راهنمای کامل هوش مصنوعی مولد برای تحلیل داده و علم داده
✅ سرفصل و جزئیات آموزش
این دوره یک دستورالعمل جامع درباره استفاده از هوش مصنوعی مولد برای تحلیل داده و ساخت گردش های کاری علم داده ارائه می دهد.
GenAI پتانسیل آن را دارد که افراد بیشتری بتوانند با داده ها کار و آنها را تحلیل کنند، اما برای موفقیت، به یک پایه محکم در مدیریت داده، آمار و یادگیری ماشینی نیاز دارید. این دوره آن پایه را فراهم می کند.
مدرس Dan Sullivan به شما آموزش می دهد که چگونه سوالات کاری و سوالات علم داده را به کامپوننت هایی تجزیه کنید که می توان به صورت برنامه نویسی آنها را بررسی کرد و سپس می آموزد که چگونه از genAI به منظور ایجاد برنامه ها و اسکریپت ها برای پیاده سازی یک راه حل استفاده کنید.
این دوره روی سه رکن مورد نیاز برای تحلیلگر داده یا دانشمند داده موفق تمرکز می کند که شامل مهارت های حل مسئله، درک آمار و یادگیری ماشینی، و تجربه عملی با رویه های مدیریت داده است.
راهنمای کامل هوش مصنوعی مولد برای تحلیل داده و علم داده
-
شروع کار 0:00:42
-
پرسیدن سوالات 0:09:03
-
جمع آوری و به دست آوردن داده 0:04:53
-
پاکسازی و آماده سازی داده 0:03:18
-
تحلیل داده 0:03:18
-
مدل سازی پیش بینانه 0:01:27
-
یادگیری ماشین 0:04:11
-
تفسیر نتایج 0:02:23
-
حل مشکل 0:04:19
-
آمار 0:05:41
-
الگوریتم های یادگیری ماشین 0:03:35
-
اسپرد شیت ها 0:01:42
-
پایتون 0:02:27
-
SQL و پایگاه های داده رابطه ای 0:04:14
-
پلتفرم های آماری 0:02:37
-
کتابخانه های یادگیری ماشین 0:01:59
-
داده های کمی و کیفی 0:01:45
-
داده گسسته در مقابل داده پیوسته 0:02:03
-
داده طبقه بندی شده 0:03:08
-
سنجش های گرایش به مرکز 0:03:23
-
سنجش اسپرد 0:04:25
-
مصورسازی توزیع داده 0:02:14
-
توصیف مجموعه داده با استفاده از هوش مصنوعی مولد 0:05:02
-
چالش: توصیف داده 0:00:50
-
راه حل: توصیف داده 0:03:16
-
توزیع های داده 0:07:27
-
مصورسازی توزیع نرمال در اسپرد شیت 0:03:29
-
Jupyter Notebook و Colab 0:03:51
-
تولید توزیع نرمال 0:06:23
-
مصورسازی توزیع نرمال در پایتون 0:04:56
-
مصورسازی توزیع یکنواخت در پایتون 0:03:00
-
مصورسازی توزیع دو نمایی در پایتون 0:05:54
-
چالش: توزیع های داده 0:00:40
-
راه حل: توزیع های داده 0:04:07
-
نمونه گیری و جمعیت زیاد 0:06:31
-
ایجاد نمونه ها 0:06:01
-
ذخیره کردن نمونه ها در فایل 0:02:32
-
مقایسه جمعیت با آمار نمونه 0:04:02
-
چالش: داده های نمونه گیری 0:00:34
-
راه حل: داده های نمونه گیری 0:02:34
-
آمار استنباطی 0:04:25
-
متدولوژی آزمون فرضیه 0:04:17
-
تحلیل ترجیحات مشتری 0:11:20
-
خطاهای نوع اول و دوم 0:01:30
-
آزمون های ANOVA برای مقایسه میانگین 0:01:55
-
تولید اسکریپت های پایتون برای ANOVA 0:03:45
-
آزمون استقلال متغیرهای طبقه بندی شده 0:01:53
-
تولید اسکریپت های پایتون برای آزمون های Chi-squared 0:03:33
-
تحلیل همبستگی 0:07:12
-
تست نرمال بودن 0:02:25
-
تولید پایتون برای آزمون نرمال بودن 0:03:46
-
تولید پایتون برای تحلیل همبستگی 0:02:12
-
چالش: استنتاج از داده ها 0:00:24
-
راه حل: استنتاج از داده ها 0:03:17
-
مصورسازی داده 0:01:52
-
مصورسازی ترندها 0:04:43
-
مصورسازی همبستگی ها 0:02:34
-
مصورسازی کامپوزیشن 0:03:40
-
مصورسازی توزیع ها 0:02:53
-
چالش - مصورسازی داده 0:00:33
-
راه حل - مصورسازی داده 0:02:17
-
رگرسیون خطی 0:07:44
-
ارزیابی مدل های رگرسیون خطی 0:02:37
-
مصورسازی داده های فروش 0:01:56
-
ساخت مدل رگرسیون خطی 0:04:16
-
ارزیابی مدل رگرسیون خطی فروش 0:02:46
-
چالش: ساخت مدل رگرسیون 0:00:48
-
راه حل: ساخت مدل رگرسیون 0:04:32
-
فایل های داده 0:04:09
-
استفاده از اسپردشیت ها با فایل های CSV 0:02:43
-
بازبینی فایل نمونه JSON 0:04:29
-
استفاده از jq با فایل های JSON 0:06:23
-
تولید فرمان های jq با استفاده از هوش مصنوعی 0:06:01
-
دیتافریم ها در پایتون 0:08:20
-
بارگذای داده CSV در دیتافریم ها 0:03:44
-
بارگذای JSON در دیتافریم ها 0:06:17
-
بازرسی دیتافریم ها 0:04:12
-
کیفیت داده و پاکسازی داده 0:06:28
-
استفاده از هوش مصنوعی برای کیفیت داده و پاکسازی داده 0:05:06
-
چالش: داده از دست رفته 0:00:35
-
راه حل: داده از دست رفته 0:04:00
-
پایگاه داده های رابطه ای 0:15:15
-
پایگاه داده های NoSQL 0:10:21
-
استخراج، تبدیل و بارگذاری داده در پایگاه داده 0:05:46
-
آشنایی با SQL 0:05:45
-
ایجاد جداول و درج داده 0:08:02
-
کوئری زدن به داده با SQL 0:10:28
-
اتصال داده با SQL 0:06:57
-
آمار توصیفی در SQL 0:04:55
-
تولید مجموعه داده های مصنوعی برای پایگاه داده رابطه ای 0:07:12
-
تولید اسکیمای ستاره ای، داده مصنوعی و کوئری ها 0:03:41
-
چالش: تولید مدل داده رابطه ای 0:01:12
-
راه حل: تولید مدل داده رابطه ای 0:04:32
-
یادگیری نظارت شده و نظارت نشده 0:12:27
-
طبقه بندی 0:06:41
-
رگرسیون 0:02:56
-
خوشه بندی 0:03:20
-
چرخه عمر یادگیری ماشینی 0:05:37
-
مهندسی ویژگی 0:08:04
-
ارزیابی مدل 0:06:54
-
مدل طبقه بندی ساده 0:08:34
-
مدیریت داده های از دست رفته 0:05:00
-
مقایسه چندین الگوریتم 0:06:43
-
طبقه بندی با شبکه های عصبی 0:14:22
-
تیونینگ هایپرپارامتر 0:06:32
-
ارزیابی اهمیت ویژگی 0:02:24
-
چالش: پیش بینی قصد مصرف کننده 0:00:41
-
راه حل: پیش بینی قصد مصرف کننده 0:07:26
-
خوشه بندی با k-means 0:04:13
-
خوشه بندی با DBSCAN 0:02:06
-
خوشه بندی با خوشه بندی سلسله مراتبی 0:02:21
-
چالش: تقسیم بندی مشتریان 0:00:59
-
راه حل: تقسیم بندی مشتریان 0:04:50
-
پایگاه داده های ML دسترس پذیر 0:02:50
-
آشنایی با تئوری گراف 0:05:54
-
NetworkX 0:04:27
-
تحلیل شبکه اجتماعی 0:07:15
-
زنجیره های تامین و تحلیل شبکه 0:03:20
-
تولید زنجیره تامین مصنوعی 0:04:05
-
مصورسازی زنجیره تامین پیچیده 0:03:37
-
یافتن بالاترین نمرات بینابینی 0:04:36
-
موضوعات پیشرفته در تحلیل زنجیره تامین 0:06:26
-
چالش: تحلیل شبکه اجتماعی 0:00:19
-
راه حل: تحلیل شبکه اجتماعی 0:02:35
-
آشنایی با شبیه سازی ها 0:02:42
-
انواع شبیه سازی ها 0:10:03
-
مدل سازی مدیریت موجودی 0:07:13
-
مدل سازی مبتنی بر عامل 0:09:43
-
مدل سازی شیوع بیماری های عفونی 0:04:29
-
مدل سازی بیماری های عفونی مبتنی بر عامل 0:05:21
-
چالش: شبیه سازی آتش سوزی جنگل 0:00:55
-
راه حل: شبیه سازی آتش سوزی جنگل 0:05:49
-
الزامات پروژه Capstone 0:03:36
-
راه حل پروژه Capstone 0:19:45
-
گام های بعدی و منابع اضافی 0:02:30
مشخصات آموزش
راهنمای کامل هوش مصنوعی مولد برای تحلیل داده و علم داده
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:متوسط
- تعداد درس:135
- مدت زمان :10:21:44
- حجم :1.21GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy