تسلط به طبقهبندی با Pandas و پایتون [2024]
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- تسلط به طبقهبندی هم در تئوری و هم در عمل
- تسلط به مدلهای طبقهبندی از رگرسیون لجستیک تا مدل Classifier گاوسی بیز ساده
- استفاده از تئوریهای کاربردی طبقهبندی و یادگیری اجرای آسان تسکهای پیچیده طبقهبندی
- استفاده از مدلهای درخت تصمیمگیری پیشرفته، جنگل تصادفی و Classifier رایگیری
- استفاده از شبکههای چند لایه پیشخور و ساختارهای مدل Classifier پیشرفته
- استفاده از نمودارهای سطح تصمیم گیری مؤثر و ابزارهای دیگر برای ارزیابی عملکرد Classifier
- استفاده از کتابخانه Scikit-learn برای طبقهبندی با پشتیبانی از Matplotlib و Seaborn و Pandas و پایتون
- تسلط به برنامهنویسی پایتون 3 با استفاده از ساختارهای داده نیتیو پایتون، ترنسفرمرهای داده، توابع، شیگرایی و منطق
- طراحی و استفاده از ساختارهای پیچیده پایتون و اجرای تسکهای مدیریت داده دقیق با پایتون شامل مدیریت فایل
- استفاده از برنامهنویسی شیگرای پیشرفته پایتون و ایجاد آبجکتهای سفارشی، توابع و نحوه عمومیسازی توابع
- دستکاری داده و استفاده از ساختارهای داده چندبعدی ناهموار پیشرفته
- تسلط به کتابخانههای Pandas 2 و 3 برای مدیریت داده پیشرفته
- استفاده از زبان و مفاهیم بنیادی کتابخانه Pandas و مدیریت تمام جنبههای ایجاد، تغییر و انتخاب داده از دیتافریم Pandas
- استفاده از مدیریت فایل با Pandas و نحوه ترکیب دیتافریمهای Pandas با استفاده از توابع و متدهای concat، جوین و ادغام
- انجام آمادهسازی داده پیشرفته که شامل انتساب مبتنی بر مدل پیشرفته از داده گمشده و مقیاسبندی و استانداردسازی داده
- ایجاد توصیفات و آمارهای پیچیده داده با Pandas و رنکینگ، مرتبسازی، جدولبندی متقاطع، چرخش، melt، ترانهادگی و گروهبندی داده
- ایجاد مصورسازیهای پیشرفته داده با Pandas و Matplotlib و Seaborn
- رایانش ابری - استفاده از نوتبوک ابری آناکوندا (Jupyter Notebook مبتنی بر ابر) و یادگیری استفاده از منابع رایانش ابری
- اختیاری - استفاده از توزیع آناکوندا (برای ویندوز، مک و لینوکس)
پیشنیازهای دوره
- تجربه روزمره استفاده از کامپیوتر با یکی از سیستمعاملهای ویندوز، سیستم عامل مک، iOS، اندروید، ChromeOS یا لینوکس پیشنهاد میشود.
توضیحات دوره
این دوره ویدئویی سه در یک به شما آموزش می دهد که به طبقهبندی، پایتون 3، Pandas 2 + 3 و مدیریت پیشرفته داده مسلط شوید.
شما یاد میگیرید که به طبقهبندی با تعدادی از تکنیکهای طبقهبندی پیشرفته مسلط شوید. شما میآموزید که ساختارهای مدل پیشرفته مانند شبکههای عصبی مصنوعی پیشخور را برای تسکهای طبقهبندی مدیریت کنید.
شما یاد میگیرید که به بلوکهای سازنده نیتیو پایتون و برنامهنویسی شیگرا قدرتمند مسلط شوید. شما ساختارهای پیشرفته خود را از بلوکهای سازنده پایتون طراحی کرده و تسکهای دقیق مدیریت داده را با پایتون اجرا خواهید کرد.
شما یاد میگیرید که به کتابخانه Pandas مسلط شده و از تکنیکهای قدرتمنپ مدیریت داده آن برای تسکهای پیشرفته علم داده و مدیریت داده یادگیری ماشین استفاده کنید. کتابخانه Pandas، ابزار متن باز، سریع، قدرتمند، انعطافپذیر و آسان برای تحلیل و دستکاری داده است که مستقیماً با زبان برنامهنویسی پایتون قابل استفاده است.
این دوره برای چه کسانی مناسب است؟
- تمام کسانی که میخواهند به طبقهبندی مسلط شوند.
- تمام کسانی که میخواهند از ابتدا یا سطح مبتدی به پایتون 3 مسلط شوند.
- تمام کسانی که میخواهند به پایتون 3 و یک زبان برنامهنویسی دیگر مسلط شوند.
- تمام کسانی که میخواهند به کتابخانه Pandas مسلط شده و آن را یاد بگیرند.
- تمام کسانی که میخواهند مهارتهای مدیریت داده را بیاموزند که به عنوان افزاینده عملکرد عمل میکند و در تمام طول حرفهشان مورد استفاده قرار میگیرد
- تمام کسانی که میخواهند مدیریت داده پیشرفته را یاد بگیرند و قابلیتها و بهرهوری خود را بهبود دهند.
تسلط به طبقهبندی با Pandas و پایتون [2024]
-
مقدمه 16:48
-
راهاندازی نوتبوک ابری آناکوندا 14:22
-
دانلود و نصب توزیع آناکوندا (اختیاری) 21:05
-
سیستم مدیریت پکیج Conda (اختیاری) 35:00
-
بررسی پایتون برای مدیریت داده 28:25
-
عدد صحیح در پایتون 14:12
-
شناور در پایتون 10:50
-
رشتهها در پایتون - بخش 1 15:03
-
رشتهها در پایتون - بخش 2 - متدهای رشته سطح متوسط 22:36
-
رشتهها در پایتون - بخش 3 - آبجکتهای تاریخ زمان و رشتهها 27:33
-
بررسی ساختارهای ذخیرهسازی داده نیتیو در پایتون 03:00
-
مجموعه در پایتون 15:20
-
تاپل در پایتون 27:35
-
دیکشنری در پایتون 30:00
-
لیست در پایتون 33:57
-
بررسی ترنسفرمرها و توابع داده در پایتون 03:06
-
حلقه while در پایتون 19:20
-
حلقه for در پایتون 17:02
-
عملگرهای منطقی و برنچینگ کد شرطی در پایتون 31:00
-
توابع پایتون - بخش 1 - کمی تئوری 03:20
-
توابع پایتون - بخش 2 - ایجاد توابع خود 33:53
-
برنامهنویسی شیگرا در پایتون - بخش 1 - کمی تئوری 14:10
-
برنامهنویسی شیگرا در پایتون - بخش 2 - ایجاد آبجکتهای سفارشی خود 39:20
-
برنامهنویسی شیگرا در پایتون - بخش 3 - فایلها و جداول 27:17
-
برنامهنویسی شیگرا در پایتون - بخش 4 - جمعبندی و موارد دیگر 58:21
-
تسلط به Pandas برای مدیریت داده - بررسی 11:21
-
تئوری و اصطلاحات Pandas 11:13
-
ایجاد دیتافریم Pandas از ابتدا 30:47
-
مدیریت فایل Pandas - بررسی 02:51
-
مدیریت فایل Pandas - فرمت فایل csv. 18:48
-
مدیریت فایل Pandas - فرمت فایل xlsx. 23:20
-
مدیریت فایل Pandas - فایلهای پایگاه داده SQL و دیتافریم Pandas 15:08
-
عملیاتها و تکنیکهای Pandas - بررسی 03:11
-
عملیاتها و تکنیکهای Pandas - بررسی آبجکتها 19:34
-
عملیاتها و تکنیکهای Pandas - بررسی دیتافریم 18:53
-
عملیاتها و تکنیکهای Pandas - انتخاب ستونها 21:04
-
عملیاتها و تکنیکهای Pandas - انتخاب سطرها 21:11
-
عملیاتها و تکنیکهای Pandas - انتخاب شرطی 21:27
-
عملیاتها و تکنیکهای Pandas - اسکالرها و استانداردسازی 23:08
-
عملیاتها و تکنیکهای Pandas - الحاق دیتافریمها 29:21
-
عملیاتها و تکنیکهای Pandas - جوین کردن دیتافریمها 19:30
-
عملیاتها و تکنیکهای Pandas - ادغام دیتافریمها 30:48
-
عملیاتها و تکنیکهای Pandas - توابع Transpose و Pivot 34:31
-
آمادهسازی داده Pandas - بخش 1 - بررسی و گردش کار 05:23
-
آمادهسازی داده Pandas - بخش2 - ویرایش برچسبهای دیتافریم 20:16
-
آمادهسازی داده Pandas - بخش 3 - داپلیکیتها 22:23
-
آمادهسازی داده Pandas - بخش 4 - داده گمشده و انتساب 54:35
-
آمادهسازی داده Pandas - بخش 5 - اتصالات داده [ویدئوی اضافی] 46:32
-
آمادهسازی داده Pandas - بخش 6 - ویژگیهای اندیکاتور [ویدئوی اضافی] 33:01
-
توضیحات داده Pandas - بخش 1 - بررسی 02:35
-
توضیحات داده Pandas - بخش 2 - مرتبسازی و رنکینگ 26:51
-
توضیحات داده Pandas - بخش 3 - آمار توصیفی 31:40
-
توضیحات داده Pandas - بخش 4 - جدولبندی متقاطع و گروهبندیها 30:06
-
مصورسازی داده Pandas - بخش 1 - بررسی 03:35
-
مصورسازی داده Pandas - بخش 2 - هیستوگرامها 42:34
-
مصورسازی داده Pandas - بخش 3 - نمودارهای جعبهای 33:00
-
مصورسازی داده Pandas - بخش 4 - نمودارهای پراکندگی 40:00
-
مصورسازی داده Pandas - بخش 5 - نمودارهای دایرهای 45:40
-
مصورسازی داده Pandas - بخش 6 - نمودارهای خطی 50:24
-
طبقهبندی و یادگیری نظارت شده - بررسی 17:31
-
Classifier رگرسیون لجستیک 01:00:00
-
Classifier بیز ساده 48:13
-
Classifier درخت تصمیمگیری 01:06:40
-
Classifier جنگل تصادفی 50:05
-
Classifier رایگیری 25:00
-
بررسی این بخش 01:44
-
شبکههای عصبی مصنوعی، شبکههای پیشخور و پرسپترونهای چندلایه 19:10
-
پرسپترونهای چندلایه پیشخور برای تسکهای طبقهبندی 20:03
مشخصات آموزش
تسلط به طبقهبندی با Pandas و پایتون [2024]
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:68
- مدت زمان :28:35:42
- حجم :11.01GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy