دوره آموزشی
The Great Courses
دوبله زبان فارسی

یادگیری علم داده و تحلیل داده از ابتدا

یادگیری علم داده و تحلیل داده از ابتدا

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

  • اصول مستحکم برای تحلیل داده و علم داده ایجاد کنید.
  • به مبانی آماری مانند آزمون فرضیه و ماتریس درهم‌ریختگی و همچنین مبانی مدل‌سازی مانند مدل رگرسیون و مدل یادگیری ماشین تسلط یابید.
  • به مبانی تحلیلی مانند تست A/B و مبانی کدنویسی برای SQL و Python تسلط پیدا کنید.
  • 2 مطالعه موردی را از ابتدا تا انتها با مهارت‌های آموخته شده تکمیل کنید.

پیش‌نیازهای دوره

  • هیچ پیش‌نیازی در زمینه تحلیل، کدنویسی یا آمار لازم نیست. شما همه چیز را در این دوره فرا خواهید گرفت.

توضیحات دوره

سلام، مدرس این دوره کنگ شیاو است. او سال‌ها تجربه کاری در شرکت‌های پیشروی صنعت مانند Paypal ،Google و Chime دارد. در طول دوران حرفه‌ای خود، همواره از داده برای تحلیل، ساخت مدل و حل مسائل کلیدی کسب‌وکار استفاده کرده است.

هنگام یادگیری آنلاین، او اغلب با دو مشکل مواجه می‌شود:

  • دوره‌ها دانش عمیقی ارائه می‌دهند، اما پوشش گسترده‌ای ندارند. در واقعیت، لازم نیست در همه زمینه‌ها متخصص باشیم. اما دانستن اصول اولیه در زمینه‌های مختلف می‌تواند مزیت بزرگی برای ما ایجاد کند.
  • دوره‌ها بیش از حد بر جنبه فنی متمرکز هستند. بسیاری از دوره‌ها یا کاملاً بر کدنویسی (مانند چگونگی نوشتن کد Python) یا بر آمار (مانند ریاضیات پشت مدل‌های یادگیری ماشین) تمرکز دارند. دوره‌های بسیار کمی هستند که تحلیل داده، مدل‌سازی و کدنویسی را به هم پیوند دهند تا مسائل دنیای واقعی را حل کنند.

در این دوره، مدرس قصد دارد این شکاف‌ها را پر کند و پوششی بسیار گسترده از علم داده، آمار، مدل‌سازی و کدنویسی ارائه دهد و با استفاده از مطالعات موردی، داده، کدنویسی و آمار را به هم مرتبط سازد. این دقیقاً همان کاری است که در دنیای واقعی و در کار روزمره انجام می‌دهیم. بهترین استعدادهایی که در Paypal ،Google و Chime مشاهده کرده‌، افرادی هستند که در ارتباط دادن این نقاط برای حل مشکلات پیچیده مهارت دارند.

در پایان این دوره، ما دو پروژه اصلی را با تمرکز بر حوزه‌های مختلف بررسی خواهیم کرد. دانش آموخته شده قبلی (آمار، تحلیل، SQL ،Python و مدل‌سازی) را برای حل این دو مورد به کار خواهیم بست. جزئیات این دو مورد در زیر آمده است:

تحلیل بازار مسکن نشویل

  • خلاصه: بازار مسکن نشویل در حال رونق است. ما داده درباره قیمت خانه‌ها، جزئیات آن‌ها و اطلاعات فروشنده داریم. چگونه می‌توانیم از این داده‌ برای انجام تحلیل و ارائه مشاوره کسب‌وکار استفاده کنیم؟
  • حوزه تمرکز: تحلیل و SQL

تحلیل مدل کسب‌وکار اشتراکی

  • خلاصه: دو سال پیش سرویس اشتراک را راه‌اندازی کردیم. در نقش معاون تحلیل، می‌خواهیم به مدیرعامل گزارش بروزرسانی ارائه دهیم که شامل عملکرد کسب‌وکار، فرصت‌ها و پیشنهادات مراحل بعد باشد. ما از داده‌ برای پشتیبانی از گزارش خود استفاده خواهیم کرد.
  • حوزه تمرکز: تحلیل، مدل‌سازی، Python و SQL

این دوره برای چه کسانی مناسب است؟

  • دانشجویانی که به علم داده و تحلیل داده علاقه‌مند هستند.

یادگیری علم داده و تحلیل داده از ابتدا

  • معرفی 01:33
  • سرفصل دوره 02:29
  • چه چیزهایی یاد خواهیم گرفت؟ 01:15
  • مرور کلی آمار 00:49
  • فرضیه 01:21
  • نمونه‌گیری 06:56
  • محاسبه حجم نمونه 02:00
  • ماتریس درهم‌ریختگی 09:56
  • مقدمه‌ای بر یادگیری ماشین 04:10
  • رگرسیون خطی 101 03:51
  • رگرسیون خطی 102 04:33
  • رگرسیون خطی 103 01:29
  • رگرسیون خطی 104 04:34
  • رگرسیون لجستیک 101 06:12
  • رگرسیون لجستیک 102 06:50
  • درخت تصمیم گیری 101 01:41
  • درخت تصمیم گیری 102 10:11
  • جنگل تصادفی 101 01:59
  • جنگل تصادفی 102 05:34
  • GBDT 101 01:19
  • GBDT 102 06:43
  • Xgboost 101 01:46
  • Xgboost 102 08:14
  • ارزیابی مدل 03:05
  • آزمون آمار و یادگیری ماشین None
  • چگونگی اجرای SQL در کلاس 01:22
  • محل مثال‌های SQL و چگونگی کار با آن‌ها 03:20
  • Select 01:52
  • SQL: Select None
  • Select Distinct 02:22
  • SQL: Select Distinct None
  • عبارت WHERE 01:49
  • SQL: عبارت WHERE None
  • GROUP BY 02:32
  • SQL: GROUP BY None
  • توابع تجمیعی 02:21
  • SQL: توابع تجمیعی None
  • توابع MAX/MIN 02:00
  • SQL: توابع MAX/MIN None
  • عبارت HAVING 02:46
  • SQL: عبارت HAVING None
  • Join 09:56
  • SQL: Join None
  • عملگر IN 02:23
  • SQL: عملگر IN None
  • عملگر Not Equal 02:42
  • SQL: عملگر Not Equal None
  • توابع تاریخ 02:55
  • عبارت CASE WHEN 02:52
  • SQL: عبارت CASE WHEN None
  • تابع CAST 02:03
  • SQL: تابع CAST None
  • توابع LIMIT و OFFSET 03:37
  • SQL: توابع LIMIT و OFFSET None
  • توابع پنجره‌ای 08:31
  • SQL: توابع پنجره‌ای None
  • subquery 07:38
  • SQL: subquery None
  • Join پیچیده 05:00
  • SQL: Join پیچیده None
  • Join و توابع تجمیعی 04:01
  • SQL: Join و توابع تجمیعی None
  • ترکیب HAVING و WHERE 05:54
  • SQL: ترکیب HAVING و WHERE None
  • مقادیر تکراری 05:56
  • SQL: مقادیر تکراری None
  • عدد Nاُم 07:46
  • SQL: عدد Nاُم None
  • تاریخ/رکورد قبلی 07:25
  • SQL: رکورد قبلی None
  • کارایی کوئری 02:37
  • چگونگی تحلیل یک مسئله 04:00
  • چگونگی تعریف معیارهای موفقیت 03:42
  • تست A/B 101 04:35
  • تست A/B 102 06:49
  • ریسک پرداخت 101 03:58
  • ریسک پرداخت 102 07:19
  • ورودی و خروجی در Python 01:32
  • Python: عبارت، تورفتگی و توضیحات 04:30
  • Python: نوع داده 05:21
  • Python: توابع 01:58
  • Python: توابع None
  • Python: عملگرها 02:50
  • Python: عملگرها None
  • Python: if else 03:03
  • Python: if else None
  • Python: حلقه for 05:57
  • Python: حلقه for None
  • Python: حلقه while 03:35
  • Python: حلقه while None
  • Python: لیست 101 07:39
  • Python: لیست 101 None
  • Python: لیست 102 10:02
  • Python: لیست 102 None
  • Python: تاپل 102 06:06
  • Python: تاپل 102 None
  • Python: تاپل 102 05:38
  • Python: تاپل 102 None
  • Python: مجموعه 101 05:41
  • Python: مجموعه 101 None
  • Python: مجموعه 102 08:16
  • Python: مجموعه 102 None
  • Python: دیکشنری 101 03:39
  • Python: دیکشنری 101 None
  • Python: دیکشنری 102 05:02
  • Python: دیکشنری 102 None
  • Python: NumPy 101 06:42
  • Python: NumPy 101 None
  • Python: NumPy 201 07:16
  • Python: NumPy 201 None
  • Python: NumPy 301 08:46
  • Python: NumPy 301 None
  • Python: NumPy 401 05:42
  • Python: NumPy 401 None
  • Python: Pandas 101 03:12
  • Python: Pandas 101 None
  • Python: Pandas 201 10:23
  • Python: Pandas 201 None
  • Python: Pandas 301 10:16
  • Python: Pandas 301 None
  • Python: Pandas 401 12:17
  • Python: Pandas 401 None
  • Python: Pandas 501 10:41
  • Python: Pandas 501 None
  • Python: Matplotlib 101 01:13
  • Python: Matplotlib 201 04:11
  • Python: Matplotlib None
  • Python: scikit-learn 101 01:25
  • مطالعه موردی اول: مرور کلی مسکن نشویل 01:51
  • فرآیند تفکر 01:31
  • روند کلی مسکن نشویل 07:05
  • تحلیل مسکن نشویل 17:22
  • خلاصه تحلیل مسکن نشویل 01:56
  • مطالعه موردی: نشویل None
  • مطالعه موردی دوم: تحلیل مدل کسب‌وکار اشتراکی 01:51
  • عملکرد کلی کسب‌وکار 09:28
  • مطالعه موردی: SQL اشتراک None
  • بارگذاری داده‌ کسب‌وکار اشتراک در DataFrame 06:54
  • ساخت یک مدل درخت تصمیم گیری در Python برای بهبود عملکرد کسب‌وکار 15:04
  • تبریک! 01:07

4,545,200 1,136,300 تومان

مشخصات آموزش

یادگیری علم داده و تحلیل داده از ابتدا

  • تاریخ به روز رسانی: 1404/12/10
  • سطح دوره:مقدماتی
  • تعداد درس:140
  • مدت زمان :07:37:35
  • حجم :5.7GB
  • زبان:دوبله زبان فارسی
  • دوره آموزشی:AI Academy

آموزش های مرتبط

The Great Courses
2,260,000 452,000 تومان
  • زمان: 03:02:02
  • تعداد درس: 14
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
795,000 159,000 تومان
  • زمان: 58:00
  • تعداد درس: 12
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
19,403,000 3,880,600 تومان
  • زمان: 26:02:40
  • تعداد درس: 175
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
8,508,000 1,701,600 تومان
  • زمان: 11:25:13
  • تعداد درس: 94
  • سطح دوره:
  • زبان: دوبله فارسی
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
1,833,000 366,600 تومان
  • زمان: 02:27:39
  • تعداد درس: 24
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
6,100,500 1,220,100 تومان
  • زمان: 08:11:21
  • تعداد درس: 28
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
7,256,500 1,451,300 تومان
  • زمان: 09:44:25
  • تعداد درس: 67
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
3,634,500 726,900 تومان
  • زمان: 04:52:43
  • تعداد درس: 38
  • 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