متدها و الگوریتمهای علم داده [2024]
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- دانش لازم درباره متدها، الگوریتمها، تئوری، بهترین شیوهها و تسکهای علم داده
- دانش عملی عمیق درباره علم داده و توانایی مدیریت تسکهای متداول علم داده با اطمینان
- دانش عمیق و دقیق درباره رگرسیون، پیشبینی، طبقهبندی، یادگیری نظارت شده، تحلیل خوشهای و یادگیری نظارت نشده
- دانش عملی از Scikit-learn و Statsmodels و Matplotlib و Seaborn و برخی دیگر از کتابخانههای پایتون
- دانش پیشرفته از مدلهای پیشبینی هوش مصنوعی و ایجاد مدل خودکار
- رایانش ابری - استفاده از نوت بوک ابری آناکوندا (Jupyter Notebook مبتنی بر ابر) و یادگیری نحوه استفاده از منابع رایانش ابری
- گزینه - استفاده از توزیع آناکوندا (برای ویندوز، مک و لینوکس)
- تسلط به زبان برنامهنویسی پایتون 3 برای مدیریت داده
- تسلط به Pandas 2 و 3 برای مدیریت پیشرفته داده
پیش نیازهای دوره
- چهار روش شمارش (+-/*)
- تجربه روزمره در استفاده از کامپیوتر با سیستمعاملهایی مانند ویندوز، سیستم عامل مک، iOS، اندروید، ChromeOS یا لینوکس توصیه میشود.
توضیحات دوره
این یک دوره ویدئویی از یک مسترکلاس پنج در یک است که شما را برای تسلط به رگرسیون، پیشبینی، طبقهبندی، یادگیری نظارت شده، تحلیل خوشهای، یادگیری نظارت نشده، پایتون 3، Pandas 2 + 3 و مدیریت داده پیشرفته آماده میکند.
شما یاد میگیرید که به طبقهبندی و یادگیری نظارت شده مسلط شوید. شما درباره فرآیند طبقهبندی، تئوری طبقهبندی و مصورسازیها و همچنین برخی از مدلهای classifier مفید، از جمله مجموعههای بسیار قدرتمند classifier های جنگل تصادفی و مجموعههای classifier رأی خواهید آموخت.
شما یاد میگیرید که به تحلیل خوشهای و یادگیری نظارت نشده مسلط شوید. این بخش از دوره درباره یادگیری نظارت نشده، تئوری خوشه، هوش مصنوعی، تحلیل داده اکتشافی و برخی الگوریتمهای خوشهبندی مفید یادگیری ماشین از مدلهای خوشهای سلسله مراتبی تا مدلهای خوشهای مبتنی بر چگالی است.
شما یاد میگیرید که به زبان برنامهنویسی پایتون 3 مسلط شوید که یکی از محبوبترین و کاربردیترین زبانهای برنامهنویسی در جهان است و شما یاد خواهید گرفت که از آن برای مدیریت داده استفاده کنید.
شما یاد میگیرید که به Pandas 2 و سه کتابخانه دیگر مسلط شده و از تکنیکهای قدرتمند مدیریت داده Pandas برای تسکهای پیشرفته استفاده کنید. کتابخانه Pandas یک ابزار تحلیل و دستکاری داده سریع، قدرتمند، انعطافپذیر و آسان برای استفاده است که مستقیماً با زبان برنامهنویسی پایتون قابل استفاده است و در ترکیب با آن، قویترین محیط کدنویسی را برای مدیریت داده و مدیریت داده پیشرفته ایجاد میکند.
این دوره برای چه کسانی مناسب است؟
- چه شما مبتدی باشید و چه دانشمند داده باتجربه، این دوره برای شما مناسب است.
- چه شما مدرک دکترا داشته باشید و چه اصلاً تحصیلات یا تجربهای نداشته باشید، این دوره برای شما مناسب است.
متدها و الگوریتمهای علم داده [2024]
-
مقدمه 24:16
-
راهاندازی نوت بوک 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
-
دایرکتوری 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 آبجکت 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 شرطیها 21:27
-
عملیاتها و تکنیکهای Pandas - مقیاسها و استانداردسازی 23:08
-
عملیات ها و تکنیکهای Pandas - الحاق دیتافریم ها 29:21
-
عملیات ها و تکنیکهای Pandas - جوین به دیتافریم ها 19:30
-
عملیات ها 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 - بخش 2 - 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 - جداول 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
-
رگرسیون، پیشبینی و یادگیری نظارت شده - بررسی 10:15
-
مدل رگرسیون ساده سنتی - بخش 1 35:08
-
مدل رگرسیون ساده سنتی - بخش 2 38:00
-
برخی از مفاهیم مدلسازی عملی و مفید - بخش 1 13:01
-
برخی از مفاهیم مدلسازی عملی و مفید - بخش 2 13:01
-
مدل رگرسیون خطی چندگانه - بخش 1 57:00
-
مدل رگرسیون خطی چندگانه - بخش 2 36:24
-
مدلهای رگرسیون چندجملهای چندمتغیره - بخش 1 10:13
-
مدلهای رگرسیون چندجملهای چندمتغیره - بخش 2 01:06:05
-
منظمسازی رگرسیون، مدلهای لسو و ریج 01:29:52
-
مدلهای رگرسیون درخت تصمیمگیری 01:15:26
-
رگرسیون جنگل تصادفی 01:09:18
-
رگرسیون رایگیری 48:00
-
طبقهبندی و یادگیری نظارت شده - بررسی 12:13
-
Classifier رگرسیون لجستیک 01:00:00
-
Classifier بیز ساده 48:13
-
Classifier درخت تصمیم گیری 01:06:40
-
Classifier جنگل تصادفی 50:05
-
Classifier رایگیری 25:00
-
تحلیل خوشهای - بررسی 22:16
-
تحلیل خوشهای K-Means و آشنایی با الگوریتمهای K-means خودکار 26:47
-
خوشهبندی فضایی مبتنی بر چگالی اپلیکیشنها با نویز (DBSCAN) 34:46
-
چهار الگوریتم خوشهبندی سلسلهمراتبی 21:18
مشخصات آموزش
متدها و الگوریتمهای علم داده [2024]
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:82
- مدت زمان :39:03:45
- حجم :14.85GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy