پایتون برای علم داده - بوتکمپ کامل علم داده
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- علم داده چیست؟
- چرا پایتون برای علم داده؟
- مقدمهای بر Jupyter Notebooks
- متغیرها، تایپهای داده و عملگرها
- کنترل جریان - شرطیها و حلقهها
- کار با ماژولها و پکیجها
- مدیریت خطا و Assertions
- مقدمهای بر Pandas - سریها و دیتافریمها
- خواندن و نوشتن داده (CSV و Excel و JSON)
- پاکسازی و پیشپردازش داده
- مدیریت مقادیر گمشده و داپلیکیتها
- تبدیل داده و مهندسی ویژگی
- ایجاد، ایندکسگذاری و اسلایس کردن آرایهها
- عملیاتهای ریاضی با NumPy
- توابع مفید NumPy برای علم داده
- مقدمهای بر مصورسازی داده
- ترسیم نمودار با Matplotlib
- Seaborn برای نمودارهای آماری
- نمودارهای پیشرفته - نقشه حرارتی، Pairplot و نمودار ویولن
- شناسایی الگوها، داده پرت و روندها
- استفاده از Pandas Profiling و Sweetviz
پیشنیازهای دوره
- نیازی به تجربه قبلی در علم داده نیست.
توضیحات دوره
پایتون برای علم داده یکی از پرتقاضاترین مهارتها برای تحلیلگران داده، دانشمندان داده و مهندسان یادگیری ماشین است. این دوره یک راهنمای کامل، مبتدیپسند و کاربردی برای یادگیری علم داده با استفاده از پایتون، بدون نیاز به هیچ تجربه قبلی، است.
شما یاد میگیرید چگونه داده را تحلیل کنید، مجموعه دادهها را پاکسازی کنید، بینشها را مصورسازی کرده و با داده واقعی با استفاده از محبوبترین کتابخانههای پایتون که توسط متخصصان صنعت استفاده میشوند کار کنید.
این دوره بر یادگیری عملی تمرکز دارد و به شما کمک میکند مهارتهای واقعی علم داده را بسازید که بتوانید بلافاصله در پروژهها، شغلها و مصاحبهها به کار ببرید.
آنچه یاد خواهید گرفت:
- از پایتون برای علم داده و تحلیل داده استفاده کنید.
- با NumPy و Pandas با اطمینان کار کنید.
- مجموعه دادههای واقعی را پاکسازی، تبدیل و دستکاری کنید.
- تحلیل اکتشافی داده (EDA) انجام دهید.
- داده را با Matplotlib و Seaborn مصورسازی کنید.
- آمار پایه برای علم داده را درک کنید
- پایتون را برای حل مسائل واقعی کسبوکار و داده به کار ببرید.
- پایهای قوی برای یادگیری ماشین و هوش مصنوعی بسازید.
چرا این دوره مؤثر است؟
- مناسب مبتدیان با توضیحات گامبهگام
- تمرینهای کدنویسی عملی و مجموعه دادههای تمرینی
- نمونههای واقعی مورد استفاده متخصصان داده
- توضیحات شفاف بدون پیچیدگی غیرضروری
- طراحی شده برای رشد شغلی و آمادگی برای استخدام
چرا پایتون را برای علم داده یاد بگیریم؟
پایتون زبان برنامهنویسی شماره 1 برای علم داده، تحلیل داده و یادگیری ماشین است. با تسلط به پایتون برای علم داده، درهای موقعیتهای شغلی پردرآمد، تصمیمگیری داده محور و فناوریهای پیشرفته مانند هوش مصنوعی و یادگیری ماشین به روی شما باز میشود.
همین حالا در دوره شرکت کرده و با اطمینان سفر خود را در پایتون برای علم داده آغاز کنید.
این دوره برای چه کسانی مناسب است؟
- کسی که میخواهد با استفاده از پایتون با داده کار کند.
- دانشجویانی که برای مسیر شغلی علم داده یا تحلیل داده آماده میشوند.
- مبتدیانی که میخواهند پایتون را برای علم داده یاد بگیرند.
- افرادی که به دنبال تغییر مسیر به سمت تحلیل داده یا علم داده هستند.
پایتون برای علم داده - بوتکمپ کامل علم داده
-
علم داده چیست؟ 04:43
-
چرا پایتون برای علم داده؟ 04:52
-
مقدمهای بر Jupyter Notebooks 01:14
-
اولین اسکریپت پایتون - Hello, Data 05:37
-
متغیرها، تایپهای داده و عملگرها 06:25
-
کنترل جریان - شرطیها و حلقهها 06:31
-
توابع و اسکوپ 05:29
-
کار با ماژولها و پکیجها 06:43
-
مدیریت خطا و Assertions 07:41
-
مقدمهای بر Pandas: سریها و دیتافریمها 06:15
-
خواندن و نوشتن داده (CSV و Excel و JSON) 06:14
-
پاکسازی و پیشپردازش داده 07:43
-
مدیریت مقادیر گمشده و داپلیکیتها 07:58
-
تبدیل داده و مهندسی ویژگی 07:33
-
گروهبندی، مرتبسازی و تجمیع داده 06:07
-
آرایهها در برابر لیستها 04:09
-
ایجاد، ایندکسگذاری و اسلایس کردن آرایهها 03:44
-
عملیاتهای ریاضی با NumPy 05:20
-
Broadcasting و بردارسازی 03:38
-
توابع مفید NumPy برای علم داده 06:07
-
مقدمهای بر مصورسازی داده 04:51
-
ترسیم نمودار با Matplotlib 07:09
-
سفارشیسازی نمودارها (رنگها، برچسبها، لجندها) 06:19
-
نمودارهای پیشرفته - نقشه حرارتی، Pairplot و نمودار ویولن 06:09
-
مصورسازیهای تعاملی (اختیاری: Plotly و Altair) 04:07
-
EDA چیست؟ 04:12
-
شناسایی الگوها، داده پرت و روندها 04:58
-
آمار توصیفی 05:26
-
تحلیل همبستگی 03:48
-
استفاده از Pandas Profiling و Sweetviz (اختیاری) 04:51
-
میانگین، میانه، مد، واریانس و انحراف معیار 04:11
-
مفاهیم احتمال 03:48
-
آزمون فرضیه 03:34
-
فواصل اطمینان 03:51
-
شهود رگرسیون خطی 06:22
-
یادگیری ماشین چیست؟ 03:11
-
یادگیری نظارت شده در برابر یادگیری بدون نظارت 05:27
-
گردشکار یادگیری ماشین (آمادهسازی، آموزش، ارزیابی، تیونینگ) 05:00
-
الگوریتمهای رگرسیون - خطی، ریج و لسو 06:37
-
الگوریتمهای طبقهبندی - رگرسیون لجستیک، KNN، درختهای تصمیم 06:26
-
خوشهبندی - K-Means 02:54
-
مقدمهای بر تحلیل سریهای زمانی 05:38
-
مقدمهای بر یادگیری عمیق با TensorFlow و Keras 05:58
-
کار با کلان داده (مقدمهای بر PySpark) 05:53
مشخصات آموزش
پایتون برای علم داده - بوتکمپ کامل علم داده
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:Alls
- تعداد درس:44
- مدت زمان :03:54:43
- حجم :3.04GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy