دوره آموزشی
آموزش های یودمی
دوبله زبان فارسی

دوره علم داده: بوت‌کمپ کامل علم داده 2025

دوره علم داده: بوت‌کمپ کامل علم داده 2025

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

  • دوره تمامی ابزارهای لازم برای تبدیل شدن به یک دانشمند داده را در اختیار شما قرار می‌دهد.
  • رزومه خود را با مهارت‌های پرتقاضای علم داده پر کنید: تحلیل آماری، برنامه‌نویسی پایتون با NumPy، پانداس، matplotlib، و Seaborn، تحلیل آماری پیشرفته، Tableau، یادگیری ماشین با statsmodels و scikit-learn، یادگیری عمیق با TensorFlow
  • با نشان دادن درک عمیق از حوزه علم داده، مصاحبه‌کنندگان را تحت تأثیر قرار دهید.
  • یاد بگیرید چگونه داده‌ها را پیش‌پردازش کنید.
  • ریاضیات پشت یادگیری ماشین را بفهمید. (یک مهارت ضروری که در دوره‌های دیگر آموزش داده نمی‌شود!)
  • کدنویسی با پایتون را آغاز کنید و نحوه استفاده از آن برای تحلیل آماری را بیاموزید.
  • رگرسیون خطی و لجستیک را در پایتون انجام دهید.
  • تحلیل خوشه‌ای و عاملی را انجام دهید.
  • توانایی ساخت الگوریتم‌های یادگیری ماشین در پایتون با استفاده از NumPy ،statsmodels و scikit-learn را پیدا کنید.
  • مهارت‌های خود را روی پروژه‌های واقعی کسب‌وکار به کار ببرید.
  • از پیشرفته‌ترین فریم‌ورک‌های یادگیری عمیق مانند TensorFlow گوگل استفاده کنید و در حین کدنویسی و حل مسائل با کلان داده‌، درک تجاری خود را توسعه دهید.
  • قدرت شبکه‌های عصبی عمیق را کشف کنید.
  • با مطالعه موضوعاتی مثل underfitting ،overfitting، آموزش، اعتبارسنجی، اعتبارسنجی متقابل n-fold، تست و نحوه بهبود عملکرد با تنظیم ابرپارامترها، الگوریتم‌های یادگیری ماشین را بهبود ببخشید.
  • دست‌های خود را گرم کنید چون مشتاق خواهید بود هر آنچه یاد گرفته‌اید را در موقعیت‌های واقعی بیشتری به کار ببندید.

پیش‌نیازهای دوره

  • نیازی به تجربه قبلی نیست؛ ما از مباحث پایه شروع می‌کنیم.
  • باید Anaconda را نصب کنید؛ مراحل نصب گام‌به‌گام آموزش داده می‌شود.
  • Microsoft Excel نسخه 2003، 2010، 2013، 2016 یا 365

توضیحات دوره

مسئله

دانشمند داده یکی از مشاغلی است که بهترین فرصت پیشرفت را در قرن بیست و یکم دارد. این شغل دیجیتال، برنامه‌نویسی‌محور و تحلیلی است. بنابراین تعجب‌آور نیست که تقاضا برای دانشمندان داده در بازار کار رو به افزایش باشد.

اما عرضه متخصصان این حوزه بسیار محدود است. کسب مهارت‌های لازم برای استخدام به عنوان دانشمند داده دشوار است.

و چگونه این مهارت‌ها را کسب کنیم؟

دانشگاه‌ها در ایجاد برنامه‌های تخصصی علم داده کند عمل کرده‌اند. (به‌علاوه بسیاری از برنامه‌های موجود بسیار گران و زمان‌بر هستند)

اکثر دوره‌های آنلاین روی موضوع خاصی تمرکز دارند و فهمیدن جایگاه این مهارت‌ها در کل حوزه علم داده سخت است.

راه‌حل

علم داده رشته‌ای چندرشته‌ای است و موضوعات گسترده‌ای را شامل می‌شود.

  • درک حوزه علم داده و نوع تحلیل‌های انجام شده
  • ریاضیات
  • آمار
  • پایتون
  • به‌کارگیری تکنیک‌های آماری پیشرفته در پایتون
  • بصری‌سازی داده
  • یادگیری ماشین
  • یادگیری عمیق

هر یک از این موضوعات بر مبنای قبلی‌ها ساخته می‌شود. اگر این مهارت‌ها را به ترتیب درست یاد نگیرید، ممکن است در مسیر دچار سردرگمی شوید. برای مثال، کسی که ریاضیات پشت یادگیری ماشین را نفهمد، در به‌کارگیری تکنیک‌های یادگیری ماشین دچار مشکل خواهد بود. یا مطالعه رگرسیون در پایتون پیش از فهمیدن مفهوم رگرسیون می‌تواند گیج‌کننده باشد.

پس در تلاش برای خلق اثربخش‌ترین، کم‌زمان‌ترین و ساختاری‌ترین آموزش علم داده آنلاین، ما این دوره را ایجاد کردیم.

ما معتقدیم این اولین برنامه آموزشی است که بزرگ‌ترین چالش ورود به حوزه علم داده یعنی در دسترس بودن همه منابع لازم در یکجا را حل کرده است.

علاوه بر این، تمرکز ما آموزش موضوعاتی است که به صورت روان و مکمل یکدیگر پیش می‌روند. این دوره همه چیز را که لازم دارید تا دانشمند داده شوید، با هزینه‌ای بسیار کمتر از برنامه‌های سنتی (و زمانی بسیار کمتر) به شما می‌آموزد.

مهارت‌ها

1. مقدمه‌ای بر داده و علم داده

کلان داده، هوش کسب‌وکار، تحلیل کسب‌وکار، یادگیری ماشین و هوش مصنوعی. این واژگان به علم داده مرتبط‌اند، اما معنای هر یک چیست؟

چرا باید یاد بگیرید؟

به عنوان یک دانشمند داده آینده، باید با جزئیات این حوزه‌ها آشنا باشید و بتوانید راه‌حل مناسب برای مسئله را تشخیص دهید. این بخش نگاه جامعی به این واژگان و جایگاه آن‌ها در علم داده به شما می‌دهد.

2. ریاضیات

یادگیری ابزارها اولین قدم برای ورود به علم داده است. اول باید تصویر کلی را ببینید، سپس جزئیات را بررسی کنید.

ما به‌طور ویژه به حساب دیفرانسیل و انتگرال و جبر خطی می‌پردازیم که زیرشاخه‌هایی مهم در علم داده هستند.

چرا باید یاد بگیرید؟

حساب دیفرانسیل و انتگرال و جبر خطی برای برنامه‌نویسی در علم داده ضروری‌اند. اگر می‌خواهید الگوریتم‌های پیشرفته یادگیری ماشین را بفهمید، این مهارت‌ها را باید داشته باشید.

3. آمار

قبل از اینکه دانشمند شوید، باید مثل یک دانشمند فکر کنید. آمار ذهن شما را برای تدوین فرضیه‌ها آماده می‌کند و روش‌هایی برای آزمون آن‌ها به شما می‌آموزد، دقیقا مانند رویکرد یک دانشمند.

چرا باید یاد بگیرید؟

این دوره فقط ابزارها را ارائه نمی‌دهد، بل عملکرد آن‌ها را هم آموزش می‌دهد. آمار شما را برای تفکر علمی آماده می‌کند.

4. پایتون

پایتون زبان برنامه‌نویسی نسبتاً جدیدی است و برخلاف R، زبان برنامه‌نویسی عمومی است. با آن می‌توان هر کاری انجام داد! از اپلیکیشن‌های وب تا بازی‌های کامپیوتری و علم داده. به همین دلیل، در مدت کوتاهی توانسته حوزه‌های زیادی را متحول کند. کتابخانه‌های بسیار قدرتمندی برای دستکاری، تبدیل و نمایش داده‌ها توسعه یافته‌اند. اما نقطه قوت اصلی پایتون در یادگیری ماشین و یادگیری عمیق است.

چرا باید یاد بگیرید؟

برای توسعه، پیاده‌سازی و استقرار مدل‌های یادگیری ماشین با فریم‌ورک‌های قدرتمندی مثل scikit-learn و TensorFlow، پایتون یک زبان ضروری است.

5. Tableau

دانشمندان داده فقط به داده‌ها و حل مسائل مبتنی بر داده نمی‌پردازند. آن‌ها باید تصمیم‌گیرندگان شرکت را قانع کنند. این مدیران ممکن است دانش زیادی از علم داده نداشته باشند، بنابراین دانشمند داده باید بتواند داستان داده‌ها را به شکلی قابل فهم برای آن‌ها نمایش دهد. اینجاست که Tableau وارد می‌شود و ما به شما کمک می‌کنیم تبدیل به یک روایتگر خبره با استفاده از این نرم‌افزار پیشرو در حوزه هوش کسب‌وکار و علم داده شوید.

چرا باید یاد بگیرید؟

دانشمند داده با ابزارهای هوش کسب‌وکار مثل Tableau ارتباط نتایج پیچیده را با تصمیم‌گیرندگان غیرتخصصی برقرار می‌کند.

6. آمار پیشرفته

رگرسیون‌ها، خوشه‌بندی و تحلیل عاملی همه حوزه‌هایی هستند که قبل از ظهور یادگیری ماشین ابداع شدند. اما اکنون این روش‌های آماری اغلب در قالب یادگیری ماشین انجام می‌شوند تا پیش‌بینی‌هایی با دقت بی‌نظیر ارائه دهند. این بخش به بررسی جزئیات این تکنیک‌ها اختصاص دارد.

چرا باید یاد بگیرید؟

علم داده تماماً درباره مدل‌سازی پیش‌بینی است و شما می‌توانید با بخش «آمار پیشرفته» به این تخصص برسید.

7. یادگیری ماشین

آخرین بخش برنامه و نتیجه تمامی بخش‌ها یادگیری عمیق است. توانایی به‌کارگیری یادگیری ماشین و یادگیری عمیق در کار، اغلب تمایز بین دانشمند داده و تحلیلگر داده است. این بخش به تکنیک‌های رایج یادگیری ماشین و روش‌های یادگیری عمیق با TensorFlow می‌پردازد.

چرا باید یاد بگیرید؟

یادگیری ماشین همه‌جا نفوذ کرده است. شرکت‌هایی مانند Facebook، Google و Amazon سال‌هاست از ماشین‌هایی استفاده می‌کنند که قادر به یادگیری خودکار هستند. اکنون وقت آن است که شما کنترل این ماشین‌ها را در دست بگیرید.

شما از صفر تبدیل به دانشمند داده خواهید شد.

چرا منتظر بمانید؟ هر روز از دست دادن یک فرصت است.

این دوره برای چه کسانی مناسب است؟

  • اگر می‌خواهید دانشمند داده شوید یا درباره این حوزه اطلاعات کسب کنید، باید این دوره را بگذرانید.
  • اگر به دنبال یک مسیر شغلی عالی هستید، این دوره برای شما مناسب است.
  • این دوره برای مبتدیان نیز ایده‌آل است چون از مبانی شروع می‌کند و به تدریج مهارت‌ها را افزایش می‌دهد.

دوره علم داده: بوت‌کمپ کامل علم داده 2025

  • یک مثال عملی - آنچه در این دوره خواهید آموخت 05:05
  • مواردی که این دوره پوشش می دهد 03:34
  • علم داده و کلمات کلیدی کسب و کار: چرا تعداد زیادی وجود دارد؟ 05:21
  • علم داده و کلمات کلیدی کسب و کار: چرا تعداد زیادی وجود دارد؟ None
  • تفاوت بین تحلیل (Analysis) و علم تجزیه و تحلیل (Analytics) چیست؟ 03:50
  • تفاوت بین تحلیل (Analysis) و علم تجزیه و تحلیل (Analytics) چیست؟ None
  • تحلیل کسب و کار، تحلیل داده و علم داده - مقدمه 06:39
  • تحلیل کسب و کار، تحلیل داده و علم داده - مقدمه None
  • ادامه با BI و ML و AI 09:11
  • ادامه با BI و ML و AI None
  • هوش مصنوعی سنتی در مقابل هوش مصنوعی مولد 04:44
  • نمونه های بیشتر از هوش مصنوعی مولد 05:09
  • نمونه های بیشتر از هوش مصنوعی مولد None
  • تفکیک اینفوگرافیکی علم داده 04:03
  • تفکیک اینفوگرافیک علم داده ما None
  • کاربرد داده‌های سنتی، داده‌های بزرگ، هوش کسب‌وکار، علم داده سنتی و یادگیری ماشین 07:19
  • علت پشت این اصول 04:44
  • علت پشت این اصول None
  • تکنیک های کار با داده های سنتی 08:13
  • تکنیک های کار با داده های سنتی None
  • مثال های واقعی از داده سنتی 01:44
  • تکنیک های کار با کلان داده 04:26
  • تکنیک های کار با کلان داده None
  • مثال های واقعی از کلان داده 01:32
  • تکنیک های هوش تجاری (BI) 06:45
  • تکنیک های هوش تجاری (BI) None
  • مثال های زندگی واقعی از هوش تجاری (BI) 01:42
  • تکنیک های کار با متدهای سنتی 09:08
  • تکنیک های کار با متدهای سنتی None
  • مثال‌های واقعی از روش‌های سنتی 03:55
  • تکنیک‌های یادگیری ماشین (ML) 06:55
  • تکنیک‌های یادگیری ماشین (ML) None
  • انواع یادگیری ماشین 08:05
  • انواع یادگیری ماشین None
  • تکامل و آخرین روندهای یادگیری ماشینی (ML) 05:20
  • مثال های واقعی از یادگیری ماشین (ML) 02:11
  • مثال های واقعی از یادگیری ماشین (ML) None
  • زبان ها و نرم افزارهای مورد نیاز برنامه نویسی مورد استفاده در علم داده 05:51
  • زبان ها و نرم افزارهای مورد نیاز برنامه نویسی مورد استفاده در علم داده None
  • یافتن شغل - چه چیزی را می توان انتظار داشت و به دنبال چه چیزی باید بود؟ 03:29
  • یافتن شغل - چه چیزی را می توان انتظار داشت و به دنبال چه چیزی باید بود؟ None
  • رفع تصورات غلط رایج 04:10
  • رفع تصورات غلط رایج None
  • فرمول اساسی احتمالات 07:09
  • فرمول اساسی احتمالات None
  • محاسبه مقادیر مورد انتظار 05:29
  • محاسبه مقادیر مورد انتظار None
  • فرکانس 05:00
  • فرکانس None
  • رویدادها و مکمل های آنها 05:26
  • رویدادها و مکمل های آنها None
  • مبانی ترکیبیات 01:04
  • مبانی ترکیبیات None
  • جایگشت ها و نحوه استفاده از آن ها 03:21
  • جایگشت ها و نحوه استفاده از آن ها None
  • عملیات ساده با فاکتوریل‌ها 03:35
  • عملیات ساده با فاکتوریل‌ها None
  • حل واریاسون ها با تکرار 02:59
  • حل واریاسون ها با تکرار None
  • حل واریاسون ها بدون تکرار 03:48
  • حل واریاسون ها بدون تکرار None
  • حل ترکیبات 04:51
  • حل ترکیبات None
  • تقارن ترکیبات 03:26
  • تقارن ترکیبات None
  • حل ترکیبات با فضاهای نمونه جداگانه 02:52
  • حل ترکیبات با فضاهای نمونه جداگانه None
  • ترکیبیات در دنیای واقعی: لاتاری 03:12
  • ترکیبیات در دنیای واقعی: لاتاری None
  • جمع بندی ترکیبیات 02:55
  • مثالی کاربردی از ترکیبیات 10:53
  • مجموعه ها و رویدادها 04:25
  • مجموعه ها و رویدادها None
  • راه های تعامل مجموعه ها 03:45
  • راه های تعامل مجموعه ها None
  • تقاطع مجموعه ها 02:06
  • تقاطع مجموعه ها None
  • اتحاد مجموعه ها 04:51
  • اتحاد مجموعه ها None
  • مجموعه‌های متقابل 02:09
  • مجموعه‌های متقابل None
  • وابستگی و استقلال مجموعه‌ها 03:01
  • وابستگی و استقلال مجموعه‌ها None
  • فرمول احتمال شرطی 04:16
  • فرمول احتمال شرطی None
  • قانون احتمال کل 03:03
  • قانون جمع پذیری 02:21
  • قانون جمع پذیری None
  • قانون ضرب 04:05
  • قانون ضرب None
  • قانون Bayes' 05:44
  • قانون Bayes' None
  • یک مثال عملی از استنباط بیزی 14:52
  • مبانی توزیع‌های احتمال 06:29
  • مبانی توزیع‌های احتمال None
  • انواع توزیع احتمال 07:32
  • انواع توزیع احتمال None
  • ویژگی های توزیع های گسسته 02:00
  • ویژگی های توزیع های گسسته None
  • توزیع های گسسته - توزیع یکنواخت 02:13
  • توزیع های گسسته - توزیع یکنواخت None
  • توزیع‌های گسسته: توزیع برنولی 03:26
  • توزیع‌های گسسته: توزیع برنولی None
  • توزیع های گسسته: توزیع Binomial 07:04
  • توزیع های گسسته: توزیع Binomial None
  • توزیع های گسسته: توزیع Poisson 05:27
  • توزیع های گسسته: توزیع Poisson None
  • ویژگی‌های توزیع‌های مداوم 07:12
  • ویژگی‌های توزیع‌های مداوم None
  • توزیع های مداوم: توزیع نرمال 04:08
  • توزیع های مداوم: توزیع نرمال None
  • توزیع های مداوم: توزیع نرمال استاندارد 04:25
  • توزیع های مداوم: توزیع نرمال استاندارد None
  • توزیع‌های پیوسته: توزیع T استیودنت 02:29
  • توزیع‌های پیوسته: توزیع T استیودنت None
  • توزیع‌های پیوسته: توزیع خی‌دو 02:22
  • توزیع‌های پیوسته: توزیع خی‌دو None
  • توزیع‌های پیوسته: توزیع نمایی 03:15
  • توزیع‌های پیوسته: توزیع نمایی None
  • توزیع‌های پیوسته: توزیع لجستیک 04:07
  • توزیع‌های پیوسته: توزیع لجستیک None
  • مثالی کاربردی از توزیع‌های احتمال 15:03
  • احتمال در امور مالی 07:46
  • احتمال در آمار 06:18
  • احتمالات در علم داده 04:47
  • جمعیت و نمونه 04:02
  • جمعیت و نمونه None
  • انواع داده 04:33
  • انواع داده None
  • سطوح اندازه‌گیری 03:43
  • سطوح اندازه‌گیری None
  • متغیرهای طبقه بندی شده - تکنیک های مصورسازی 04:52
  • متغیرهای طبقه بندی شده - تکنیک های مصورسازی None
  • متغیرهای عددی - جدول توزیع فراوانی 03:09
  • متغیرهای عددی - جدول توزیع فراوانی None
  • هیستوگرام 02:14
  • هیستوگرام None
  • جداول متقاطع و نمودارهای پراکندگی 04:44
  • جداول متقاطع و نمودارهای پراکندگی None
  • میانگین، میانه و مد 04:20
  • کشیدگی (Skewness) 02:37
  • کشیدگی (Skewness) None
  • واریانس 05:55
  • انحراف معیار و ضریب واریانس 04:40
  • انحراف معیار None
  • کوواریانس 03:23
  • کوواریانس None
  • ضریب همبستگی 03:17
  • همبستگی None
  • مثال عملی - آمار توصیفی 16:15
  • مقدمه 01:00
  • توزیع چیست؟ 04:33
  • توزیع چیست؟ None
  • توزیع نرمال 03:54
  • توزیع نرمال None
  • توزیع نرمال استاندارد 03:30
  • توزیع نرمال استاندارد None
  • قضیه حد مرکزی 04:20
  • قضیه حد مرکزی None
  • خطای استاندارد 01:26
  • خطای استاندارد None
  • برآوردگرها و برآوردها 03:07
  • برآوردگرها و برآوردها None
  • فواصل اطمینان چیست؟ 02:41
  • فواصل اطمینان چیست؟ None
  • فواصل اطمینان، واریانس جمعیت شناخته شده، Z-score 08:01
  • توضیحات درباره فواصل اطمینان 04:38
  • توزیع تی-استیودنت 03:22
  • توزیع تی-استیودنت None
  • فاصله اطمینان، واریانس جمعیت ناشناخته و t-score 04:36
  • حاشیه خطا 04:52
  • حاشیه خطا None
  • فواصل اطمینان. میانگین دو نمونه وابسته 06:04
  • فواصل اطمینان، دو میانگین، نمونه های مستقل - بخش 1 04:31
  • فواصل اطمینان، دو میانگین، نمونه های مستقل - بخش 2 03:57
  • فواصل اطمینان. میانگین دو نمونه مستقل (بخش 3) 01:27
  • مثال کاربردی: آمار استنباطی 10:05
  • فرضیه صفر در مقابل فرضیه جایگزین 05:51
  • فرضیه صفر در مقابل فرضیه جایگزین None
  • ناحیه رد و سطح معنی‌داری 07:05
  • ناحیه رد و سطح معنی‌داری None
  • خطای نوع 1 و خطای نوع 2 04:14
  • خطای نوع 1 و خطای نوع 2 None
  • تست برای میانگین. جمعیت متغیر شناختی 06:34
  • مقدار p 04:13
  • مقدار p None
  • تست برای میانگین. واریانس جمعیت ناشناخته 04:48
  • آزمون میانگین - نمونه‌های وابسته 05:18
  • تست میانگین و نمونه های مستقل - بخش 1 04:22
  • تست میانگین و نمونه های مستقل - بخش 2 04:26
  • تست میانگین و نمونه های مستقل - بخش 2 None
  • مثال عملی - آزمون فرضیه 07:16
  • مقدمه‌ای بر برنامه‌نویسی 05:03
  • مقدمه‌ای بر برنامه‌نویسی None
  • چرا پایتون؟ 05:11
  • چرا پایتون؟ None
  • چرا Jupyter؟ 03:28
  • چرا Jupyter؟ None
  • نصب پایتون و Jupyter 03:34
  • آشنایی با رابط Jupyter - داشبورد نوت بوک 03:15
  • پیش نیازهای کد نویسی در Jupyter Notebooks 06:15
  • رابط کاربری Jupyter None
  • متغیرها 03:37
  • متغیرهای پایتون - تمرین شماره 1 None
  • متغیرهای پایتون - تمرین شماره 2 None
  • متغیرهای پایتون - تمرین شماره 3 None
  • متغیرهای پایتون - تمرین شماره 4 None
  • متغیرها None
  • اعداد و مقادیر بولین در پایتون 03:05
  • اعداد و مقادیر بولی - تمرین شماره 1 None
  • اعداد و مقادیر بولی - تمرین شماره 2 None
  • اعداد و مقادیر بولی - تمرین شماره 3 None
  • اعداد و مقادیر بولی - تمرین شماره 4 None
  • اعداد و مقادیر بولی - تمرین شماره 5 None
  • اعداد و مقادیر بولین در پایتون None
  • رشته‌های پایتون 05:40
  • رشته ها در پایتون - تمرین شماره 1 None
  • رشته ها در پایتون - تمرین شماره 2 None
  • رشته ها در پایتون - تمرین شماره 3 None
  • رشته‌های پایتون - تمرین شماره 4 None
  • رشته‌های پایتون - تمرین شماره 5 None
  • رشته‌های پایتون None
  • استفاده از عملگرهای حسابی در پایتون 03:23
  • استفاده از عملگرهای حسابی در پایتون - تمرین شماره 1 None
  • استفاده از عملگرهای حسابی در پایتون - تمرین شماره 2 None
  • استفاده از عملگرهای حسابی در پایتون - تمرین شماره 3 None
  • استفاده از عملگرهای حسابی در پایتون - تمرین شماره 4 None
  • استفاده از عملگرهای حسابی در پایتون - تمرین شماره 5 None
  • استفاده از عملگرهای حسابی در پایتون - تمرین شماره 6 None
  • استفاده از عملگرهای حسابی در پایتون - تمرین شماره 7 None
  • استفاده از عملگرهای حسابی در پایتون - تمرین شماره 8 None
  • استفاده از عملگرهای حسابی در پایتون None
  • علامت تساوی دوگانه 01:33
  • علامت تساوی دوگانه - تمرین شماره 1 None
  • علامت تساوی دوگانه None
  • چگونه مقادیر را تنظیم مجدد کنیم؟ 01:08
  • چگونه مقادیر را مجدداً اختصاص دهیم - تمرین شماره 1 None
  • چگونه مقادیر را مجدداً اختصاص دهیم - تمرین شماره 2 None
  • چگونه مقادیر را مجددا تخصیص دهیم؟ - تمرین شماره 3 None
  • چگونه مقادیر را مجدداً اختصاص دهیم - تمرین شماره 4 None
  • چگونه مقادیر را مجددا تخصیص دهیم؟ None
  • افزودن کامنت ها 01:34
  • افزودن کامنت ها None
  • آشنایی با Line Continuation 00:49
  • آشنایی با Line Continuation - تمرین شماره 1 None
  • ایندکس گذاری عناصر 01:18
  • ایندکس گذاری عناصر - تمرین شماره 1 None
  • نمایه‌گذاری عناصر - تمرین شماره 2 None
  • ایندکس گذاری عناصر None
  • ساختاردهی با Indentation 01:44
  • ساختاردهی با Indentation - تمرین شماره 1 None
  • ساختاردهی با Indentation None
  • عملگرهای مقایسه 02:10
  • عملگرهای مقایسه - تمرین شماره 1 None
  • عملگرهای مقایسه - تمرین شماره 2 None
  • عملگرهای مقایسه - تمرین شماره 3 None
  • عملگرهای مقایسه - تمرین شماره 4 None
  • عملگرهای مقایسه‌ای None
  • عملگرهای منطقی و هویت 05:35
  • عملگرهای منطقی و هویت - تمرین شماره 1 None
  • عملگرهای منطقی و هویت - تمرین شماره 2 None
  • عملگرهای منطقی و هویتی - تمرین شماره 3 None
  • عملگرهای منطقی و هویت - تمرین شماره 4 None
  • عملگرهای منطقی و هویت - تمرین شماره 5 None
  • عملگرهای منطقی و هویت - تمرین شماره 6 None
  • عملگرهای منطقی و هویت None
  • دستور IF 03:01
  • دستور if - تمرین شماره 1 None
  • دستور if - تمرین شماره 2 None
  • دستور IF None
  • دستور ELSE 02:45
  • دستور ELSE - تمرین شماره 1 None
  • دستور ELSE 05:34
  • دستور ELIF - تمرین شماره 1 None
  • دستور ELIF - تمرین شماره 2 None
  • نکته ای درباره مقادیر Boolean 02:13
  • نکته ای درباره مقادیر Boolean None
  • تعریف تابع در پایتون 02:02
  • چگونه یک تابع با پارامتر بسازیم 03:49
  • چگونه یک تابع را با پارامتر ایجاد کنیم؟ - تمرین شماره 1 None
  • چگونه یک تابع را با پارامتر ایجاد کنیم؟ - تمرین شماره 2 None
  • تعریف تابع در پایتون - بخش 2 02:36
  • تعریف تابع در پایتون - تمرین شماره 1 None
  • چگونه از یک تابع در داخل یک تابع استفاده کنیم؟ 01:49
  • چگونه از یک تابع در داخل یک تابع استفاده کنیم؟ - تمرین شماره 1 None
  • دستورات شرطی و توابع 03:06
  • دستورات شرطی و توابع - تمرین شماره 1 None
  • توابع دارای چند آرگومان 01:16
  • توابع داخلی در پایتون 03:56
  • توابع داخلی در پایتون - تمرین شماره 1 None
  • توابع داخلی در پایتون - تمرین شماره 2 None
  • توابع داخلی در پایتون - تمرین شماره 3 None
  • توابع داخلی در پایتون - تمرین شماره 4 None
  • توابع داخلی در پایتون - تمرین شماره 5 None
  • توابع داخلی در پایتون - تمرین شماره 6 None
  • توابع داخلی در پایتون - تمرین شماره 7 None
  • توابع داخلی در پایتون - تمرین شماره 8 None
  • توابع داخلی در پایتون - تمرین شماره 9 None
  • توابع پایتون None
  • لیست‌ها 08:18
  • لیست ها - تمرین شماره 1 None
  • لیست ها - تمرین شماره 2 None
  • لیست ها - تمرین شماره 3 None
  • لیست ها - تمرین شماره 4 None
  • لیست ها - تمرین شماره 5 None
  • لیست‌ها None
  • استفاده از متدها 06:54
  • استفاده از متدها - تمرین شماره 1 None
  • استفاده از متدها - تمرین شماره 2 None
  • استفاده از متدها - تمرین شماره 3 None
  • استفاده از متدها None
  • اسلایس کردن لیست 04:30
  • برش لیست - تمرین شماره 1 None
  • اسلایس کردن لیست - تمرین شماره 2 None
  • اسلایس کردن لیست - تمرین شماره 3 None
  • اسلایس کردن لیست - تمرین شماره 4 None
  • اسلایس کردن لیست - تمرین شماره 5 None
  • اسلایس کردن لیست - تمرین شماره 6 None
  • برش لیست - تمرین شماره 7 None
  • تاپل‌ها 06:40
  • تاپل ها - تمرین شماره 1 None
  • تاپل‌ها - تمرین شماره 2 None
  • تاپل‌ها - تمرین شماره 3 None
  • تاپل ها - تمرین شماره 4 None
  • دیکشنری‌ها 08:27
  • دیکشنری‌ها - تمرین شماره 1 None
  • دیکشنری‌ها - تمرین شماره 2 None
  • دیکشنری ها - تمرین شماره 3 None
  • دیکشنری ها - تمرین شماره 4 None
  • دیکشنری ها - تمرین شماره 5 None
  • دیکشنری‌ها - تمرین شماره 6 None
  • دیکشنری‌ها None
  • حلقه‌های For 05:40
  • حلقه‌‌ های For - تمرین شماره 1 None
  • حلقه‌‌ های For - تمرین شماره 2 None
  • حلقه‌های For None
  • حلقه های While و Incrementing 05:10
  • حلقه های While و Incrementing - تمرین شماره 1 None
  • لیست‌ها با تابع range() 06:22
  • لیست ها با توابع ()range - تمرین شماره 1 None
  • لیست‌ها با تابع range() - تمرین شماره 2 None
  • لیست ها با توابع ()range - تمرین شماره 3 None
  • لیست‌ها با تابع range() None
  • دستورات شرطی و حلقه ها 06:30
  • دستورات شرطی و حلقه ها - تمرین شماره 1 None
  • دستورات شرطی و حلقه ها - تمرین شماره 2 None
  • دستورات شرطی و حلقه ها - تمرین شماره 3 None
  • دستورات شرطی، توابع و حلقه ها 02:27
  • دستورات شرطی، توابع و حلقه ها - تمرین شماره 1 None
  • چگونه می توان روی دیکشنری ها Iterate کرد؟ 06:21
  • چگونه می توان روی دیکشنری ها Iterate کرد؟ - تمرین شماره 1 None
  • چگونه روی دیکشنری‌ها تکرار کنیم - تمرین شماره 2 None
  • برنامه‌نویسی شیءگرا 05:00
  • برنامه‌نویسی شیءگرا None
  • ماژول‌ها و پکیج‌ها 01:05
  • ماژول‌ها و پکیج‌ها None
  • کتابخانه استاندارد چیست؟ 02:47
  • کتابخانه استاندارد چیست؟ None
  • وارد کردن ماژول‌ها در پایتون 04:04
  • وارد کردن ماژول‌ها در پایتون None
  • آشنایی با تحلیل رگرسیون 01:27
  • آشنایی با تحلیل رگرسیون None
  • مدل رگرسیون خطی 05:50
  • مدل رگرسیون خطی None
  • همبستگی در مقابل رگرسیون 01:43
  • همبستگی در مقابل رگرسیون None
  • بازنمایی هندسی مدل رگرسیون خطی 01:25
  • بازنمایی هندسی مدل رگرسیون خطی None
  • نصب پکیج های پایتون 04:39
  • اولین رگرسیون در پایتون 07:11
  • استفاده از Seaborn برای رسم نمودارها 01:21
  • چگونه جدول رگرسیون را تفسیر کنیم؟ 05:47
  • چگونه جدول رگرسیون را تفسیر کنیم؟ None
  • تجزیه و تحلیل تغییرپذیری 03:37
  • تجزیه و تحلیل تغییرپذیری None
  • OLS چیست؟ 03:13
  • OLS چیست؟ None
  • مربع R 05:30
  • مربع R None
  • رگرسیون خطی چندگانه 02:55
  • رگرسیون خطی چندگانه None
  • مربع R تنظیم شده 06:00
  • مربع R تنظیم شده None
  • تست مفهوم مدل (F-Test) 02:01
  • مفروضات OLS 02:21
  • مفروضات OLS None
  • A1: خطی بودن 01:50
  • A1: خطی بودن None
  • A2: بدون درون‌زاد بودن 04:09
  • A2: بدون درون‌زاد بودن None
  • A3: نرمال بودن و هم‌واری 05:47
  • A4: فاقد همبستگی خودکار 03:31
  • A4: فاقد همبستگی خودکار None
  • A5: بدون چندهم‌خطی 03:26
  • A5: بدون چندهم‌خطی None
  • رفتار با داده طبقه بندی شده - متغیرهای ساختگی 06:43
  • انجام پیش‌بینی با رگرسیون خطی 03:29
  • Sklearn چیست و چه تفاوتی با پکیج های دیگر دارد؟ 02:14
  • چگونه به این بخش نزدیک می‌شویم؟ 01:55
  • رگرسیون خطی ساده با sklearn 05:38
  • رگرسیون خطی ساده با Sklearn - جدول خلاصه StatsModels-like 04:48
  • رگرسیون خطی چندگانه با Sklearn 03:10
  • محاسبه R-Squared تنظیم شده در sklearn 04:45
  • انتخاب ویژگی (رگرسیون F) 04:41
  • ایجاد جدول خلاصه با مقادیر p 02:10
  • مقیاس‌بندی ویژگی‌ها (استانداردسازی) 05:38
  • انتخاب ویژگی از طریق استانداردسازی اوزان 05:22
  • پیش بینی با ضرایب استاندارد 03:53
  • underfitting و overfitting 02:42
  • Train -توضیح تست Split 06:54
  • مثال عملی: رگرسیون خطی - بخش 1 11:59
  • مثال کاربردی: رگرسیون خطی (بخش 2) 06:12
  • مثال عملی: رگرسیون خطی - بخش 3 03:15
  • مثال عملی: رگرسیون خطی - بخش 4 08:09
  • مثال عملی: رگرسیون خطی - بخش 5 07:34
  • مقدمه‌ای بر رگرسیون لجستیک 01:19
  • یک مثال ساده در پایتون 04:42
  • تابع لجستیک در مقابل تابع لوگیت 04:00
  • ایجاد رگرسیون لجستیک 02:48
  • نکات ارزشمند کدنویسی 02:26
  • درک جداول رگرسیون لجستیک 04:06
  • واقعاً احتمال چیست؟ 04:30
  • Predictor های باینری در رگرسیون لجستیک 04:32
  • محاسبه دقت مدل 03:21
  • underfitting و overfitting 03:43
  • آزمون مدل 05:05
  • آشنایی با تحلیل خوشه ای 03:41
  • برخی مثال‌ها از خوشه‌ها 04:31
  • تفاوت بین دسته بندی و خوشه بندی 02:32
  • پیش نیازهای ریاضی 03:19
  • خوشه‌بندی K-Means 04:41
  • مثال ساده از خوشه بندی 07:48
  • خوشه بندی داده طبقه بندی شده 02:50
  • چگونه تعداد خوشه ها را انتخاب کنیم؟ 06:11
  • مزایا و معایب خوشه‌بندی K-Means 03:23
  • استانداردسازی یا عدم استانداردسازی 04:32
  • رابطه بین خوشه بندی و رگرسیون 01:31
  • بخش بندی بازار با تحلیل خوشه - بخش 1 06:03
  • بخش بندی بازار با تحلیل خوشه - بخش 2 06:58
  • خوشه بندی چگونه مفید است؟ 04:47
  • انواع خوشه بندی 03:39
  • دندوگرام 05:21
  • نقشه های حرارتی 04:34
  • روش‌های سنتی علم داده و نقش ChatGPT 05:02
  • چگونه ChatGPT را نصب کنیم؟ 01:43
  • چگونه ChatGPT می تواند بهره وری شما را افزایش دهد؟ 01:57
  • پیش‌پردازش داده با ChatGPT 04:38
  • اولین تلاش برای یادگیری ماشین با ChatGPT 04:21
  • تحلیل پایگاه داده مشتری با ChatGPT در پایتون 03:32
  • تحلیل پایگاه داده مشتری با ChatGPT در پایتون - تجزیه و تحلیل محصولات برتر 03:32
  • تحلیل پایگاه داده مشتری با ChatGPT در پایتون - تجزیه و تحلیل مشتریان برتر، RFM 03:59
  • تحلیل اکتشافی داده‌ها (EDA) با ChatGPT - هیستوگرام و نمودار پراکندگی 05:06
  • تحلیل داده های اکتشافی (EDA) با ChatGPT - ماتریس همبستگی، تشخیص داده پرت 05:05
  • تست فرضیه با ChatGPT 03:54
  • پایگاه داده کتاب های کمیک مارول: آشنایی با عبارت های منظم (RegEx) 01:49
  • دیکودینگ داده های کتاب کمیک: عبارات منظم پایتون و ChatGPT 04:08
  • توصیه الگوریتم: تحلیل پایگاه داده فیلم با ChatGPT 02:48
  • توصیه الگوریتم: موتور توصیه گر برای فیلم های با ChatGPT 04:01
  • اصول اخلاقی در استفاده از داده ها و هوش مصنوعی 02:51
  • استفاده از ChatGPT برای ملاحظات اخلاقی 05:01
  • مقدمه ای بر مطالعه موردی 02:32
  • الگوریتم ساده بیز 04:10
  • توکن‌سازی و برداری‌سازی 05:25
  • مجموعه داده های نامتعادل 02:18
  • غلبه بر داده های نامتعادل در یادگیری ماشینی 03:32
  • بارگذاری مجموعه داده و پیش‌پردازش 02:19
  • بهینه سازی نظرات کاربران: پیش پردازش داده و EDA 04:10
  • Regex برای تحلیل داده های بررسی متن 03:29
  • درک تفاوت‌های بین Naive Bayes چندجمله‌ای و برنولی 03:30
  • یادگیری ماشین با Naïve Bayes (اولین تلاش) 05:51
  • یادگیری ماشین با Naïve Bayes – تبدیل مشکل به باینری 04:35
  • تست مدل بر روی داده های جدید 04:49
  • ماتریس چیست؟ 03:37
  • ماتریس چیست؟ None
  • اسکالرها و بردارها 02:58
  • اسکالرها و بردارها None
  • جبر خطی و هندسه 03:06
  • جبر خطی و هندسه None
  • آرایه‌ها در پایتون - روشی مناسب برای نمایش ماتریس‌ها 05:09
  • Tensor چیست؟ 03:00
  • Tensor چیست؟ None
  • جمع و تفریق ماتریس ها 03:36
  • جمع و تفریق ماتریس ها None
  • خطاهایی که هنگام افزودن ماتریس رخ می دهد 02:01
  • ترانهاده کردن (Transpose) یک ماتریس 05:13
  • ضرب نقطه ای 03:48
  • ضرب نقطه ای ماتریس ها 08:23
  • چرا جبر خطی مفید است؟ 10:10
  • از این قسمت چه انتظاری دارید؟ 03:07
  • آشنایی با شبکه‌های عصبی 04:09
  • آشنایی با شبکه‌های عصبی None
  • آموزش مدل 02:54
  • آموزش مدل None
  • انواع یادگیری ماشین 03:43
  • انواع یادگیری ماشین None
  • مدل خطی (نسخه جبر خطی) 03:08
  • مدل خطی None
  • مدل خطی با ورودی های چندگانه 02:25
  • مدل خطی با ورودی های چندگانه None
  • مدل خطی با ورودی‌ها و خروجی‌های چندگانه 04:25
  • مدل خطی با ورودی‌ها و خروجی‌های چندگانه None
  • بازنمایی گرافیکی شبکه های عصبی ساده 01:47
  • بازنمایی گرافیکی شبکه های عصبی ساده None
  • تابع Objective چیست؟ 01:27
  • تابع Objective چیست؟ None
  • توابع Objective رایج: L2-norm Loss 02:04
  • توابع Objective رایج: L2-norm Loss None
  • توابع Objective رایج: Cross-Entropy Loss 03:55
  • توابع Objective رایج: Cross-Entropy Loss None
  • الگوریتم بهینه‌سازی: گرادیان کاهشی با 1 پارامتر 06:33
  • الگوریتم بهینه‌سازی: گرادیان کاهشی با 1 پارامتر None
  • الگوریتم بهینه سازی: گرادیان کاهشی n پارامتری 06:08
  • الگوریتم بهینه سازی: گرادیان کاهشی n پارامتری None
  • مثال پایه‌ای شبکه عصبی بخش 1 03:06
  • مثال شبکه عصبی اولیه - بخش 2 04:58
  • مثال پایه‌ای شبکه عصبی بخش 3 03:25
  • مثال شبکه عصبی اولیه - بخش 4 08:15
  • چگونه TensorFlow 2.0 را نصب کنیم 05:02
  • طرح کلی TensorFlow و مقایسه با کتابخانه‌های دیگر 03:28
  • TensorFlow 1 در مقابل TensorFlow 2 02:32
  • نکته ای درباره سینتکس تنسورفلو 2 00:58
  • انواع فرمت های فایل پشتیبانی شده در TensorFlow 02:34
  • ترسیم مدل با TensorFlow 2 05:48
  • تفسیر نتیجه و استخراج Weights و Bias 04:09
  • سفارشی سازی مدل تنسورفلو 2 02:51
  • لایه چیست؟ 01:53
  • Deep Net چیست؟ 02:18
  • کاوش در یک شبکه عمیق 04:58
  • غیر خطی بودن و هدف آن ها 02:59
  • توابع فعال‌سازی 03:37
  • توابع فعال‌سازی: فعال‌سازی سافت‌مکس 03:24
  • پس انتشار 03:12
  • تصویر پس انتشار 03:02
  • overfitting چیست؟ 03:51
  • Underfitting و Overfitting برای طبقه بندی 01:52
  • اعتبارسنجی چیست؟ 03:22
  • آموزش، اعتبارسنجی و تست مجموعه داده 02:30
  • اعتبارسنجی متقابل N-Fold 03:07
  • توقف زودهنگام یا زمان متوقف کردن آموزش 04:54
  • مقدار دهی اولیه چیست؟ 02:32
  • انواعی از مقداردهی های اولیه ساده 02:47
  • پیشرفته ترین متد - مقداردهی اولیه (Xavier) Glorot 02:45
  • گرادیان کاهشی تصادفی 03:24
  • مشکلات گرادیان کاهشی 02:02
  • مومنتوم 02:30
  • زمانبندی های نرخ یادگیری یا نحوه انتخاب نرخ یادگیری بهینه 04:25
  • مصورسازی زمانبندی های نرخ یادگیری 01:32
  • زمانبندی های نرخ یادگیری تطبیقی (AdaGrad و RMSprop) 04:08
  • Adam (تخمین لحظه تطبیقی) 02:39
  • مقدمه پیش پردازش 02:51
  • انواع پیش‌پردازش پایه 01:17
  • استانداردسازی 04:31
  • پیش پردازش داده های طبقه ای 02:15
  • انکودینگ One-Hot و باینری 03:39
  • MNIST: مجموعه داده 02:25
  • MNIST - چگونه می توان با MNIST مقابله کرد؟ 02:44
  • MNIST - ایمپورت پکیج های مربوطه و بارگذاری داده 02:11
  • MNIST: پیش پردازش داده - ایجاد مجموعه اعتبارسنجی و مقیاس بندی آن 04:43
  • MNIST: پیش پردازش داده - Shuffle و Batch 06:30
  • MNIST: طرح کلی مدل 04:54
  • MNIST: انتخاب Loss و Optimizer 02:05
  • MNIST: یادگیری 05:38
  • MNIST: آزمایش مدل 03:56
  • پرونده تجاری - بررسی مجموعه داده و شناسایی پیش بینی کنندگان 07:54
  • پرونده تجاری - طرح کلی راه حل 01:31
  • پرونده تجاری - متعادل کردن مجموعه داده 03:39
  • پرونده تجاری - پیش پردازش داده 11:32
  • پرونده تجاری - بارگذاری داده پیش پردازش شده 03:23
  • پرونده تجاری - یادگیری و تفسیر نتیجه 04:15
  • پرونده تجاری - تنظیم مکانیسم توقف زودهنگام 05:01
  • پرونده تجاری - تست مدل 01:23
  • خلاصه آنچه یاد گرفته‌اید 03:41
  • آنچه در ادامه در حوزه یادگیری ماشین وجود دارد؟ 01:47
  • بررسی CNNs 04:55
  • بررسی RNNs 02:50
  • بررسی رویکردهای non-NN 03:52
  • چگونه تنسورفلو 1 را نصب کنیم؟ 02:20
  • مقدمه‌ای بر TensorFlow 03:46
  • آشنایی واقعی با تنسورفلو 01:40
  • انواع فرمت های فایل پشتیبانی شده با تانسورها 02:38
  • مثال اولیه NN با TF: ورودی ها، خروجی ها، تارگت ها، Weights و Biases 06:05
  • مثال پایه‌ای شبکه عصبی با TensorFlow: تابع اتلاف و گرادیان کاهشی 03:41
  • مثال اولیه NN با تنسورفلو - خروجی مدل 06:05
  • MNIST - مجموعه داده MNIST چیست؟ 02:26
  • MNIST - چگونه می توان با MNIST مقابله کرد؟ 02:48
  • MNIST - پکیج های مربوطه 01:34
  • MNIST: طرح کلی مدل 06:51
  • MNIST: الگوریتم Optimization و Loss 02:39
  • محاسبه دقت مدل 04:18
  • MNIST: بچینگ و توقف زودهنگام 02:08
  • MNIST - یادگیری 07:35
  • MNIST - نتایج و تست 06:11
  • پرونده تجاری - آشنایی با مجموعه داده 07:55
  • پرونده تجاری - طرح کلی راه حل 01:57
  • اهمیت کار با مجموعه داده متوازن 03:39
  • پرونده تجاری - پیش پردازش 11:35
  • ایجاد یک Data Provider 06:37
  • پرونده تجاری - طرح کلی مدل 05:34
  • پرونده تجاری - بهينه سازی 05:10
  • پرونده تجاری - تفسیر 02:05
  • پرونده تجاری - تست مدل 02:04
  • پرونده تجاری - کامنت درباره تکلیف 03:51
  • داده، سرورها، کلاینت ها، درخواست ها و پاسخ ها چیست؟ 04:43
  • داده، سرورها، کلاینت ها، درخواست ها و پاسخ ها چیست؟ None
  • اتصال پذیری داده، APIs و اندپوینت ها چیست؟ 07:05
  • اتصال پذیری داده، APIs و اندپوینت ها چیست؟ None
  • نگاهی دقیق تر به APIs 08:05
  • نگاهی دقیق تر به APIs None
  • ارتباط بین محصولات نرم افزاری از طریق فایل های متنی 04:20
  • ارتباط بین محصولات نرم افزاری از طریق فایل های متنی None
  • توضیح یکپارچه سازی نرم افزار 05:25
  • توضیح یکپارچه سازی نرم افزار None
  • برنامه کاری برای این تمرین کسب‌وکار شامل پایتون، SQL و Tableau 04:08
  • مسئله کسب‌وکار 02:48
  • معرفی مجموعه داده 03:18
  • معرفی مجموعه داده None
  • ایمپورت داده Absenteeism در پایتون 03:23
  • بررسی محتوای مجموعه داده 05:53
  • آشنایی با اصطلاحات با معانی متعدد 03:27
  • استفاده از رویکرد آماری به سوی راه حل تمرین 02:17
  • حذف یک ستون از دیتافریم در پایتون 06:27
  • تحلیل دلایل غیبت 05:04
  • به دست آوردن داده ساختگی از یک ویژگی واحد 08:37
  • اطلاعات بیشتر در مورد متغیرهای ساختگی: دیدگاه آماری 01:28
  • طبقه‌بندی دلایل مختلف غیبت 08:35
  • استفاده از .concat() در پایتون 04:35
  • مرتب‌سازی مجدد ستون‌ها در DataFrame پاندا در پایتون 01:43
  • ایجاد Checkpoints در هنگام کدنویسی در Jupyter 02:52
  • تحلیل تاریخ ها از مجموعه داده اولیه 07:48
  • استخراج مقدار ماه از ستون "Date" 07:00
  • استخراج روز هفته از ستون "Date" 03:36
  • تحلیل چندین ستون "Straightforward" برای این تمرین 03:17
  • کار روی "Education" و "Children" و "Pets" 04:38
  • ملاحظات نهایی این بخش 01:59
  • بررسی مسئله با ذهنیت یادگیری ماشین 03:20
  • ایجاد تارگت ها برای رگرسیون لجستیک 06:32
  • انتخاب ورودی‌ها برای رگرسیون لجستیک 02:41
  • استانداردسازی داده 03:26
  • تقسیم داده برای آموزش و تست 06:12
  • برازش مدل و ارزیابی دقت آن 05:39
  • ایجاد جدول خلاصه با ضرایب و Intercept 05:16
  • تفسیر ضرایب برای مشکل ما 06:14
  • استانداردسازی فقط متغیرهای عددی (ایجاد اسکالر سفارشی) 04:12
  • تفسیر ضرایب رگرسیون لجستیک 05:10
  • Backward Elimination (روش حذف رو به عقب) یا نحوه ساده سازی مدل 04:02
  • تست مدلی که ایجاد کردیم 04:43
  • صرفه جویی در مدل و آماده سازی آن برای استقرار 04:06
  • آماده سازی استقرار مدل از طریق ماژول 04:04
  • استقرار "absenteeism_module" - بخش 1 03:50
  • استقرار «ماژول غیبت» - بخش 2 06:23
  • تحلیل سن در مقابل احتمالات در Tableau 08:49
  • تحلیل دلایل در مقابل احتمالات در Tableau 07:49
  • تحلیل هزینه حمل و نقل در مقابل احتمالات در Tableau 06:00
  • استفاده از متد ()format. 09:02
  • استفاده از متد ()format. - تمرین شماره 1 None
  • استفاده از متد ()format. - تمرین شماره 2 None
  • استفاده از متد ()format. - تمرین شماره 3 None
  • استفاده از متد ()format. - تمرین شماره 4 None
  • استفاده از متد ()format. - تمرین شماره 5 None
  • تکرار روی اشیاء Range 04:17
  • آشنایی با حلقه های For تودرتو 05:59
  • حلقه‌های تو در تو سه‌گانه For 05:37
  • حلقه های For تودرتوی سه گانه - تمرین شماره 1 None
  • حلقه های For تودرتوی سه گانه - تمرین شماره 2 None
  • حلقه های For تودرتوی سه گانه - تمرین شماره 3 None
  • حلقه های For تودرتوی سه گانه - تمرین شماره 4 None
  • حلقه های For تودرتوی سه گانه - تمرین شماره 5 None
  • حلقه های For تودرتوی سه گانه - تمرین شماره 6 None
  • حلقه‌های تو در تو سه‌گانه - تمرین شماره 7 None
  • List Comprehensions 08:30
  • درک لیست‌ها - تمرین شماره 1 None
  • List Comprehensions - تمرین شماره 2 None
  • List Comprehensions - تمرین شماره 3 None
  • List Comprehensions - تمرین شماره 4 None
  • List Comprehensions - تمرین شماره 5 None
  • توابع ناشناس (Lambda) 07:00
  • توابع ناشناس - تمرین شماره 1 None
  • توابع ناشناس - تمرین شماره 2 None
  • توابع ناشناس - تمرین شماره 3 None
  • توابع ناشناس - تمرین شماره 4 None
  • آشنایی با سری های pandas 08:33
  • معرفی pandas Series - تمرین شماره 1 None
  • معرفی pandas Series - تمرین شماره 2 None
  • معرفی pandas Series - تمرین شماره 3 None
  • معرفی pandas Series - تمرین شماره 4 None
  • آشنایی با سری های pandas - تمرین شماره 5 None
  • آشنایی با سری های pandas - تمرین شماره 6 None
  • آشنایی با سری های pandas - تمرین شماره 7 None
  • آشنایی با سری های pandas - تمرین شماره 8 None
  • آشنایی با سری های pandas - تمرین شماره 9 None
  • آشنایی با سری های pandas - تمرین شماره 10 None
  • کار با متدها در پایتون - بخش 1 04:49
  • کار با متدها در پایتون - بخش 2 02:32
  • کار با متدها در پایتون - تمرین شماره 1 None
  • کار با متدها در پایتون - تمرین شماره 2 None
  • پارامترها و آرگومان‌ها در pandas 04:09
  • پارامترها و آرگومان ها در pandas - تمرین شماره 1 None
  • پارامترها و آرگومان ها در pandas - تمرین شماره 2 None
  • استفاده از ()unique. و ()nunique. 03:49
  • استفاده از ()sort_values. 03:58
  • آشنایی با دیتافریم های pandas - بخش 1 04:41
  • آشنایی با دیتافریم های pandas - بخش 2 05:05
  • دیتافریم های pandas - معرفی Attribute های رایج 04:15
  • انتخاب داده در DataFrameهای pandas 06:55
  • دیتافریم های pandas - ایندکس گذاری با []iloc. 05:56
  • دیتافریم های pandas - ایندکس گذاری با []iloc. 03:51

12,620,000 2,524,000 تومان

مشخصات آموزش

دوره علم داده: بوت‌کمپ کامل علم داده 2025

  • تاریخ به روز رسانی: 1404/06/14
  • سطح دوره:همه سطوح
  • تعداد درس:706
  • مدت زمان :31:57:21
  • حجم :15.76GB
  • زبان:دوبله زبان فارسی
  • دوره آموزشی:AI Academy

آموزش های مرتبط

علم داده: رگرسیون خطی بیزی در پایتون
The Great Courses
1,889,000 377,800 تومان

علم داده: رگرسیون خطی بیزی در پایتون

  • زمان: 04:47:39
  • تعداد درس: 30
  • سطح دوره:
  • زبان: دوبله فارسی
علم داده با R و پایتون - برنامه‌نویسی R
The Great Courses
9,269,000 1,853,800 تومان

علم داده با R و پایتون - برنامه‌نویسی R

  • زمان: 23:28:00
  • تعداد درس: 170
  • سطح دوره:
  • زبان: دوبله فارسی
مهندسی داده با Microsoft Fabric: آموزش +10 پروژه بلادرنگ
The Great Courses
7,379,500 1,475,900 تومان

مهندسی داده با Microsoft Fabric: آموزش +10 پروژه بلادرنگ

  • زمان: 18:41:14
  • تعداد درس: 133
  • سطح دوره:
  • زبان: دوبله فارسی
جبر خطی برای داده، هوش مصنوعی و مهندسی: یک دوره کامل
The Great Courses
10,256,500 2,051,300 تومان

جبر خطی برای داده، هوش مصنوعی و مهندسی: یک دوره کامل

  • زمان: 25:58:16
  • تعداد درس: 140
  • سطح دوره:
  • زبان: دوبله فارسی
مدیریت مؤثر گردش کار با Apache Airflow
The Great Courses
490,000 98,000 تومان

مدیریت مؤثر گردش کار با Apache Airflow

  • زمان: 00:21:05
  • تعداد درس: 4
  • سطح دوره:
  • زبان: دوبله فارسی
الزامات اس کیوال - تسلط به مهندسی داده در Microsoft Fabric
The Great Courses
3,120,500 624,100 تومان

الزامات اس کیوال - تسلط به مهندسی داده در Microsoft Fabric

  • زمان: 07:54:58
  • تعداد درس: 51
  • سطح دوره:
  • زبان: دوبله فارسی
دوره اخلاق هوش مصنوعی 2025 - کار با هوش مصنوعی به‌ طور مسئولانه
The Great Courses
1,185,000 237,000 تومان

دوره اخلاق هوش مصنوعی 2025 - کار با هوش مصنوعی به‌ طور مسئولانه

  • زمان: 03:00:50
  • تعداد درس: 57
  • سطح دوره:
  • زبان: دوبله فارسی
بوت کمپ Data Science و Analytics 2023
The Great Courses
6,129,000 1,225,800 تومان

بوت کمپ Data Science و Analytics 2023

  • زمان: 15:31:30
  • تعداد درس: 18
  • سطح دوره:
  • زبان: دوبله فارسی
هوش مصنوعی: علم داده، یادگیری ماشین، GenAI در پایتون به همراه ChatGPT
The Great Courses
4,878,000 975,600 تومان

هوش مصنوعی: علم داده، یادگیری ماشین، GenAI در پایتون به همراه ChatGPT

  • زمان: 12:21:18
  • تعداد درس: 97
  • سطح دوره:
  • زبان: دوبله فارسی

آیا سوالی دارید؟

ما به شما کمک خواهیم کرد تا شغل و رشد خود را افزایش دهید.
امروز با ما تماس بگیرید