آموزش ضروری پایتون برای علم داده و یادگیری ماشین - بخش 2
✅ سرفصل و جزئیات آموزش
در بخش دوم این دوره دو قسمتی، نکات ضروری استفاده از پایتون برای علم داده و یادگیری ماشین را بررسی می کنید.
اگر شما یک حرفه ای هستید که می خواهید از داده کسب و کار برای تصمیم گیری بهتر از طریق تحلیل پیش بینانه استفاده کنید، این دوره می تواند به شما کمک کند. لیلیان پیرسون، مهندس، مدیر عامل و رئیس محصول در Data-Mania، شما را از طریق ترکیبی قوی از تجربیات کدنویسی اولیه علم داده، نمایش ها، چالش ها، راه حل ها و تمرین هایی که می توانید به سرعت در تحلیل داده و پروژه های تحلیل سفارشی سازی شده اعمال کنید، راهنمایی می کند. شما بهترین شیوه ها برای پاکسازی داده، مصورسازی داده، تحلیل داده و برنامه نویسی پایتون را می آموزید.
در پایان دوره قادر خواهید بود از پایتون برای موارد زیر استفاده کنید:
- پاکسازی، شکل دهی، فرمت بندی مجدد و توصیف داده
- ایجاد مصورسازی های داده برای ارائه داده و تحلیل اکتشافی ویژوال
- شناسایی و حذف داده پرت
- انجام تحلیل داده ساده
- منبع یابی، فرار و تحلیل داده از اینترنت
- تولید دارایی های تحلیلی مشارکتی با استفاده از Plot.ly
آموزش ضروری پایتون برای علم داده و یادگیری ماشین - بخش 2
-
ترفندهای علم داده 0:00:40
-
آنچه باید بدانید 0:00:34
-
چگونه از Codespace در این دوره استفاده کنیم؟ 0:03:14
-
تعریف علم داده 0:05:06
-
بررسی زمینه های کاربرد یادگیری ماشین 0:09:48
-
اصول هوش مصنوعی یادگیری ماشین 0:03:33
-
گروه بندی الگوریتم های یادگیری ماشین 0:06:40
-
نقشه راه یادگیری ماشین سطح بالا 0:03:00
-
رگرسیون خطی 0:12:55
-
رگرسیون خطی چندگانه 0:10:03
-
رگرسیون لجستیک - مفاهیم 0:08:18
-
رگرسیون لجستیک - آماده سازی داده 0:08:01
-
رگرسیون لجستیک - کار با مقادیر گمشده 0:12:34
-
رگرسیون لجستیک - رمزگذاری مجدد متغیر 0:14:09
-
رگرسیون لجستیک - اعتبارسنجی مجموعه داده 0:03:33
-
رگرسیون لجستیک - استقرار مدل 0:05:30
-
رگرسیون لجستیک - ارزیابی مدل 0:02:53
-
رگرسیون لجستیک - پیش بینی تست 0:04:18
-
تحلیل خوشه ای با متد K-means 0:14:37
-
تحلیل خوشه ای سلسله مراتبی 0:16:23
-
DBSCAN برای تشخیص داده پرت 0:12:07
-
تحلیل عاملی اکتشافی 0:05:23
-
تحلیل مؤلفه های اصلی (PCA) 0:10:45
-
مدل های قوانین انجمنی با الگوریتم Apriori 0:23:14
-
یادگیری مبتنی بر نمونه با استفاده از KNN 0:10:08
-
درختان تصمیم گیری با CART 0:08:52
-
آمار بیزی با بیز ساده 0:12:49
-
یادگیری گروهی با جنگل تصادفی 0:14:02
-
شبکه های عصبی با پرسپترون ها 0:02:31
-
ساخت شبکه عصبی 0:08:49
-
آشنایی با پردازش زبان طبیعی (NLP) 0:12:23
-
پاکسازی و stemming داده متنی 0:08:23
-
Lemmatizing و تحلیل داده متنی 0:10:11
-
آشنایی با Generative AI 0:05:48
-
بررسی عمیق مدل های Generative AI 0:06:50
-
ادامه دادن با پیشرفت های هوش مصنوعی 0:06:05
-
دموی کدنویسی - پیاده سازی مدل generative AI 0:11:01
-
گام های بعدی و منابع اضافی 0:01:09
مشخصات آموزش
آموزش ضروری پایتون برای علم داده و یادگیری ماشین - بخش 2
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:متوسط
- تعداد درس:38
- مدت زمان :5:16:19
- حجم :707.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
- زمان: 01:39:55
- تعداد درس: 6
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:47:39
- تعداد درس: 30
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 03:48:11
- تعداد درس: 47
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 54:55
- تعداد درس: 18
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:33:59
- تعداد درس: 86
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 06:44:45
- تعداد درس: 35
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 18:29:24
- تعداد درس: 115
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 05:21:41
- تعداد درس: 51
-
سطح دوره:
-
زبان: دوبله فارسی