تحلیل داده، علم داده و یادگیری ماشین - همه در یک دوره

آنچه یاد خواهید گرفت:

• اصول، کاربردها و مسیر تبدیل شدن به یک دانشمند داده را در علم داده درک کنید.
• با برنامه‌نویسی پایتون و مفاهیمی مانند متغیرها، حلقه‌ها، توابع و برنامه‌نویسی شیءگرا، داده را تحلیل کنید.
• آمار و احتمال را با توزیع‌ها، آزمون فرض و استنباط آماری در پایتون به‌کار بگیرید.
• پاک‌سازی، تبدیل و تحلیل داده اکتشافی (EDA) را با پانداس و NumPy انجام دهید.
• داده را با پایتون و با نمودارهای میله‌ای، هیستوگرام، نمودار پراکندگی، نقشه حرارتی و نمودار جعبه‌ای مصورسازی کنید.
• مدل‌های رگرسیون، طبقه‌بندی و خوشه‌بندی را با scikit-learn بسازید و عملکرد آن‌ها را ارزیابی کنید.
• به تکنیک‌های پیشرفته یادگیری ماشین مانند اعتبارسنجی متقابل، مهندسی ویژگی، منظم‌سازی و تیونینگ هایپرپارامتر مسلط شوید.
• روش‌های یادگیری جمعی مانند جنگل تصادفی، AdaBoost ،CatBoost ،LightGBM و XGBoost را پیاده‌سازی کنید.
• یادگیری عمیق را با شبکه‌های عصبی و TensorFlow، از پیش‌پردازش تا ارزیابی مدل، بررسی کنید.
• از طریق پروژه‌ها و ارزیابی‌های واقعی، تجربه عملی کسب کنید و یک پورتفولیوی قوی بسازید.
• مهارت‌های اکسل، اس کیوال، پایتون، پاور بی آی و چت‌جی‌پی‌تی را برای آمادگی ورود به شغل تحلیل‌گر داده بدست آورید.
• اصول تحلیل داده را با آمار، آزمون فرض و یادگیری ماشین بیاموزید.
• از اکسل برای پاک‌سازی داده، دستکاری داده، فرمول‌ها، توابع، گراف‌ها و نمودارها استفاده کنید.
• ابزارهای پیشرفته اکسل مانند جدول محوری، Analysis ToolPak و داشبوردهای تعاملی را به‌کار بگیرید.
• اصول RDBMS از جمله کلیدها، انواع داده و مدل‌های رابطه‌ای را درک کنید.
• با MySQL برای دستکاری جدول‌ها، محدودیت‌ها، ایندکس‌ها، فیلترینگ و جوین‌ها کار کنید.
• مبانی پایتون شامل متغیرها، انواع داده، لیست‌ها، دیکشنری‌ها، حلقه‌ها و توابع را یاد بگیرید.
• به پایتون برای پاک‌سازی، دستکاری، پیش‌پردازش و تبدیل داده مسلط شوید.
• از پایتون برای مصورسازی، تحلیل اکتشافی، آمار و مدل‌سازی یادگیری ماشین استفاده کنید.
• از چت‌جی‌پی‌تی برای دستکاری داده، ادغام داده، جدول محوری و منطق شرطی بهره ببرید.
• از چت‌جی‌پی‌تی برای تحلیل پیش‌گویانه با جنگل تصادفی و مدل‌های یادگیری ماشین استفاده کنید.
• پاور بی آی را برای دستکاری داده، تحلیل و بینش‌های داشبوردی یاد بگیرید.
• داشبوردهای حرفه‌ای و داستان‌محور را در پاور بی آی با عناصر بصری موثر ایجاد کنید.
• بیش از 30 تکلیف، بیش از 120 تمرین کدنویسی و 10 آزمون با بیش از 100 سؤال را تکمیل کنید.
• 4 پروژه نهایی را انجام دهید: تحلیل ریزش مشتریان بانک، تحلیل ورزش، مدیریت داده منابع انسانی و تحلیل عملکرد وب‌سایت
• 7 پروژه هوش مصنوعی را انجام دهید: ایجاد کپشن تصویر، چت‌بات، دستیار صوتی، متن به تصویر، خلاصه‌ساز ویدئو، مترجم زبان و هوش مصنوعی تحلیل داده

پیش‌نیازهای دوره

• دسترسی به کامپیوتر و اینترنت
• سواد اولیه کامپیوتر
• بدون نیاز به تجربه کدنویسی
• تعهد، صبر و پشتکار

توضیحات دوره

سفری تحول‌آفرین را به دنیای تحلیل داده، علم داده و یادگیری ماشین آغاز کنید؛ جایی که مهارت‌ها، ابزارها و ذهنیت‌های ضروری برای تبدیل شدن به یک متخصص موفق داده را یاد می‌گیرید. این برنامه جامع طوری طراحی شده است که شما را از سطح مبتدی به پیشرفته برساند و دانش و تجربه عملی لازم برای موفقیت در این حوزه را در اختیارتان بگذارد.

چه بخواهید مسیر شغلی خود را در تحلیل داده آغاز کنید و چه بخواهید مهارت‌های فعلی‌تان را ارتقا دهید، این دوره شما را برای موفقیت در دنیای پویای داده توانمند می‌کند. در این مسیر هیجان‌انگیز با ما همراه شوید و فقط در 60 تا 100 روز یادگیری منظم، پتانسیل خود را شکوفا کنید.

چرا این دوره مهم است؟

بیشتر دانشجویان با منابع پراکنده، راهنمایی‌های ناسازگار یا محتوای نظری بیش از حد مواجه می‌شوند که منجر به ایجاد مهارت واقعی نمی‌شود. این دوره این مشکل را حل می‌کند. ساختار آن به‌صورت گام‌به‌گام، پیوسته و همراه با پیشرفت روزانه طراحی شده است تا به شما کمک کند دانش را به توانایی و توانایی را به آمادگی شغلی تبدیل کنید.

ما در انقلاب هوش مصنوعی زندگی می‌کنیم و هر صنعت با ابزارهایی مانند چت‌جی‌پی‌تی، استیبل دیفیوژن و AI copilotها برای نوشتن، کدنویسی، طراحی، تحلیل و غیره در حال تحول است. این دوره تضمین می‌کند فقط تئوری یاد نگیرید، بلکه راه‌حل‌های واقعی و کاربردی بسازید که شما را برای ورود به بازار کار آماده می‌کنند.

1. اصول تحلیل داده، علم داده و پایتون

• یاد بگیرید چگونه مانند یک دانشمند داده فکر کنید، نه فقط اینکه چگونه کد بنویسید.
• اصول پایتون: متغیرها، حلقه‌ها، شرطی‌ها، توابع و ساختارهای داده
• شیوه‌های کدنویسی تمیز، ماژولار و قابل‌استفاده‌مجدد برای گردش‌کارهای داده
• ایمپورت ومدیریت مجموعه داده‌های واقعی با پانداس و NumPy
• انواع داده، بهینه‌سازی حافظه و بهبود عملکرد
• تکنیک‌های کامل پاک‌سازی و دستکاری داده: مرتب‌سازی، فیلترینگ، جدول محوری و نمودارها

2. تسلط به اکسل، اس کیوال، پایتون و پاور بی آی

• اکسل: دستکاری داده، انجام محاسبات و ایجاد مصورسازی‌ها
• اس کیوال: جستجو و دستکاری پایگاه داده‌های رابطه‌ای، انجام جوین‌ها، تجمیع‌ها و بهینه‌سازی کوئری‌ها
• پایتون: تحلیل و مصورسازی داده با پانداس، NumPy و Matplotlib و خودکارسازی گردش‌کارها و ساخت داشبوردهای پیشرفته
• چت‌جی‌پی‌تی برای تحلیل داده: مدیریت داده گمشده، داده پرت، ادغام مجموعه داده‌ها، Pivoting و حتی پیش‌بینی‌های پیشرفته یادگیری ماشین
• پاور بی آی: اتصال به چندین منبع داده، پاک‌سازی و تبدیل داده و طراحی داشبوردها و گزارش‌های تعاملی

3. تحلیل داده اکتشافی (EDA)

• درک شکل، توزیع‌ها و ماهیت داده خام
• گروه‌بندی، فیلترینگ و شکل‌دهی مجدد پیشرفته با پانداس
• مصورسازی روابط با Matplotlib و Seaborn (هیستوگرام، نقشه حرارتی و نمودار جفتی)
• توسعه درک قوی از شهود داده و مهارت‌های فرضیه‌سازی

4. احتمال، آمار و ریاضیات برای علم داده

• توزیع‌های احتمال: نرمال، دوجمله‌ای، پواسون، نمایی و یکنواخت
• آمار توصیفی: میانگین، میانه، نما، واریانس و انحراف معیار
• آمار استنباطی: فواصل اطمینان، آزمون فرض، کای‌دو، آزمون t و ANOVA
• جبر خطی: بردارها، ماتریس‌ها، ضرب داخلی و اصول PCA
• حساب دیفرانسیل و انتگرال: مشتق‌ها، گرادیان‌ها، بهینه‌سازی و گرادیان نزولی برای یادگیری ماشین

5. یادگیری ماشین و مهندسی ویژگی

• گردش‌کار کامل یادگیری ماشین: پیش‌پردازش، آموزش، اعتبارسنجی و تست
• الگوریتم‌ها: رگرسیون لجستیک، درخت تصمیم‌گیری، جنگل تصادفی، KNN و روش‌های جمعی
• مدیریت عدم  توازن کلاس‌ها (SMOTE، نمونه‌برداری طبقه‌بندی‌شده)
• ارزیابی مدل: دقت، صحت، بازیابی، امتیاز F1 و ROC-AUC
• مبادله سوگیری-واریانس و کم‌برازش در مقابل بیش‌برازش
• مهندسی ویژگی: کدگذاری متغیرهای دسته‌ای، مقیاس‌بندی و نرمال‌سازی و ساخت پایپ‌لاین‌ها
• تیونینگ هایپرپارامتر (GridSearchCV و RandomizedSearchCV)

6. یادگیری عمیق و Generative AI

• شبکه‌های عصبی با تنسورفلو: تنسورها، توابع فعال‌ساز، پس‌انتشار، بهینه‌سازها.
• ساخت و آموزش مدل‌ها به‌صورت گام‌به‌گام، تیونینگ و ارزیابی با معیارهای دقت و خطا
• مهندسی پرامپت: زنجیره افکار، درخت افکار و پرامپت‌های ساختاریافته
• ابزارها و کاربردهای Generative AI: تولید متن، تصویر، کد، صدا و ویدئو
• کاربردهای واقعی هوش مصنوعی: چت‌بات‌ها، مترجم‌ها، دستیارهای صوتی، تبدیل متن به تصویر و خلاصه‌سازی ویدئو

7. پروژه‌ها و تمرین عملی

• بیش از 30 تکلیف، 120 تمرین کدنویسی و 10 آزمون
• پروژه‌های نهایی:
  • تحلیل داده بانک
  • تحلیل داده ورزشی
  • تشخیص تقلب و طبقه‌بندی
  • رتبه‌بندی مهاجمان (استقرار یادگیری ماشین end-to-end)
• پروژه‌های Generative AI (7 پروژه کامل)

مزایای دوره

• آمادگی شغلی: مهارت‌های فنی و حرفه‌ای لازم به منظور شایستگی برای نقش‌های تحلیل‌گر داده و دانشمند داده را بدست آورید.
• چند منظوره: در اکسل، اس کیوال، پایتون، پاور بی آی، تنسورفلو، Hugging Face و غیره مهارت پیدا کنید.
• مهارت‌های حل مسئله: توانایی‌های تفکر تحلیلی و انتقادی خود را تقویت کنید.
• تقویت پورتفولیو: پورتفولیویی قدرتمند از پروژه‌های واقعی بسازید تا در مصاحبه‌ها ارائه کنید.
• یادگیری مرتبط با صنعت: با متدولوژی‌های مدرن داده و هوش مصنوعی بروز بمانید.

این دوره چگونه شما را متحول می‌کند؟

با دنبال کردن این نقشه راه ساختاریافته، توانایی‌های زیر را بدست خواهید آورد:

• با اطمینان با مجموعه داده‌های واقعی کار کنید و تحلیل مستقل انجام دهید.
• مدل‌های یادگیری ماشین و هوش مصنوعی را بسازید، تیونینگ کنید و مستقر نمایید.
• اصول ریاضی علم داده مدرن را درک کنید.
• پورتفولیویی بسازید که برای مصاحبه‌های شغلی یا فرصت‌های فریلنسری قدرتمند باشد.
• برای نقش‌های سطح مبتدی تا متوسط در علم داده، مهندسی یادگیری ماشین یا تحلیل واجد شرایط شوید.

یک محدودیت صادقانه

این دوره برای دانشجویانی که یادگیری بسیار انیمیشنی و منفعل را ترجیح می‌دهند، مناسب نیست. سبک آموزش متنی، کدنویسی‌محور و توضیح‌محور است و بر عمق، وضوح و کاربرد عملی تأکید دارد. نمودارها و تصاویر نیز ارائه شده‌اند، اما تمرکز اصلی بر انجام دادن، فکر کردن و ساختن است.

این دوره برای چه کسانی مناسب است؟

• همه!