علم داده و آماده سازی داده با KNIME
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- ممکن است فرصت های شغلی جدیدی برای شما باز شود.
- ممکن است بتوانید بهره وری خود را افزایش دهید و در زمان انجام تسک های آماده سازی داده خود صرفه جویی کنید.
- بهره وری بالاتر در تهیه داده و کارهای مرتبط با علم داده
- چه نوع حلقه هایی در دسترس هستند و چگونه از آنها در KNIME استفاده کنید؟
- نمونه هایی از گردش کار یادگیری ماشین علم داده با KNIME
- مهارت های اولیه KNIME خود را که قبلاً به دست آورده اید را تقویت کنید.
- چگونه از پایتون در KNIME استفاده کنیم؟ (جاوا و R نیز می توانند مورد استفاده قرار گیرند اما در اینجا تمرکز ما بر روی آن ها نخواهد بود)
- چگونه علم داده را در KNIME با و بدون کدنویسی انجام دهیم؟
پیش نیازهای دوره
- هزینههای اضافی وجود ندارد - KNIME به صورت رایگان قابل دانلود است.
- پیش از این باید با KNIME کار کرده باشید.
- خود برنامه و مبانی آن در دوره "KNIME - دوره فشرده برای مبتدیان" که در Udemy نیز موجود است، پوشش داده شده است.
- دانش اولیه از یادگیری ماشین قطعاً مفید است. کد نویسی الزامی نیست، اما یاد میگیریم که چگونه از پایتون استفاده کنیم و کد پایتون خود را در KNIME اجرا کنیم.
توضیحات دوره
مهارت در علم داده، پاکسازی و آمادهسازی با KNIME
به دنیای آمادهسازی کارآمد دادهها خوش آمدید، جایی که تسک های خستهکننده به راحتی انجام میشوند. در حوزه علم داده و تحلیل، یک چیز قطعی است: پاکسازی دادهها، پیشپردازش، یا هر نامی که میخواهید به آن بدهید، میتواند پرفراز و نشیب باشد.
کارایی در دسترس شما
چگونه میتوانیم این روند را تسریع کنیم و با تلاش کمتر، کارآمدتر عمل کنیم؟ جواب در ابزارهایی نهفته است که نه تنها روند را شتاب میبخشند، بلکه نیاز به کد نویسی بیش از حد را نیز کاهش میدهند.
با KNIME آشنا شوید - همکار داده شما
KNIME قهرمان روز است. این ابزار رابط کاربری دوستانه و درگ و دراپ کردن را ارائه میدهد که آمادهسازی و پاکسازی دادهها را ساده میکند. تجربه کد نویسی لازم نیست، اما شما میتوانید قدرت R، پایتون یا جاوا را آزاد کنید اگر بخواهید. انعطافپذیری KNIME محدودیتی ندارد. شما حتی میتوانید به علم داده، از جمله یادگیری ماشین و هوش مصنوعی، با یا بدون کد نویسی بپردازید.
آیا اشاره کردیم که رایگان است؟
شما درست خواندید. دسکتاپ KNIME هزینهای ندارد. ابزاری قدرتمند است که بودجهتان را تحت تأثیر قرار نخواهد داد.
ارتقاء مهارتهای KNIME خود
این دوره پس از کلاس مقدماتی ما در مورد KNIME، «KNIME - دوره آموزشی سریع برای مبتدیان»، که در Udemy در دسترس است، ارائه میشود. در این قسمت دوم، ما عمیقتر به موضوعات پیشرفته میپردازیم.
چیزی که در این دوره وجود دارد
ما در اینجا به مباحث اولیه نمیپردازیم (مانند رابط کاربری، وارد کردن دادههای اولیه و گرههای فیلتر). اگر تازهکار هستید یا به یادآوری نیاز دارید، بررسی کلاس اول ما را در نظر بگیرید که مفاهیم اساسی را در یک مطالعه موردی جذاب پوشش میدهد.
در این دوره، ما:
- متدهای کارآمد برای ایمپورت کردن چندین فایل به KNIME
- قدرت حلقهها
- تکنیکهای وباسکرپینگ
- اسکریپتنویسی با پایتون در داخل KNIME
- بهینهسازی پارامترهای هیپر
- انتخاب ویژگی
- جریانهای یادگیری ماشین اولیه و گرههای ضروری KNIME
اگر کارایی و بررسی عمیق در علوم داده و آمادهسازی برای شما جذاب به نظر میرسد، پس بیایید این سفر را با هم آغاز کنیم!
آیا آماده ارتقاء مهارتهای داده خود هستید؟
این دوره برای چه کسانی مناسب است؟
- (امیدواران) دانشمندان داده
- (امیدواران) تحلیلگران داده
- دانشمندان/تحلیلگران دادهای که میخواهند سریعتر، کارآمدتر و هوشمندانهتر کار کنند.
علم داده و آماده سازی داده با KNIME
-
معرفی دوره 01:03
-
تغییر بین رابط قدیمی و جدید KNIME 01:46
-
خواندن چندین فایل CSV به صورت انبوه در KNIME 12:35
-
خواندن چندین فایل CSV به صورت انبوه در KNIME با حلقهها 08:33
-
خواندن کارآمد چندین فایل Excel در KNIME 19:50
-
یک گره helper عالی برای تحلیل سری زمانی در KNIME 07:31
-
نمونههایی از حلقهها در KNIME 08:30
-
بررسی بیشتر در حلقهها در پلتفرم تحلیل KNIME 07:00
-
حلقهها برای تقسیم دادهها به چندین خروجی 12:33
-
حلقههای پیشرفته در مثال بازگشتی KNIME 15:52
-
چگونگی انجام وباسکرپینگ در KNIME 14:23
-
استخراج دادههای مالی از یک API با استفاده از KNIME 12:30
-
اسکریپتنویسی: چگونگی استفاده از پایتون در KNIME 11:47
-
اسکریپتنویسی پایتون در KNIME به عنوان بخشی از گردش کار ما 08:41
-
تنظیم پارامترهای فوقالعاده در آمادهسازی داده KNIME 14:14
-
بهینهسازی پارامترهای فوقالعاده در آموزش و تست KNIME 20:02
-
انتخاب ویژگی در KNIME: چگونه شروع کنیم؟ 15:24
-
1 - یک پیام در ابتدا 00:56
-
خواندن چندین فایل csv به صورت انبوه در بروزرسانی KNIME 22:05
-
خواندن چندین فایل اکسل به صورت انبوه در بروزرسانی KNIME 14:48
-
یک گره helper عالی برای تحلیل سری های زمانی در KNIME 06:30
-
مثال ها در مورد نحوه استفاده از حلقه ها در KNIME 05:51
-
توضیحات بیشتر در مورد حلقه ها در KNIME - چندین راه برای به دست آوردن نتیجه یکسان 05:43
-
حلقه ها - چگونه داده ها را به بروزرسانی چندین فایل خروجی تقسیم کنیم؟ 15:40
-
بروزرسانی مهم KNIME (بسته به نسخه ای که برای ویدیوی بعدی استفاده می کنید) 01:09
-
بازگشت حلقه ها در KNIME 13:42
-
وب اسکرپینگ با KNIME 14:41
-
وب اسکرپینگ با بروزرسانی KNIME - دادههای مالی 28:32
-
اسکریپت نویسی - چگونه از پایتون در KNIME استفاده کنیم؟ (همچنین R و جاوا) 12:53
-
پایتون در KNIME - نمونه های بیشتر - بروزرسانی 09:35
-
بهینه سازی هایپرپارامتر در KNIME - آماده سازی داده 10:13
-
بهینه سازی هایپرپارامتر برای مدل های یادگیری ماشین با استفاده از حلقه ها در KNIME 16:22
-
انتخاب ویژگی در KNIME 15:33
-
بیایید فرآیند پیشبینی یادگیری ماشین را تمرین کنیم 09:48
-
داده روزهای پروژه گم شده 17:38
-
چالش تقسیم متنهای طولانی 13:59
-
چالش نگاشت تطبیق تقریبی 11:03
-
چالش روزهای کاری و آخر هفته مشتری 16:13
-
جایزه: چگونه متغیرهای جریان گمشده را بررسی کنیم؟ 09:08
-
چالش بررسی اطلاعات موجود 12:41
-
چالش جستجوی تقریبی تاریخ 12:01
-
چالش حذف رشتهها در پردازش متن 11:25
-
چالش تگگذاری کلیدواژه 12:22
-
چالش اصلاح املایی 12:25
-
چگونه با مسائل تبدیل تاریخ برخورد کنیم؟ 12:08
-
جایزه : چالش مولکول 21:54
-
کپی یا جابجایی فایلها با بروزرسانی KNIME 07:35
-
Countries - چالش پاکسازی داده 08:48
-
چالش ادغام جدول در KNIME 07:06
-
یک چالش فایل JSON در KNIME 13:36
-
آدرسهای نامطابق - معرفی جستجوی شباهت در KNIME 08:12
-
معرفی پردازش زبان طبیعی در KNIME 08:59
-
پردازش زبان طبیعی در KNIME 2 پیشپردازش و تمیز کردن داده 09:09
-
پردازش زبان طبیعی در KNIME 3 کیسه کلمات و بردار سند 08:56
-
انتخاب الگوریتم ML و ارزیابی مدل ما 07:30
-
چگونگی استفاده از اپلیکیشن جدید ChatGPT Data در KNIME 09:48
-
Generative AI در KNIME با K-AI 09:49
مشخصات آموزش
علم داده و آماده سازی داده با KNIME
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:مقدماتی
- تعداد درس:57
- مدت زمان :11:02:18
- حجم :5.34GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy