرپرستانی که به دنبال تعمیق قابلیتهای تحلیلی خود برای هدایت تصمیمگیری و استراتژی هستند.
- دانشجویان رشتههای کسب و کار، اقتصاد یا IT: دانشجویان کارشناسی یا کارشناسی ارشد که مایل به بهبود دانش آکادمیک خود با مهارتهای عملی تحلیلی و پایتون هستند.
- متخصصان IT و توسعهدهندگان نرمافزار: کسانی که به دنبال گسترش مهارتهای خود به حوزه تحلیل کسب و کار برای پشتیبانی از پروژههای داده-محور یا انتقال به نقشهای تحلیلی هستند.
- یادگیرندگان کنجکاو: هر کسی که علاقهمند به استفاده از پایتون برای مقابله با چالشهای کسب و کار در دنیای واقعی و آگاهسازی تصمیمات با داده است.
تحلیل کسب و کار در پایتون: تسلط به بینشهای داده-محور
-
جزئیات دوره - بررسی مسیر یادگیری شما 03:55
-
آمادهسازی محیط آزمایشگاه شما: آشنایی با Google Lab 22:51
-
درک قدرت تحلیل کسبوکار 09:58
-
هنر و علم تحلیل کسبوکار 12:02
-
تحلیل کسبوکار و کلانداده 05:10
-
اجرای پروژههای تحلیل کسب و کار - متدولوژی CRISP-DM - بخش 1 24:21
-
اجرای پروژههای تحلیل کسب و کار - متدولوژی CRISP-DM - بخش 2 16:28
-
اجرای پروژههای تحلیل کسب و کار - متدولوژی TDSP مایکروسافت 10:34
-
ابزارهای تحلیل کسبوکار و علم داده 10:10
-
بررسی دانش None
-
آشنایی با آمار 03:05
-
آمار چیست؟ 02:02
-
مجموعه دادهها 03:07
-
انواع دادهها 06:12
-
آمار در مقابل احتمالات 02:08
-
آیا باید در بیتکوین سرمایهگذاری کنید؟ 04:38
-
بررسی دانش None
-
متغیرهای تصادفی 06:12
-
اولین معیار گرایش مرکزی: میانگین 02:51
-
میانگین چقدر خوب است؟ 01:48
-
اولین معیار پراکندگی: انحراف معیار 06:51
-
تمرین عملی - آمار توصیفی - بخش 1 11:25
-
تمرین عملی - آمار توصیفی - بخش 2 21:25
-
نمونه در مقابل جامعه آماری 07:09
-
درجه آزادی 03:37
-
دومین معیار گرایش مرکزی: میانه 10:57
-
تمرین عملی - درآمد متوسط خانوار 24:16
-
مُد، صدکها و نمودار جعبهای 13:03
-
تمرین عملی - تحلیل درآمد متوسط خانوار - بخش 1 08:35
-
تمرین عملی - تحلیل درآمد متوسط خانوار - بخش 2 19:35
-
توزیعهای متغیرهای تصادفی 20:09
-
تمرین عملی - تماسهای خدماتی در واشنگتن دیسی - بخش 1 22:10
-
تمرین عملی - تماسهای خدماتی در واشنگتن دیسی - بخش 2 08:57
-
تمرین عملی - تماسهای خدماتی در واشنگتن دیسی - بخش 3 10:03
-
تمرین عملی - تماسهای خدماتی در واشنگتن دیسی - بخش 4 21:58
-
همبستگی و جداول توافقی 12:10
-
تمرین عملی - تحلیل فشار خون و کلسترول و مقایسه حقوق 14:36
-
ارزیابی دانش None
-
نمونه و داده 06:45
-
جامعه آماری و تکنیکهای نمونهگیری 18:18
-
تمرین عملی - نمونهگیری تصادفی - بخش 1 16:37
-
کار عملی - نمونهگیری طبقهبندی شده - بخش 2 07:54
-
تمرین عملی - نمونهگیری خوشهای - بخش 3 03:02
-
روال تخمین پارامتر 06:37
-
میانگین نمونه به عنوان پارامتر 07:37
-
بوتاسترپینگ و توزیع نمونه میانگینها 09:06
-
تمرین عملی - توزیع نمونه میانگینها - بخش 1 19:23
-
تمرین عملی - توزیع نمونه میانگینها - بخش 2 12:59
-
قضیه حد مرکزی 16:11
-
تمرین عملی - قضیه حد مرکزی - بخش 1 08:58
-
تمرین عملی - قضیه حد مرکزی - بخش 2 02:10
-
تمرین عملی - قضیه حد مرکزی - بخش 3 08:51
-
تخمینهای نقطهای 17:00
-
فواصل اطمینان 18:42
-
تمرین عملی - فواصل اطمینان 38:12
-
ارزیابی دانش None
-
آشنایی با پیشپردازش داده 10:33
-
تمرین عملی - استفاده از مجموعه داده نمونه موجود در کتابخانههای Python 08:53
-
تمرین عملی - استفاده از مجموعه داده نمونه موجود در کتابخانههای Python - بخش 2 01:58
-
تمرین عملی - استفاده از مجموعه داده نمونه موجود در کتابخانههای Python - بخش 3 01:44
-
درک فرمتهای داده 11:08
-
تمرین عملی - آشنایی با فرمتهای جداشده 06:44
-
تمرین عملی - فایلهای جداشده با کاما - بخش 1 08:51
-
تمرین عملی - فایلهای جداشده با کاما - بخش 2 05:19
-
تمرین عملی - سایر فرمتهای جداشده 06:12
-
تمرین عملی - فایلهای بدون سرصفحه 05:40
-
تمرین عملی - نکاتی درباره ایندکسهای Pandas 05:51
-
تمرین عملی - فرمت ARFF 04:09
-
تمرین عملی - فرمت JSON 06:12
-
تمرین عملی - داده مبتنی بر SQL 11:26
-
مستندسازی داده 06:07
-
تسک های پیشپردازش داده 03:21
-
مشکلات مختلف داده 05:03
-
اتوماسیون و جابجایی داده 03:36
-
مهندسی ویژگی 01:57
-
پرداختن به متغیرهای دستهای 04:40
-
پر کردن جای خالی - مدیریت مقادیر گمشده 06:34
-
تمرین عملی - مقادیر گمشده - شناسایی مقادیر گمشده 10:39
-
تمرین عملی - مقادیر گمشده - جایگزینی با میانگین 08:17
-
تمرین عملی - مقادیر گمشده - جایگزینی مقادیر گمشده با انتخاب تصادفی 03:19
-
مقادیر غیرمعمول - هنر تشخیص بصری داده پرت 06:29
-
تمرین عملی - داده پرت، متدهای بصری - بخش 1 08:18
-
تمرین عملی - داده پرت، متدهای بصری - بخش 2 06:09
-
تنظیم مقیاس با نرمالسازی داده 07:03
-
تمرین عملی - نرمالسازی با متد MinMax 06:07
-
تمرین عملی - نرمالسازی با متد Z-Score 00:53
-
تمرین عملی - نرمالسازی با متد اعشاری 01:40
-
مقادیر غیرمعمول - متدهای عددی برای تشخیص داده پرت 07:36
-
تمرین عملی - تشخیص داده پرت با متد Z-Score 06:55
-
تمرین عملی - تشخیص داده پرت با متد IQR 03:29
-
تغییر شکل یک توزیع 04:33
-
تمرین عملی - تبدیل متغیرها، تبدیل لگاریتمی 05:10
-
تمرین عملی - تبدیل متغیرها، آزمون نرمال بودن 03:32
-
تبدیل دستهها به اعداد 06:52
-
تمرین عملی - تبدیل دستهای به عددی با متد رمزگذاری وان-هات 08:31
-
تمرین عملی - تبدیل دستهای به عددی با متد نگاشت 07:39
-
کار عملی - تبدیل عددی به دستهای، گسستهسازی با عرض برابر 04:39
-
کار عملی - تبدیل عددی به دستهای، گسستهسازی با فراوانی برابر 03:42
-
کار عملی - تبدیل عددی به دستهای، متغیر باینری تکی 02:32
-
مقابله با عدم توازن داده 11:02
-
کار عملی - عدم توازن داده، متد نمونهبرداری کاهشی 07:16
-
کار عملی - عدم توازن داده، متد نمونهبرداری افزایشی 01:57
-
بررسی دانش None
-
آشنایی با مدلهای تخمین و رگرسیون 04:36
-
آشنایی با رگرسیون خطی ساده 14:09
-
کار عملی - رگرسیون خطی ساده - آمادهسازی 04:52
-
کار عملی - رگرسیون خطی ساده - تولید مدل 07:05
-
درک مدل خطی - درجه آزادی 09:24
-
درک مدل خطی - خطاها و ضریب تعیین 05:14
-
مدل رگرسیون خطی ساده چقدر خوب است؟ 09:22
-
کار عملی - محاسبه خطاها و ضریب R-Squared 06:31
-
کار عملی - تخمین ضرایب رگرسیون خطی ساده 02:03
-
نگاهی دقیقتر به باقیماندهها 06:50
-
آشنایی با مدل رگرسیون چندگانه 08:56
-
تمرین عملی - ایجاد مدل رگرسیون چندگانه 05:16
-
کار عملی - ضریب R-Squared تعدیلشده 05:23
-
کار عملی - آمار F برای معناداری ضرایب 04:10
-
کار عملی - معیار لگاریتم درستنمایی 04:42
-
مدل رگرسیون چندگانه - معیارهای AIC و BIC 08:45
-
تمرین عملی - محاسبه AIC و BIC 03:00
-
رگرسیون چندگانه - کدام مدل بهتر است؟ 06:13
-
کار عملی - آزمون مفروضات مدل - بخش 1 05:08
-
کار عملی - آزمون مفروضات مدل - بخش 2 04:58
-
بررسی دانش None
-
آشنایی با اقتصادسنجی، سریهای زمانی و استنتاج علّی 09:49
-
آشنایی با تحلیل سریهای زمانی 15:28
-
تحلیل سریهای زمانی برای یک شرکت تولید شیر 04:28
-
تمرین عملی - پیشبینی تولید شیر در آینده 17:57
-
معیارهای کیفیت برای تحلیل سریهای زمانی 09:08
-
تمرین عملی - معیارهای کیفیت برای تحلیل سریهای زمانی 10:08
-
آشنایی با تحلیل سری زمانی قیمت سهام 00:34
-
خودهمبستگی در تحلیل سری زمانی 13:32
-
ایستایی و سریهای زمانی ایستا 11:59
-
تمرین عملی - ایستایی و خودهمبستگی 12:34
-
آشنایی با میانگینهای متحرک - میانگین متحرک ساده (SMA) 16:01
-
تمرین عملی - میانگین متحرک ساده - بخش اول 10:15
-
تمرین عملی - میانگین متحرک ساده - بخش دوم 08:55
-
میانگین متحرک وزنی (WMA) و میانگین متحرک ساده دوگانه (DSMA) 05:47
-
میانگین متحرک نمایی و میانگین متحرک نمایی دوگانه (DEMA) 04:41
-
میانگین متحرک هال 02:46
-
شاخص حرکتی جهتدار (DMI) و واگرایی میانگین متحرک همگرایی 08:12
-
تمرین عملی - فراتر از میانگین متحرک ساده 20:04
-
بررسی دانش None
-
آشنایی با تحلیل استنتاج علّی 10:44
-
دو چارچوب استنتاج علّی : DiD و تحلیل تاثیر علّی گوگل 12:10
-
فرآیند تحلیلی استنتاج علّی 02:39
-
متد تفاوت در تفاوت (DiD) 14:48
-
تمرین عملی - تحلیل DiD - تاثیر یک اطلاعیه بر قیمت سهام 19:27
-
متد تحلیل تاثیر علّی گوگل 11:38
-
تمرین عملی - تحلیل علّی اطلاعیه و قیمت سهام 11:30
-
بررسی دانش None
-
تقسیمبندی مشتری - ارائه بخش 02:01
-
آشنایی با تحلیل بخشبندی 10:59
-
اصل پارتو 05:35
-
فرآیند تحلیل (تازگی، تعداد دفعات خرید، ارزش پولی) (RFM) 09:39
-
فرمولبندیهای RFM 10:33
-
تمرین عملی - شناخت خریداران شما 20:20
-
تفکیکبندی از طریق خوشهبندی - الگوریتم KMeans 07:04
-
تمرین عملی - درک خوشهبندی KMeans 22:43
-
نوعی خوشهبندی KMedoids 01:44
-
تمرین عملی - درک خوشهبندی KMedoids 04:05
-
انتخاب تابع فاصله درست در خوشهبندی داده 06:12
-
انتخاب تعداد خوشهها K 11:03
-
تمرین عملی - متدهای Elbow و Silhouette 11:49
-
تمرین عملی - تقسیمبندی خریداران با تحلیل خوشهبندی 10:12
-
اهمیت شکل در داده شما 06:48
-
کار عملی - KMeans روی داده دایرهای 07:09
-
کار عملی - KMeans روی داده پراکنده با واریانس نابرابر 03:55
-
کار عملی - KMeans روی داده ناهمسانگرد 03:09
-
آشنایی با مدلهای مخلوط گاوسی (GMM) 09:54
-
مدل GMM 14:30
-
تمرین عملی - تقسیمبندی مشتری با GMM - بخش 1 19:18
-
تمرین عملی - تقسیمبندی مشتری با GMM - بخش 2 14:56
-
ارزیابی دانش None
-
آشنایی با پیشبینی 11:41
-
تمرین عملی - پیشبینی با استفاده از استراتژی جمعی یا ضربی 20:29
-
معرفی مدل Meta Prophet 04:25
-
اجزای روند در Meta Prophet 06:14
-
تخمین پارامترها در الگوریتم Meta Prophet: رویکرد بیزی 06:17
-
متد نمونهگیری در تخمین پارامتر: متدهای MCMC و NUTS 04:17
-
آموزش مدلهای یادگیری ماشین 11:49
-
تمرین عملی - پیشبینی قیمت سهام با Meta Prophet 41:13
-
آشنایی با مدلهای مارکوف 13:03
-
زنجیرههای مارکوف 08:18
-
بردار پایدار در زنجیره مارکوف 03:55
-
شبیهسازی موفقیت مدل کسبوکار با استفاده از زنجیره مارکوف 16:46
-
تمرین عملی - شبیهسازی موفقیت کسبوکار StreamX - بخش 1 03:03
-
تمرین عملی - شبیهسازی موفقیت کسبوکار StreamX - بخش 2 09:16
-
تمرین عملی - شبیهسازی موفقیت کسبوکار StreamX - بخش 3 09:19
-
تمرین عملی - شبیهسازی موفقیت کسبوکار StreamX - بخش 4 07:36
-
بررسی دانش None
-
تبریک و سپاس بابت اتمام این دوره 00:52
مشخصات آموزش
تحلیل کسب و کار در پایتون: تسلط به بینشهای داده-محور
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:مقدماتی
- تعداد درس:192
- مدت زمان :27:39:55
- حجم :17.16GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy