دوره آموزشی
آموزش های یودمی
دوبله زبان فارسی

ماراتن علم داده - 120 پروژه برای ساخت پورتفولیوی خود

ماراتن علم داده - 120 پروژه برای ساخت پورتفولیوی خود

✅ سرفصل و جزئیات آموزش

در این دوره 120 پروژه در 120 روز درباره علم داده، یادگیری ماشین و یادگیری عمیق (پایتون، فلسک، جنگو، AWS و Heruko Cloud) می سازید.

آنچه یاد خواهید گرفت

  • مطالعات موردی و پروژه های واقعی برای درک نحوه انجام کارها در دنیای واقعی
  • پیاده سازی الگوریتم های یادگیری ماشین، ارائه پروژه های علم داده تا مدیریت
  • استفاده از SciKit-Learn برای تسک های یادگیری ماشین 
  • بررسی می کنید که چگونه مدل‌ های یادگیری ماشین خود را مستقر کنید.
  • کسب شهود عالی از بسیاری از مدل های یادگیری ماشین
  • می آموزید که کدام مدل یادگیری ماشین را برای هر نوع مشکل انتخاب کنید.
  • یادگیری بهترین شیوه ها درباره گردش کار علم داده
  • یادگیری پیش پردازش داده، پاکسازی داده و تحلیل داده بزرگ 
  • یادگیری استفاده از NumPy برای داده عددی
  • استفاده از Matplotlib برای ایجاد مصورسازی های داده کاملا سفارشی شده با پایتون 
  • بررسی مجموعه داده‌ های بزرگ و آماده‌ سازی داده با استفاده از Pandas
  • یادگیری استفاده از Seaborn برای نمودارهای آماری 

پیش نیازهای دوره

  • دانش اولیه علم داده

توضیحات دوره

علم داده حوزه مطالعاتی است که تخصص دامنه، مهارت های برنامه نویسی و دانش ریاضیات و آمار را برای استخراج بینش های معنادار از داده ترکیب می کند. متخصصان علم داده، الگوریتم‌ های یادگیری ماشین را برای اعداد، متن، تصاویر، ویدئو، صدا و موارد دیگر برای تولید سیستم‌ های هوش مصنوعی (AI) برای انجام تسک هایی که معمولا به هوش انسانی نیاز دارند، اعمال می‌ کنند. به نوبه خود، این سیستم ها بینش هایی را ایجاد می کنند که تحلیلگران و کاربران کسب و کار می توانند آن را به ارزش کسب و کار ملموس تبدیل کنند.

شرکت‌ های بیشتری به اهمیت علم داده، هوش مصنوعی و یادگیری ماشین پی می‌ برند. صرف نظر از صنعت یا اندازه، سازمان‌ هایی که می‌ خواهند در عصر کلان داده رقابتی باقی بمانند، باید به‌ طور مؤثر قابلیت‌ های علم داده را توسعه داده و پیاده‌ سازی کنند یا در خطر عقب ماندن باشند.

این دوره برای چه کسانی مناسب است؟

  • مبتدیان علم داده

ماراتن علم داده - 120 پروژه برای ساخت پورتفولیوی خود

  • آشنایی با دوره 00:42
  • مباحث دوره 01:15
  • آشنایی با Pan Card Tempering Detector 01:47
  • بارگذاری کتابخانه ها و مجموعه داده 04:00
  • ایجاد Pan Card Detector با OpenCV 12:28
  • ایجاد اپلیکیشن فلسک 03:50
  • ایجاد توابع مهم 04:56
  • استقرار اپلیکیشن در Heroku1 05:45
  • تست استقرار Pan Card Detector 01:56
  • مقدمه 01:59
  • ایمپورت کتابخانه ها و داده 06:15
  • پیش پردازش داده 03:10
  • ساخت و آموزش مدل 07:07
  • تست مدل 02:28
  • ایجاد اپلیکیشن فلسک 06:40
  • اجرای اپلیکیشن در سیستم 04:12
  • آشنایی با اپلیکیشن واترمارک کردن تصویر 02:08
  • ایمپورت کتابخانه ها و لوگو 02:51
  • ایجاد واترمارک تصویر و متن 08:46
  • ایجاد اپلیکیشن 13:16
  • استقرار اپلیکیشن در Heroku 05:28
  • آشنایی با طبقه بندی علائم راهنمایی و رانندگی 03:25
  • ایمپورت کتابخانه ها و داده 05:56
  • پردازش تصویر 04:23
  • ایجاد و تست مدل 07:00
  • ایجاد مدل برای مجموعه تست 05:17
  • مقدمه 02:16
  • ایمپورت کتابخانه ها و داده 03:45
  • استخراج تست از تصویر 04:27
  • اصلاح Extractor 07:58
  • ایجاد اپلیکیشن Extractor 08:21
  • اجرای اپلیکیشن Extractor 02:19
  • مقدمه 03:56
  • ایمپورت کتابخانه ها و داده 03:49
  • آشنایی با داده و پیش پردازش داده 05:06
  • ساخت مدل 07:34
  • ایجاد اپلیکیشن با استفاده از StreamLit 11:29
  • مقدمه 03:09
  • ایمپورت کتابخانه ها و داده 03:10
  • تبدیل تصاویر و داده 10:54
  • ایجاد اپلیکیشن فلسک 17:28
  • مقدمه 02:37
  • ایمپورت کتابخانه ها و داده 04:32
  • پیش پردازش داده و ایجاد خروجی 14:09
  • ایجاد اپلیکیشن فلسک برای تعویض چهره 14:49
  • مقدمه 02:35
  • ایمپورت کتابخانه ها و داده 06:14
  • پردازش داده 03:37
  • ایجاد مدل یادگیری ماشین 10:16
  • ایجاد اپلیکیشن فلسک 13:27
  • آشنایی با طبقه بندی تصاویر اینتل 03:02
  • ایمپورت و پردازش داده 07:11
  • ایجاد مدل 08:55
  • ایجاد اپلیکیشن فلسک 12:27
  • مقدمه 03:30
  • تنظیم سرویس 02:52
  • یکپارچه سازی سرویس 08:32
  • کدنویسی رابط کاربری 14:12
  • استقرار در Heroku 12:03
  • بررسی پروژه 02:34
  • آشنایی با پیش بینی بازدیدها در تبلیغات 02:15
  • راه اندازی Watson Studio - بخش 1 09:43
  • راه اندازی Watson Studio - بخش 2 07:25
  • استقرار مدل در مرکز استقرار 05:11
  • یکپارچه سازی Watson Service با رابط کاربری 12:11
  • استقرار در Heroku Cloud 13:36
  • بررسی پیش بینی قیمت لپ تاپ 03:51
  • EDA - بخش 1 05:09
  • EDA - بخش 2 12:04
  • EDA - بخش 3 09:19
  • EDA - بخش 4 11:22
  • EDA - بخش 5 12:59
  • EDA - بخش 6 17:17
  • EDA - بخش 7 14:46
  • ساخت مدل - بخش 1 20:34
  • ساخت مدل - بخش 2 14:07
  • ساخت مدل - بخش 3 15:27
  • ساخت مدل - بخش 4 10:03
  • یکپارچه سازی رابط کاربری 15:34
  • استقرار در Heroku 09:47
  • ساخت مدل - بخش 5 02:10
  • مقدمه 06:00
  • واکشی داده از واتساپ 02:48
  • ساختار پروژه 07:47
  • پردازش متن - بخش 1 11:18
  • پردازش متن - بخش 2 14:47
  • پردازش متن - بخش 3 06:05
  • پردازش متن - بخش 4 14:21
  • تحلیل متن - بخش 1 12:47
  • تحلیل متن - بخش 2 10:43
  • تحلیل متن - بخش 3 12:47
  • تحلیل متن - بخش 4 12:23
  • تحلیل متن - بخش 5 11:54
  • تحلیل متن - بخش 6 08:07
  • استقرار در Heroku 10:48
  • مقدمه 03:30
  • کدنویسی سیستم توصیه گر 12:52
  • یکپارچه سازی با سرور فلسک 14:59
  • تحلیل داده اکتشافی 07:49
  • یکپارچه سازی کد پایتون با جاوا اسکریپت 09:37
  • استقرار در Heroku 08:00
  • آشنایی با اپلیکیشن پیش بینی برنده مسابقه IPL 04:49
  • EDA - بخش 1 12:40
  • EDA - بخش 2 07:15
  • EDA - بخش 3 12:40
  • EDA - بخش 4 09:40
  • ساخت مدل 14:53
  • کدنویسی رابط کاربری 10:24
  • استقرار در Heroku Cloud 14:34
  • آشنایی با اپلیکیشن برآوردگر چربی بدن 03:25
  • EDA - بخش 1 09:05
  • EDA - بخش 2 11:20
  • انتخاب ویژگی - بخش 1 11:35
  • انتخاب ویژگی - بخش 2 05:39
  • ساخت مدل 06:23
  • ارزیابی مدل 05:59
  • کدنویسی رابط کاربری - بخش 1 10:20
  • کدنویسی رابط کاربری - بخش 2 11:18
  • استقرار مدل در آژور - بخش 1 12:54
  • استقرار مدل در آژور - بخش 2 02:57
  • مقدمه 04:02
  • پیش پردازش داده 09:40
  • EDA - بخش 1 10:36
  • EDA - بخش 2 08:07
  • انتخاب ویژگی 14:07
  • ساخت مدل 05:19
  • تیونینگ هایپرپارامتر و تست مدل 15:05
  • کدنویسی رابط کاربری - بخش 1 06:32
  • کدنویسی رابط کاربری - بخش 2 09:31
  • کدنویسی رابط کاربری - بخش 3 12:50
  • استقرار - بخش 1 14:31
  • استقرار - بخش 2 02:10
  • مقدمه 04:34
  • پیش پردازش داده 11:55
  • ساخت مدل 08:41
  • کدنویسی رابط کاربری 13:40
  • یکپارچه سازی فریمورک Jinja 12:02
  • یکپارچه سازی جاوا اسکریپت با فلسک 07:28
  • استقرار در GCP 16:56
  • مقدمه 03:23
  • پردازش متن - بخش 1 10:30
  • پردازش متن - بخش 2 10:40
  • ساخت مدل 10:35
  • تست مدل 06:12
  • یکپارچه سازی مدل با فلسک 11:22
  • Touch Point در AWS 12:24
  • استقرار مدل در نمونه AWS EC2 28:48
  • فیکس کردن خطاها 03:18
  • آشنایی با پروژه 05:02
  • آشنایی با کتابخانه ها و مجموعه داده 11:58
  • پیش پردازش داده 21:12
  • ساخت و آموزش مدل 11:02
  • آشنایی با مدل طبقه بندی MLP 16:06
  • آشنایی با فریمورک جنگو 16:55
  • اجرای اپلیکیشن جنگو 13:39
  • میزبانی در AWS - بخش 1 21:56
  • میزبانی در AWS - بخش 2 12:04
  • میزبانی در AWS - بخش 3 12:47
  • آشنایی با پروژه 04:09
  • آشنایی با کتابخانه ها و پیش پردازش مجموعه داده 11:43
  • توکن سازی و برداری سازی متن 17:02
  • ساخت و آموزش مدل 11:57
  • فریمورک جنگو 10:50
  • راه اندازی وب سایت و درک جریان 18:04
  • آشنایی با سیستم AWS cloud 19:20
  • راه اندازی سرور و میزبانی وب سایت 20:40
  • آشنایی با پروژه 05:14
  • آشنایی با کتابخانه ها و مجموعه داده 12:36
  • ساخت و آموزش مدل 13:20
  • آشنایی با فریمورک جنگو 16:01
  • کار با فریمورک جنگو برای ساخت وب سایت 15:29
  • نمونه سازی نمونه با ec2 15:05
  • تنظیم و اجرای سرور 26:36
  • آشنایی با پروژه 06:07
  • آشنایی با کتابخانه ها و پیش پردازش داده 14:54
  • توسعه مدل TF-IDF 18:47
  • آشنایی با فریمورک جنگو 15:20
  • نهایی سازی وب سایت 14:07
  • راه اندازی ماشین مجازی آژور 21:03
  • تنظیم و اجرای سرور 20:12
  • مقدمه 05:31
  • خلاصه ای از کتابخانه ها و پیش پردازش داده 18:54
  • توسعه مدل NLP 15:43
  • راه اندازی اپلیکیشن جنگو 14:33
  • کار در وب سایت جنگو 13:31
  • ایجاد نمونه ماشین‌ مجازی در آژور 21:30
  • راه اندازی ماشین‌ مجازی برای میزبانی 14:58
  • آشنایی با پروژه 03:58
  • ایجاد مجموعه داده از طریق Spotify API 15:51
  • آشنایی با کتابخانه ها و پیش پردازش داده 10:46
  • توسعه مدل 15:29
  • راه اندازی پروژه جنگو 13:40
  • اجرای اپلیکیشن جنگو 14:07
  • راه اندازی ماشین‌ مجازی - بخش 1 10:04
  • راه اندازی ماشین‌ مجازی - بخش 2 16:46
  • تنظیم کد در ماشین‌ مجازی 18:26
  • آشنایی با پروژه 04:50
  • آشنایی با کتابخانه ها و مجموعه داده 17:47
  • آشنایی با TF-IDF 12:12
  • توسعه مدل LSTM 11:19
  • پیکربندی پروژه جنگو 16:39
  • اجرای اپلیکیشن جنگو 13:06
  • راه اندازی ماشین‌ مجازی - بخش 1 14:09
  • راه اندازی ماشین‌ مجازی - بخش 2 11:26
  • اجرای ماشین‌ مجازی 14:41
  • آشنایی با پروژه 04:27
  • ایجاد و پیش پردازش مجموعه داده 19:38
  • ساخت مدل CNN و بیس لاین 11:17
  • راه اندازی اپلیکیشن جنگو 15:47
  • بروزرسانی وب سایت 15:51
  • نمونه سازی ماشین‌ مجازی 16:51
  • تنظیم کد داخل ماشین مجازی 14:44
  • آشنایی با پروژه 03:21
  • آشنایی با کتابخانه ها و مدل 12:29
  • ساخت و آموزش مدل 12:57
  • راه اندازی پروژه جنگو 16:15
  • اجرای اپلیکیشن جنگو 15:09
  • راه اندازی ماشین‌ مجازی 17:33
  • اجرای کد در ماشین‌ مجازی 17:25
  • مقدمه 05:21
  • آشنایی با پروژه 05:11
  • آشنایی با کتابخانه ها و مجموعه داده 15:49
  • توسعه مدل 15:32
  • راه اندازی اپلیکیشن جنگو 14:26
  • اجرای اپلیکیشن جنگو 12:45
  • راه اندازی ماشین‌ مجازی 18:59
  • اجرای ماشین‌ مجازی 13:41
  • آشنایی با تحلیل احساسات با رگرسیون لجستیک 02:08
  • پروژه نوت بوک Google Colab - تحلیل احساسات با رگرسیون لجستیک 18:31
  • ساخت اپلیکیشن جنگو - تحلیل احساسات با رگرسیون لجستیک 10:55
  • استقرار APP در heroku - تحلیل احساسات با رگرسیون لجستیک 12:36
  • آشنایی با اپلیکیشن جنگو برای نرخ خروج کارمندان 02:27
  • ایجاد Colab Notebook 27:31
  • ایجاد اپلیکیشن جنگو 10:59
  • استقرار APP در heroku 09:52
  • آشنایی با کار با مجموعه داده پوکمون 02:34
  • ایجاد Colab Notebook 20:00
  • ایجاد اپلیکیشن جنگو 12:34
  • استقرار اپلیکیشن در heroku 09:02
  • آشنایی با اپلیکیشن تشخیص چهره 02:44
  • ایجاد اپلیکیشن تشخیص چهره با استفاده از OpenCV 14:53
  • ایجاد اپلیکیشن تشخیص چهره با opencv - بخش 1 10:15
  • ایجاد اپلیکیشن تشخیص چهره با opencv - بخش 2 13:14
  • آشنایی با طبقه بندی گربه ها در مقابل سگ ها 03:05
  • ایجاد نوت بوک پروژه 25:55
  • ساخت مدل 08:45
  • ساخت اپلیکیشن فلسک 07:00
  • استقرار اپلیکیشن فلسک 09:54
  • آشنایی با پیش بینی درآمد مشتری 02:55
  • Colab Notebook - پیش بینی درآمد مشتری 22:58
  • ایجاد اپلیکیشن فلسک 14:23
  • استقرار اپلیکیشن فلسک 09:16
  • آشنایی با پیش بینی جنسیت بر اساس صدا 02:19
  • ایجاد نوت بوک پروژه 25:22
  • ایجاد پروژه اپلیکیشن جنگو 12:46
  • استقرار اپلیکیشن 08:40
  • آشنایی با سیستم توصیه گر رستوران 04:22
  • ایجاد Colab Notebook 14:05
  • تحلیل داده اکتشافی 10:38
  • تحلیل داده - بخش 2 31:57
  • آشنایی با رنکینگ شادی 03:27
  • نوت بوک پروژه 28:38
  • ایجاد اپلیکیشن جنگو 17:36
  • استقرار اپلیکیشن جنگو 08:50
  • آشنایی با آتش سوزی جنگل 04:27
  • نوت بوک پروژه - بخش 1 25:53
  • نوت بوک پروژه - بخش 2 08:22
  • ایجاد اپلیکیشن جنگو 15:16
  • استقرار اپلیکیشن جنگو 09:15
  • مقدمه 02:40
  • ساخت مدل یادگیری ماشین - بخش 1 07:20
  • ساخت مدل یادگیری ماشین - بخش 2 11:53
  • ساخت مدل یادگیری ماشین - بخش 3 13:40
  • ایجاد اپلیکیشن جنگو - بخش 1 12:18
  • ایجاد اپلیکیشن جنگو - بخش 2 08:21
  • استقرار در Heroku NW 08:36
  • مقدمه 03:07
  • ساخت مدل مقدماتی یادگیری ماشین 12:27
  • ساخت و انتخاب ویژگی 14:16
  • ساخت مدل 05:40
  • مقدمه اپلیکیشن جنگو 07:07
  • ساخت اپلیکیشن جنگو 15:13
  • استقرار در Heroku 06:35
  • مقدمه 02:57
  • ایمپورت کتابخانه ها و درک داده 16:48
  • ساخت مدل 09:57
  • ساخت اپلیکیشن جنگو 15:51
  • استقرار در Heroku 07:59
  • مقدمه 02:47
  • آشنایی با کتابخانه ها و مجموعه داده 14:56
  • پیش پردازش داده 10:01
  • ساخت مدل 07:13
  • اپلیکیشن جنگو 14:57
  • استقرار در Heroku 07:17
  • مقدمه 03:07
  • ایمپورت کتابخانه ها و درک داده 15:21
  • ساخت و آموزش مدل 13:08
  • اپلیکیشن جنگو 14:01
  • استقرار در heroku 07:21
  • مقدمه 03:28
  • درک داده 13:34
  • داده پرت و مدل 17:15
  • ساخت اپلیکیشن جنگو 15:24
  • استقرار در Heroku 07:55
  • مقدمه 02:34
  • مقدمه و مدیریت داده 17:03
  • ساخت مدل 06:18
  • اپلیکیشن جنگو 13:25
  • استقرار در Heroku 06:36
  • مقدمه 03:01
  • درک داده 14:00
  • انتخاب ویژگی و ساخت مدل 09:18
  • اپلیکیشن جنگو 15:25
  • استقرار در Heroku 07:59
  • مقدمه 03:46
  • درک داده 10:17
  • پاکسازی داده 15:05
  • ساخت مدل 10:09
  • پیاده سازی اپلیکیشن جنگو 13:30
  • استقرار در Heroku 07:39
  • مقدمه 05:40
  • پاکسازی داده 12:29
  • ساخت مدل 17:17
  • پیاده سازی وب اپلیکیشن جنگو 16:25
  • استقرار در Heroku 09:04
  • ایمپورت کتابخانه ها و داده 04:21
  • آشنایی با داده 03:54
  • مصورسازی داده و پیش پردازش داده 12:04
  • ساخت مدل - بخش 1 05:40
  • ساخت مدل - بخش 2 06:19
  • ایمپورت کتابخانه ها و داده 07:30
  • نرمال سازی متن 07:04
  • Lemmatization 04:21
  • پیش پردازش داده 10:43
  • ساخت مدل 10:22
  • ایمپورت کتابخانه ها و داده پیش بینی سندرم پارکینسون 04:27
  • درک داده 08:07
  • مصورسازی داده 07:28
  • ساخت مدل - بخش 1 09:08
  • ساخت مدل - بخش 2 11:40
  • ایمپورت کتابخانه ها و داده 03:40
  • پیش پردازش داده 03:36
  • پاکسازی متن 07:07
  • بردارساز 02:11
  • ساخت مدل 13:34
  • ایمپورت کتابخانه ها و داده 07:00
  • آشنایی با داده 04:40
  • مصورسازی و پیش پردازش داده 09:21
  • متوازن سازی ستون هدف 06:48
  • ساخت مدل 10:42
  • ارزیابی مدل 06:27
  • ایمپورت کتابخانه ها و داده 12:35
  • آشنایی با داده 10:54
  • مصورسازی داده 08:01
  • پیش پردازش داده 07:49
  • ساخت مدل 12:49
  • ایمپورت کتابخانه ها و داده 07:46
  • درک داده - کیفیت هوا 07:40
  • مصورسازی داده 07:46
  • پیش پردازش داده 07:46
  • مهندسی ویژگی 11:16
  • ساخت مدل - بخش 1 11:50
  • ساخت مدل - بخش 2 05:18
  • ایمپورت کتابخانه ها و داده 06:52
  • پیش پردازش داده - کووید 19 09:50
  • تحلیل داده - بخش 1 11:22
  • تحلیل داده - بخش 2 12:36
  • ایمپورت کتابخانه ها و داده 13:41
  • درک داده مشتری 06:13
  • مصورسازی داده 16:39
  • ساخت مدل 13:18
  • هایپر تیونینگ - ریزش مشتری 08:28
  • ایمپورت کتابخانه ها و داده 04:14
  • درک داده چت بات 06:41
  • مصورسازی داده 07:12
  • نرمال سازی متن 10:34
  • ایجاد اپلیکیشن 07:59
  • آشنایی با فروش بازی های ویدئویی 03:57
  • colab - بازی های ویدئویی - بخش 1 26:21
  • colab - بازی های ویدئویی - بخش 2 05:56
  • اپلیکیشن جنگو 18:09
  • استقرار اپلیکیشن در Heruko 09:25
  • تحلیل رستوران زوماتو 37:58
  • پیش بینی فروش وال مارت 59:13
  • آشنایی با پروژه 06:15
  • ایمپورت کتابخانه ها و مجموعه داده 05:46
  • تحلیل و آماده سازی داده 08:19
  • ساخت مدل یادگیری ماشین 07:03
  • ارزیابی مدل یادگیری ماشین 05:36
  • اجرای تبدیل موجک 11:34
  • ساخت و ارزیابی مدل با داده تبدیل شده 06:56
  • آشنایی با پروژه 07:26
  • ایمپورت کتابخانه ها و مجموعه داده 05:39
  • تحلیل داده 08:24
  • پیش پردازش داده 07:45
  • ساخت مدل های یادگیری ماشین 11:51
  • ساخت مدل های یادگیری ماشین 09:08
  • آشنایی با پروژه 05:27
  • ایمپورت و خواندن فایل صوتی 09:50
  • استخراج ویژگی های دامنه-زمان - بخش 1 09:58
  • استخراج ویژگی های دامنه-زمان - بخش 2 07:14
  • تبدیل فوریه و کاربردهای آن 10:40
  • تبدیل فوریه و ویژگی های دامنه فرکانس 06:45
  • آشنایی با پروژه 03:57
  • ایمپورت کتابخانه ها و فایل صوتی 04:45
  • اجرای تشخیص گفتار 09:17
  • اجرای تحلیل متن 07:53
  • آشنایی با پروژه 04:33
  • ایمپورت کتابخانه ها و فایل های صوتی 05:53
  • استخراج ویژگی های صوتی - بخش 1 08:02
  • استخراج ویژگی های صوتی - بخش 2 05:19
  • توسعه مدل - بخش 1 04:27
  • توسعه مدل - بخش 2 05:06
  • آشنایی با پروژه 04:16
  • ایمپورت کتابخانه ها 06:00
  • نوشتن تابع Greet 04:38
  • نوشتن تابع فرمان 05:10
  • تخصیص تسک ها به هوش مصنوعی 11:37
  • آشنایی با پروژه 03:58
  • ایمپورت کتابخانه ها و مجموعه داده 03:58
  • تحلیل داده 11:15
  • پیش پردازش داده 07:07
  • اجرای خوشه بندی 08:14
  • آشنایی با پروژه 04:15
  • ایمپورت کتابخانه ها و مجموعه داده 04:26
  • تحلیل پارامتر سن - بخش 1 08:25
  • تحلیل پارامتر سن - بخش 2 06:56
  • تحلیل بازیکنان برتر 06:09
  • یافتن مهارت های برتر و ساخت تیم خود 05:13
  • آشنایی با پروژه 04:03
  • ایمپورت کتابخانه ها و مجموعه داده 06:20
  • اجرای وب اسکرپینگ 11:23
  • پیش پردازش داده 08:11
  • اجرای تحلیل احساسات 10:06
  • آشنایی با پروژه 04:01
  • ایمپورت کتابخانه ها 03:19
  • تحلیل داده 09:12
  • پیش بینی کیفیت با استفاده از برچسب ها 04:33
  • طبقه بندی شراب خوب یا بد 04:30
  • آشنایی با پروژه 03:16
  • ایمپورت کتابخانه ها 04:10
  • تحلیل داده 08:40
  • پاکسازی داده و مهندسی ویژگی 06:51
  • اجرای خوشه بندی با استفاده از خوشه بندی K Means 06:19
  • استفاده از الگوریتم های یادگیری نظارت شده 04:51
  • آشنایی با پروژه 04:07
  • ایمپورت کتابخانه ها و مجموعه داده 04:21
  • تحلیل جمعیت در هند 06:18
  • مدارس در هند 04:05
  • تحلیل نرخ باسوادی در هند 06:21
  • یافتن بهترین ایالت از نظر سواد 05:32
  • آشنایی با پروژه 03:06
  • ایمپورت کتابخانه ها و مجموعه داده 02:24
  • تحلیل داده 07:44
  • ساخت مدل - بخش 1 06:15
  • ساخت مدل - بخش 2 04:29
  • ساخت و پیش‌ بینی های مدل با استفاده از Auto ML 07:45
  • آشنایی با پروژه 04:41
  • ایمپورت کتابخانه ها و مجموعه داده 03:17
  • تحلیل داده 07:02
  • ساخت مدل با استفاده از یادگیری ماشین 07:42
  • ساخت و پیش بینی مدل با استفاده از PyCaret 10:20
  • آشنایی با پروژه 04:07
  • ایمپورت کتابخانه ها و مجموعه داده 05:24
  • تحلیل داده 05:30
  • مهندسی ویژگی - بخش 1 05:44
  • مهندسی ویژگی - بخش 2 06:42
  • انتخاب ویژگی 03:53
  • ساخت مدل با استفاده از یادگیری ماشین 06:19
  • ساخت و پیش بینی مدل با استفاده از Auto SKLearn 05:48
  • آشنایی با پروژه 05:03
  • ایمپورت کتابخانه ها و مجموعه داده 03:09
  • تحلیل و تقسیم داده 07:44
  • پیش پردازش داده 05:56
  • ساخت و پیش بینی مدل با استفاده از مدل LSTM 03:57
  • ساخت و پیش بینی مدل با استفاده از ARIMA و Auto Keras 05:24
  • آشنایی با پروژه 06:06
  • ایمپورت کتابخانه ها و مجموعه داده 04:04
  • تحلیل داده 11:48
  • مهندسی ویژگی 07:32
  • ساخت و پیش بینی مدل با استفاده از ANN 05:43
  • ساخت و پیش‌ بینی مدل با استفاده از H2O Auto ML 11:11
  • آشنایی با پروژه 05:50
  • ایمپورت کتابخانه ها و مجموعه داده 04:05
  • تحلیل داده 09:44
  • مهندسی ویژگی 05:26
  • ساخت مدل با استفاده از یادگیری ماشین - بخش 1 09:34
  • ساخت مدل با استفاده از یادگیری ماشین - بخش 2 05:30
  • ساخت و پیش بینی مدل با استفاده از کتابخانه TPOT 06:22
  • استقرار مدل با استفاده از API فلسک 11:15
  • آشنایی با پروژه 03:17
  • ایمپورت کتابخانه ها و مجموعه داده 05:46
  • تحلیل داده و مدیریت مقادیر گمشده - بخش 1 05:54
  • تحلیل داده و مدیریت مقادیر گمشده - بخش 2 06:48
  • مهندسی ویژگی 08:38
  • ساخت مدل با استفاده از الگوریتم های یادگیری ماشین 08:36
  • ساخت و پیش بینی مدل با استفاده از PyCaret 08:10
  • استفاده از API فلسک 06:37
  • استقرار مدل با استفاده از Heroku 05:19
  • آشنایی با پروژه 04:26
  • ایمپورت کتابخانه ها و مجموعه داده 04:56
  • تحلیل داده 10:00
  • مهندسی ویژگی 06:17
  • ساخت مدل با استفاده از مدل های یادگیری ماشین 07:29
  • ساخت و پیش بینی مدل با استفاده از EVAL ML 11:33
  • آشنایی با پروژه 05:02
  • ایمپورت کتابخانه ها و مجموعه داده 05:57
  • تحلیل و پاکسازی داده 07:10
  • پیش پردازش داده 08:43
  • ساخت مدل با استفاده از الگوریتم های یادگیری ماشین 08:50
  • ساخت مدل با استفاده از کتابخانه TPOT Auto ML - بخش 1 05:35
  • ساخت مدل با استفاده از کتابخانه TPOT Auto ML - بخش 2 03:32
  • آشنایی با پروژه 07:00
  • ایمپورت کتابخانه ها و مجموعه داده 04:42
  • تحلیل و پاکسازی داده - بخش 1 10:00
  • تحلیل و پاکسازی داده - بخش 2 06:09
  • پیش پردازش داده 03:46
  • تقسیم داده 03:37
  • ساخت و پیش بینی مدل با استفاده از یادگیری ماشین 05:38
  • ساخت و پیش بینی مدل با استفاده از کتابخانه H2O Auto ML 08:40
  • آشنایی با پروژه 02:47
  • ایمپورت کتابخانه ها و مجموعه داده 03:13
  • تحلیل داده 09:50
  • مهندسی ویژگی 05:42
  • ساخت و پیش بینی مدل با استفاده از یادگیری عمیق 05:47
  • ساخت و پیش بینی مدل با استفاده از Auto Keras 08:22
  • آشنایی با پروژه 03:16
  • ایمپورت کتابخانه ها و مجموعه داده 02:54
  • تحلیل داده و مهندسی ویژگی 06:20
  • پیش پردازش داده - بخش 1 07:43
  • پیش پردازش داده - بخش 2 04:34
  • ساخت و پیش بینی مدل با استفاده از یادگیری ماشین 05:18
  • ساخت و پیش بینی مدل با استفاده از Auto SKLearn 06:46
  • آشنایی با پروژه 04:19
  • ایمپورت کتابخانه ها و مجموعه داده 03:06
  • تحلیل و پیش پردازش داده - بخش 1 08:15
  • تحلیل و پیش پردازش داده - بخش 2 05:24
  • ساخت مدل با استفاده از یادگیری ماشین 04:21
  • ساخت مدل با استفاده از Auto ML 08:21
  • آشنایی با پروژه 02:51
  • ایمپورت کتابخانه ها و مجموعه داده 02:58
  • تحلیل و پیش پردازش داده - بخش 1 09:14
  • تحلیل و پیش پردازش داده - بخش 2 03:51
  • ساخت مدل با استفاده از یادگیری ماشین 04:41
  • ساخت و پیش‌ بینی مدل با استفاده از Eval Auto ML 08:53
  • آشنایی با پروژه 03:04
  • ایمپورت کتابخانه ها و مجموعه داده 03:13
  • تحلیل داده 08:16
  • مهندسی ویژگی 03:19
  • ساخت مدل با استفاده از یادگیری ماشین 04:31
  • ساخت و پیش‌ بینی مدل با استفاده از H2O Auto ML 08:24
  • مقدمه 05:11
  • tkinter - بخش 1 09:57
  • tkinter - بخش 2 08:11
  • cvbasics 04:10
  • پیاده سازی فریم ها - بخش 1 04:50
  • پیاده سازی فریم ها - بخش 2 11:25
  • پیاده سازی Canvas 08:28
  • دوره پروژه منوی فرعی 14:08
  • تکمیل فرانت اند 10:57
  • تصویر روی Canvas 11:02
  • اعمال فیلترها 28:29
  • کراپ کردن 17:29
  • ذخیره تصاویر 09:56
  • مقدمه 05:25
  • tkinter 20:34
  • sqlite 12:52
  • توسعه فرانت اند 19:52
  • پیاده سازی منطق 21:14
  • ایجاد پایگاه داده 19:32
  • یکپارچه سازی پایگاه داده با tkinter 25:48
  • مقدمه 08:48
  • tkinter - مبانی آنلاین 20:34
  • مبانی sqlite 12:52
  • فرانت اند 22:01
  • احراز هویت 43:43
  • مدیریت تراکنش 39:10
  • مدیریت تصویر پروفایل 06:03
  • مقدمه 10:14
  • راه اندازی 20:06
  • ساخت مدل ها - بخش 1 11:05
  • ساخت مدل ها - بخش 2 11:07
  • ادمین و کوئری 08:43
  • رجیستریشن و لاگین 19:39
  • پیاده سازی پروفایل - بخش 1 16:04
  • پیاده سازی پروفایل - بخش 2 13:44
  • نتایج با matplotlib 11:40
  • گراف تعاملی 06:13
  • پاسخ تکالیف 15:12
  • view تکلیف کارکنان 27:18
  • مقدمه 08:09
  • راه اندازی 20:02
  • پیاده سازی مدل ها 23:37
  • راه اندازی 29:45
  • پروفایل ها 15:54
  • صفحه اصلی اخبار 13:28
  • فیلترینگ اخبار 13:53
  • کد کارآمد 05:33
  • افزودن اخبار 12:55
  • مقدمه 09:06
  • راه اندازی 20:06
  • صفحه اصلی و درخواست های api 34:14
  • لاگین و رجیستریشن 36:16
  • مدیریت یادداشت ها 18:53
  • todos و تکالیف 13:12
  • صفحه تبدیل 09:15
  • مقدمه 07:00
  • راه اندازی 20:05
  • لاگین و رجیستریشن 42:42
  • پیاده سازی todo 38:26
  • پیاده سازی پروفایل 18:51
  • مقدمه 06:51
  • راه اندازی 20:05
  • لاگین و رجیستریشن 36:16
  • نمودار ER 06:37
  • پیاده سازی گروه ها 50:17
  • فیلترینگ 09:18
  • آشنایی با پروژه Crop Guide 02:12
  • طراحی رابط کاربری گرافیکی (GUI) پایتون با استفاده از Qt Designer 11:23
  • بهبود قابلیت رابط کاربری گرافیکی Qt5 06:27
  • ایجاد و پیاده سازی پایگاه داده 09:49
  • اتصال پایگاه داده با اپلیکیشن PyQt5 05:44
  • بهبود قابلیت رابط کاربری گرافیکی Qt5 و منطق اپلیکیشن 12:52
  • نتیجه گیری و فراخوانی پروژه 06:27
  • آشنایی با پروژه Password Manager 04:06
  • طراحی رابط کاربری گرافیکی پایتون با استفاده از Qt Designer 10:57
  • بهبود قابلیت رابط کاربری گرافیکی Qt5 05:06
  • ایجاد و پیاده سازی پایگاه داده 08:11
  • بهبود قابلیت رابط کاربری گرافیکی Qt5 و منطق اپلیکیشن - بخش 1 10:26
  • بهبود قابلیت رابط کاربری گرافیکی Qt5 و منطق اپلیکیشن - بخش 2 10:24
  • بررسی و نتیجه گیری پروژه 12:49
  • آشنایی با پروژه اپلیکیشن خبری 02:17
  • شروع و راه اندازی جنگو 06:20
  • کدنویسی منطق اپلیکیشن 10:23
  • بروزرسانی منطق اپلیکیشن برای قالب ها و views.py 10:14
  • فراخوانی و استقرار پروژه - بخش 1 13:28
  • استقرار پروژه - بخش 2 10:41
  • آشنایی با راهنمای پروژه 01:26
  • شروع کار با جنگو 11:41
  • منطق اپلیکیشن 17:40
  • بروزرسانی قالب ها و Views 10:05
  • استقرار اپلیکیشن 08:00
  • آشنایی با پروژه سرآشپز 01:51
  • شروع کار با جنگو 10:21
  • منطق اپلیکیشن - بخش 1 11:44
  • منطق اپلیکیشن - بخش 2 09:14
  • منطق اپلیکیشن - بخش 3 07:37
  • قالب ها 10:12
  • بروزرسانی Vews 10:02
  • استقرار اپلیکیشن 07:50
  • آشنایی با قوانین Syllogism در Inference Solver 02:03
  • شروع کار با جنگو و توضیح پروژه 12:01
  • منطق اپلیکیشن - بخش 1 11:46
  • منطق اپلیکیشن - بخش 2 08:22
  • بروزرسانی Views و قالب ها 09:53
  • استقرار اپلیکیشن 07:25
  • مقدمه 01:52
  • شروع کار با جنگو و معماری MVT 05:47
  • رندرینگ نمونه متن و تصاویر - بخش 1 13:11
  • رندرینگ نمونه متن و تصاویر - بخش 2 08:05
  • منطق اپلیکیشن - بخش 1 15:55
  • منطق اپلیکیشن - بخش 2 06:42
  • بروزرسانی قالب ها و Views 07:44
  • مقدمه 02:03
  • بیان مسئله و الگوریتم 05:04
  • منطق اپلیکیشن - بخش 1 12:27
  • منطق اپلیکیشن - بخش 2 13:46
  • منطق اپلیکیشن - بخش 3 13:35
  • یکپارچه سازی جی میل در پایتون - بخش 1 04:54
  • یکپارچه سازی جی میل در پایتون - بخش 2 03:54
  • بازی دوز با استفاده از پایتون 01:47:06
  • پروژه - وب سایت ژنراتور پسورد تصادفی با استفاده از جنگو 01:22:47

52,732,500 10,546,500 تومان

مشخصات آموزش

ماراتن علم داده - 120 پروژه برای ساخت پورتفولیوی خود

  • تاریخ به روز رسانی: 1404/06/14
  • سطح دوره:همه سطوح
  • تعداد درس:684
  • مدت زمان :133:30:19
  • حجم :64.61GB
  • زبان:دوبله زبان فارسی
  • دوره آموزشی:AI Academy

آموزش های مرتبط

The Great Courses
1,889,000 377,800 تومان
  • زمان: 04:47:39
  • تعداد درس: 30
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
9,269,000 1,853,800 تومان
  • زمان: 23:28:00
  • تعداد درس: 170
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
7,379,500 1,475,900 تومان
  • زمان: 18:41:14
  • تعداد درس: 133
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
10,256,500 2,051,300 تومان
  • زمان: 25:58:16
  • تعداد درس: 140
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
490,000 98,000 تومان
  • زمان: 00:21:05
  • تعداد درس: 4
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
3,120,500 624,100 تومان
  • زمان: 07:54:58
  • تعداد درس: 51
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
1,185,000 237,000 تومان
  • زمان: 03:00:50
  • تعداد درس: 57
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
6,129,000 1,225,800 تومان
  • زمان: 15:31:30
  • تعداد درس: 18
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
4,878,000 975,600 تومان
  • زمان: 12:21:18
  • تعداد درس: 97
  • سطح دوره:
  • زبان: دوبله فارسی

آیا سوالی دارید؟

ما به شما کمک خواهیم کرد تا شغل و رشد خود را افزایش دهید.
امروز با ما تماس بگیرید