علم داده - دوره جامع مبتدیان - بخش 1

آنچه یاد خواهید گرفت:

• بخش 1 یک دوره مبتدی است که مفاهیم یادگیری ماشین و تحلیل داده را پوشش می‌دهد.
• هدف این است که به دانشجویان آموزش دهد چگونه یک پروژه علم داده جامع انجام دهند.
• از تعریف مسئله، گردآوری داده، یکپارچه‌سازی، مدل‌سازی، تحلیل و مصورسازی تا استقرار و نگهداری مدل
• بخش 1 تمام مبانی لازم برای ساخت مدل‌های یادگیری ماشین را پوشش می‌دهد - برنامه‌نویسی، تحلیل، ریاضیات، فرآیند، الگوریتم‌ها و استقرار
• جزئیات کامل ریاضی و منطق تمام الگوریتم‌ها را ارائه می‌دهد.
• برنامه‌نویسی (پایتون) و تحلیل داده (pandas)
• مبانی ریاضیات، آمار و احتمالات مورد نیاز برای درک الگوریتم‌های مختلف
• فرآیند علم داده – مسئله، یکپارچه‌سازی، انتخاب الگوریتم، ساخت مدل، مصورسازی، استقرار
• یکپارچه‌سازی داده 
• ساخت مدل‌های یادگیری ماشین - الگوریتم‌های نظارت‌شده و نظارت‌نشده با استفاده از رگرسیون، طبقه‌بندی و خوشه‌بندی
• چگونگی مصورسازی و ارزیابی مدل‌ها
• ماندگاری و استقرار مدل با استفاده از joblib و flask، استقرار روی ابر AWS با استفاده از S3 و Elastic Beanstalk، استفاده از AWS Sagemaker
• پروژه جامع – ساخت یک RoboAdvisor - پرتفوی چنددارایی با استفاده از دارایی‌های جهانی و داده‌ کلان اقتصادی
• کد پایتون و داده‌ دقیق برای توضیح تمام مفاهیم و الگوریتم‌ها ارائه شده است.
• استفاده از کتابخانه‌های محبوب مانند scikit-learn ،xgboost ،numpy ،matplotlib ،seaborn ،joblib ،flask و غیره

پیش‌نیازهای دوره

• از دانشجویان انتظار می‌رود دانش اولیه از - هر زبان برنامه‌نویسی، پایگاه داده‌، SQL داشته باشند.
• یا حداقل مفاهیم برنامه‌نویسی – انواع داده، متغیرها، لیست‌ها، حلقه‌های شرطی، توابع و غیره
• ریاضیات، آمار، احتمالات و جبر در سطح مدرسه
• توجه: این دوره همچنان تمام مبانی برنامه‌نویسی، تحلیل و ریاضیات مورد نیاز برای ساخت مدل‌های یادگیری ماشین را پوشش می‌دهد.

توضیحات دوره

این یک دوره مبتدی است که مفاهیم اولیه یادگیری ماشین و تحلیل داده را پوشش می‌دهد.

هدف این دوره آموزش چگونگی انجام یک پروژه علم داده جامع به دانشجویان است.

• از تعریف مسئله، گردآوری داده، یکپارچه‌سازی و مدل‌سازی
• تا تحلیل، مصورسازی و استقرار و نگهداری مدل‌ها
• اصول/ابزارهای اصلی مورد نیاز برای علم داده را پوشش خواهد داد.

این دوره برای هر کسی که علاقه‌مند به یادگیری علم داده است مناسب می‌باشد - تحلیلگر، برنامه‌نویس، متخصص غیرفنی، دانشجو و غیره.

با مشاهده دوره‌ها و کتاب‌های موجود علم داده، ما احساس می‌کنیم که رویکرد جامع کمبود دارد.

• اغلب شما الگوریتم‌های مختلف را یاد می‌گیرید اما دید کلی، به ویژه در مورد فرآیند و استقرار، به دست نمی‌آورید.
• همچنین، یا جزئیات ریاضی بیش از حد یا محدودی برای الگوریتم‌های مختلف ارائه می‌شود.

این دوره تمام مبانی برنامه‌نویسی، ریاضیات، آمار و احتمالات مورد نیاز برای ساخت مدل‌های یادگیری ماشین را پوشش می‌دهد.

در طول دوره، سخنرانی‌های دقیقی که ریاضیات و منطق الگوریتم‌ها را پوشش می‌دهد، مثال‌های کد پایتون و منابع آنلاین برای پشتیبانی از فرآیند یادگیری ارائه شده است.

دانشجویان یاد خواهند گرفت چگونه مدل‌های یادگیری ماشین را با استفاده از ابزارها و کتابخانه‌هایی مانند anaconda ،spyder ،python ،pandas ،numpy ،scikit-learn ،xgboost ،matplotlib ،seaborn ،joblib ،flask ،AWS Cloud S3 ،Elastic Beanstalk و Sagemaker بسازند و مستقر کنند.

جزئیات بیشتر در وبسایت ما - datawisdomx - در دسترس است.

مطالب دوره از جمله کد پایتون و داده‌ در مخزن github - datawisdomx و DataScienceCourse - موجود است.

این دوره برای چه کسانی مناسب است؟

• این دوره برای هر کسی که علاقه‌مند به یادگیری علم داده است مناسب می‌باشد.
• از کاربران مبتدی تا سطح متوسط
• تحلیلگر، برنامه‌نویس، متخصص غیرفنی، دانشجو و غیره
• تحلیلگران داده، مهندسان یادگیری ماشین، مهندسان داده، تحلیلگران کسب‌وکار که می‌خواهند دانشمند داده شوند.