دوره آموزشی
دوبله زبان فارسی
بسته نرم افزاری علم داده - 180 پروژه عملی - دوره 3 از 3
✅ سرفصل و جزئیات آموزش
در این دوره با ساخت و استقرار 180 پروژه، با علم داده، یادگیری ماشین و یادگیری عمیق (پایتون، فلسک، جنگو، AWS و Azure Cloud) آشنا می شوید.
آنچه یاد خواهید گرفت
- تجهیز خود به مهارت هایی که تقاضای زیادی دارند و افزایش شانس خود برای استخدام شدن به عنوان دانشمند داده
- اعمال یادگیری ماشین در سناریوهای واقعی و آماده شدن برای دنیای کار
- قرار گرفتن در معرض یادگیری عمیق، یادگیری انتقالی و شبکه های عصبی و گسترش مجموعه مهارت ها
- تسلط به اصول یادگیری ماشین با استفاده از پایتون، زبان پیشرو برای علم داده
- یادگیری ساخت مدل های قوی یادگیری ماشین که می توانند در برابر عدم قطعیت های دنیای واقعی مقاومت کنند.
- کسب تکنیک هایی برای تیونینگ دقیق و بهبود مدل های یادگیری ماشین برای عملکرد بهتر
- توسعه یک شهود قوی برای انتخاب مدل های مناسب یادگیری ماشین برای تسک های مختلف
- توانمندسازی خود تا تحلیل قدرتمندی از داده انجام دهید که می تواند فرآیندهای تصمیم گیری را هدایت کند.
پیش نیازهای دوره
- دانش اولیه یادگیری ماشین
توضیحات دوره
شما در یادگیری ماشین عملی و پروژه های داده محور، تجربه عملی به دست خواهید آورد و مهارت خود را در پایتون، فلسک، جنگو و استقرار ابری در پلتفرم هایی مانند Heroku و AWS و آژور و GCP و Streamlit توسعه می دهید.
این دوره شما را در طول چرخه عمر پروژه، از ایده پردازی تا استقرار، با تمرکز بر اپلیکیشن های واقعی راهنمایی می کند. این دوره شکاف دانش بین تحلیل داده و استراتژی کسب و کار را پر می کند و آن را هم برای تازه کاران و هم متخصصان باتجربه مناسب می کند. با 60 پروژه متنوع، می توانید یک پورتفولیوی قوی با سرعت خود بسازید.
این دوره برای چه کسانی مناسب است؟
- مبتدیان در علم داده
بسته نرم افزاری علم داده - 180 پروژه عملی - دوره 3 از 3
-
آشنایی با دوره 00:36
-
طرح کلی دوره 00:40
-
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 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 - پیش بینی رتبه بندی اپلیکیشن Google Play 02:46
-
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 - ساخت اپلیکیشن جنگو برای پیش بینی هزینه های پزشکی 02:34
-
مقدمه و مدیریت داده 17:03
-
ساخت مدل 06:17
-
اپلیکیشن جنگو 13:25
-
استقرار در Heroku 06:36
-
مقدمه 03:00
-
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 - ایجاد تشابه در متن 05:40
-
پاکسازی داده 12:29
-
ساخت مدل 17:17
-
پیاده سازی وب اپلیکیشن جنگو 16:25
-
استقرار در Heroku 09:04
-
مقدمه 01:47
-
بارگذاری کتابخانه ها و مجموعه داده 04:00
-
ایجاد pancard detector با opencv 12:28
-
ایجاد اپلیکیشن فلسک 03:50
-
ایجاد توابع مهم 04:56
-
استقرار اپلیکیشن در Heruko1 05:45
-
تست pan card detector استقرار یافته 01:56
-
آشنایی با اپلیکیشن پیش بینی نژاد سگ 01:59
-
ایمپورت داده و کتابخانه ها 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
-
مقدمه 02:08
-
ایمپورت کتابخانه ها و لوگو 02:51
-
ایجاد متن و واترمارک کردن تصویر 08:46
-
ایجاد اپلیکیشن 13:16
-
استقرار اپلیکیشن در Heroku 05:28
-
آشنایی با دسته بندی علائم راهنمایی و رانندگی 03:25
-
ایمپورت داده و کتابخانه ها 05:56
-
پردازش تصویر 04:23
-
ایجاد و تست مدل 07:00
-
ایجاد مدل برای مجموعه تست 05:17
-
آشنایی با استخراج متن 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 تشخیص وسیله نقلیه 03:10
-
تبدیل تصاویر و ایجاد خروجی تشخیص وسیله نقلیه - شمارش 10:54
-
ایجاد اپلیکیشن فلسک برای تشخیص وسیله نقلیه 17:28
-
مقدمه 02:37
-
ایمپورت کتابخانه ها و داده FACE SWAPv 04:32
-
پیش پردازش داده و ایجاد خروجی FACE SWAP 14:09
-
ایجاد اپلیکیشن فلسک برای FACE SWAP 14:49
-
مقدمه 02:35
-
ایمپورت کتابخانه ها و داده - پیش بینی گونه های پرندگان 06:14
-
پردازش داده - پیش بینی گونه های پرندگان 03:37
-
ایجاد مدل یادگیری ماشین - پیش بینی گونه های پرندگان 10:16
-
ایجاد اپلیکیشن فلسک - پیش بینی گونه های پرندگان 13:27
-
مقدمه 03:02
-
ایمپورت و پردازش داده - طبقه بندی تصویر اینتل 07:11
-
ایجاد مدل - طبقه بندی تصویر اینتل 08:55
-
ایجاد اپلیکیشن فلسک 12:27
-
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 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 PyCare 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 06:18
-
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 داده 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 05:53
-
تحلیل داده و مدیریت مقادیر گمشده - بخش 2 06:48
-
مهندسی ویژگی 08:38
-
ساخت مدل با استفاده از الگوریتم 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 07:28
-
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 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 06:08
-
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 03:12
-
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 08:52
-
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
-
آشنایی با فروش بازی های ویدئویی 03:56
-
colab - بازی های ویدئویی - بخش 1 26:21
-
colab - بازی های ویدئویی - بخش 2 05:56
-
اپلیکیشن جنگو - بازی های ویدئویی 18:09
-
استقرار اپلیکیشن در Heruko - بازی های ویدئویی 09:25
-
بررسی بازی 07:20
-
ساخت الگوریتم ها 06:32
-
طراحی بورد 12:14
-
نتیجه بازی - برنده 18:55
-
علامت گذاری بازیکن 16:50
-
حرکت هوش مصنوعی کامپیوتری 23:26
-
منطق بازی اصلی 18:33
-
پایان 03:13
-
آشنایی با پروژه 03:21
-
شروع با جنگو 15:42
-
کار با اپلیکیشن ها و Urls 12:42
-
طراحی وب سایت 15:44
-
تولید پسورد 15:54
-
ادامه تولید پسورد 07:11
-
طراحی بوت استرپ و Css 12:10
-
آشنایی با پروژه 04:04
-
شروع پروژه 19:42
-
ادامه شروع پروژه 09:39
-
کار با ادمین 19:53
-
ساخت صفحه اصلی 23:37
-
ساخت اپلیکیشن وبلاگ 16:10
-
ادامه ساخت اپلیکیشن وبلاگ 09:31
-
کار با پایگاه داده و فایل های استاتیک 13:52
-
افزودن جزئیات در وبلاگ 12:31
-
طراحی وب سایت 21:29
-
افزودن قالب های اولیه 13:44
-
پروژه نهایی 02:59
-
آشنایی با پروژه 05:20
-
شروع پروژه 18:35
-
شروع اپلیکیشن 10:19
-
ساخت وب سایت 17:56
-
افزودن گزینه خروج کاربر از سیستم 09:31
-
افزودن گزینه کاربر لاگین 09:44
-
ایجاد گزینه Todo 15:17
-
ایجاد گزینه todo برای استفاده 13:10
-
نمایش لیست todo 12:41
-
بروزرسانی لیست todo 13:10
-
علامت گذاری لیست todo به عنوان تکمیل شده و حذف شده 14:59
-
طراحی وب سایت 06:01
-
آشنایی با پروژه 03:50
-
دریافت داده با API 12:35
-
واکشی داده با پایتون 19:01
-
ایجاد توابع Planner 16:29
-
کار با tkinter 16:58
-
طراحی رابط کاربری گرافیکی (Gui) 19:07
-
بروررسانی و ویژگی رنگ آمیزی 15:55
-
آشنایی با پروژه 05:23
-
دریافت کلیدهای دسترسی 06:00
-
افزودن توابع احراز هویت 05:04
-
واکشی توییت ها 09:37
-
ذخیره داده 09:34
-
مدیریت شناسه توییت 06:35
-
تابع پاسخ توییت 14:05
-
خودکارسازی ربات 12:33
-
فاز استقرار 12:42
-
آشنایی با پروژه 02:45
-
کار با داده 12:29
-
مفهوم مدیریت فایل 11:42
-
ساخت اپلیکیشن دیکشنری 07:56
-
ادامه ساخت اپلیکیشن دیکشنری 14:41
-
ایجاد تابع close match 18:29
-
افزودن ویژگی های Gui به دیکشنری 19:46
-
پروژه نهایی 17:10
-
آشنایی با این بازی 05:03
-
راه اندازی صفحه بازی 12:56
-
ساخت الزامات 16:39
-
ساخت توابع 21:03
-
ادامه ساخت توابع 14:01
-
فرمان های نهایی 11:36
-
آشنایی با پروژه 06:08
-
طراحی اپلیکیشن 23:04
-
ادامه طراحی اپلیکیشن 12:02
-
ساخت پایگاه داده 16:38
-
ساخت توابع پایگاه داده 08:10
-
اتصال بک اند به فرانت اند 22:06
-
تکمیل پروژه 17:13
-
آشنایی با پروژه 03:20
-
طراحی حیوانات خانگی 12:25
-
ادامه طراحی حیوانات خانگی 15:01
-
افزودن توابع blinking 13:55
-
تاگل زبان و چهره حیوانات خانگی 13:36
-
حالات شاد، غمگین و عادی حیوانات خانگی 16:26
-
تابع Main 08:14
-
آشنایی با پروژه 04:22
-
مبانی Turtle 15:55
-
شروع پروژه 16:19
-
ساخت توابع 14:26
-
ادامه ساخت توابع 10:50
-
تابع شروع بازی 16:09
-
افزودن کلیدهای فرمان 13:52
-
آشنایی با پروژه 04:00
-
الگوریتم بازی 06:04
-
ساخت رابط 03:49
-
ایجاد لیست کلمات 05:51
-
ساخت منطق اصلی 05:35
-
ادامه ساخت منطق اصلی 11:37
-
کار با شکل ها 09:52
-
پروژه نهایی 05:36
-
آشنایی با پروژه 04:06
-
طراحی پنجره 05:49
-
ادامه طراحی پنجره 05:41
-
افزودن توابع 06:45
-
ساخت لیست عملیات ها 07:09
-
ساخت تابع main 10:34
-
پروژه نهایی 04:05
-
آشنایی با پروژه 06:49
-
طراحی اپلیکیشن 18:17
-
ساخت فریم ها برای پنجره 15:51
-
تابع رمزگشایی 07:55
-
تابع رمزگذاری 04:19
-
پروژه نهایی 05:31
-
آشنایی با داشبورد خلاصه بیمار - سوابق پزشکی 07:04
-
پاکسازی داده 06:56
-
مصورسازی 14:21
-
آشنایی با داده 06:03
-
مصورسازی - بخش 1 04:15
-
مصورسازی - بخش 2 12:23
-
آشنایی با داده 10:56
-
مصورسازی - بخش 1 11:04
-
مصورسازی - بخش 2 09:10
-
آشنایی با جنایت در لس آنجلس - تحلیل سالانه شهر 05:37
-
پاکسازی داده 05:52
-
مصورسازی - بخش 1 13:16
-
مصورسازی - بخش 2 11:00
-
آشنایی با داده 06:24
-
پاکسازی داده 06:46
-
مصورسازی - بخش 1 10:44
-
مصورسازی - بخش 2 05:25
-
آشنایی با داشبورد رزرو هتل - تجارت جهانی هتل 02:51
-
پاکسازی داده 09:07
-
مصورسازی - بخش 1 17:02
-
مصورسازی - بخش 2 07:20
-
آشنایی با داده 04:40
-
پاکسازی و روابط داده 11:58
-
تبدیل 03:30
-
مصورسازی 18:01
-
آشنایی با داده 04:34
-
جدول Date Master 05:47
-
داشبورد 16:27
-
آشنایی با داشبورد 02:34
-
تبدیل به داشبورد 06:27
-
ساخت داشبورد 18:10
-
آشنایی با پروژه 02:33
-
پاکسازی داده 11:19
-
مصورسازی 10:52
-
داشبورد 10:59
مشخصات آموزش
بسته نرم افزاری علم داده - 180 پروژه عملی - دوره 3 از 3
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:361
- مدت زمان :53:34:33
- حجم :24.29GB
- 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