علم داده SAP و یادگیری ماشین برای مشاوران SAP
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- دوره، کل جعبه ابزار مورد نیاز برای اعمال علم داده و الگوریتم های یادگیری ماشین را برای SAP Data ارائه می دهد.
- با دانستن داغ ترین مهارت در بازار کنونی، از رقبا پیشی می گیرید.
- کدنویسی را در پایتون شروع می کنید و یاد می گیرید که چگونه از آن برای تحلیل آماری SAP Data استفاده کنید.
- توانایی ایجاد الگوریتم های یادگیری ماشین در پایتون، با استفاده از NumPy و statsmodels و scikit-learn - ابزارهای ضروری برای انجام علم داده با SAP Data
- انجام تحلیل خوشه ای و عاملی روی SAP Data
- یادگیری استخراج داده مورد نیاز از سیستم SAP برای انجام تحلیل آماری و اعمال مدل های مختلف یادگیری ماشین
- یادگیری نحوه پیش پردازش داده استخراج شده از SAP
- اعمال مهارت ها در پرونده های تجاری واقعی
- آماده می شوید تا همه مواردی را که آموخته اید در سناریوهای زندگی واقعی بیشتر و بیشتر در اقیانوس SAP اعمال کنید.
- ساخت موتور توصیه گر با استفاده از SAP Data
- ایجاد پیاده سازی پروژه برای انجام تحلیل پیش بینی روی SAP Data و انجام تحلیل سری های زمانی پیشرفته با استفاده از مدل ARIMA
- یادگیری استفاده از تکنیک های پیشرفته و استفاده از مدل از پیش آموزش دیده از API پردازش زبان طبیعی Google Cloud برای داده متنی
پیش نیازهای دوره
- هیچگونه تجربه قبلی نیاز نیست. ما از اصول اولیه شروع میکنیم.
- شما نیاز به نصب Anaconda خواهید داشت. ما به شما نشان خواهیم داد که چگونه این کار را انجام دهید – مرحله به مرحله.
- آشنایی پایه با رابط SAP (اختیاری).
توضیحات دوره
دوران جدیدی را در حرفهتان باز کنید: علم داده با SAP - یادگیری ماشین برای دادههای شرکتی
به سفر یادگیری تحولی خوش آمدید که طراحی شده است تا فاصله بین حرفهایهای SAP و دانشمندان داده را پر کند. با شروع این دوره، شما شباهتهای حیرتانگیزی را بین فعالیتهایی که دانشمندان داده انجام میدهند و نحوهای که حرفهایهای SAP نیازمندیهای تجاری را در نرمافزار ERP – SAP پیادهسازی میکنند، کشف خواهید کرد. تفاوت حیاتی در توانایی دانشمندان داده برای مطرح کردن سوالات عمیقتر درباره دادههایی که با آنها مواجه میشوند، نهفته است.
برنامه درسی ما که بهطور دقیق برای حرفهایهای SAP که به حوزه علم داده روی میآورند، طراحی شده است، شامل دامنه وسیعی از موضوعات ضروری است:
درک حوزه علم داده و انواع تحلیل:
بینشهایی درباره اصول و تمرینهای اساسی حوزه علم داده کسب کنید.
انواع مختلف تحلیل که پایه تصمیمگیریهای مبتنی بر داده مؤثر است را کشف کنید.
آمار:
به مفاهیم آماری بپردازید و به شما این توانایی را میدهد تا تصمیمات آگاهانهای بر اساس بینشهای مبتنی بر داده بگیرید.
Python:
مهارتهای لازم در Python، یک زبان برنامهنویسی چندمنظوره که به طور گسترده در زمینه علم داده استفاده میشود، را کسب کنید.
تکنیکهای آماری پیشرفته در Python:
تکنیکهای آماری پیچیده را با استفاده از Python به کار ببرید و توانایی تحلیلگری خود را افزایش دهید.
تصویرسازی داده:
هنر مصورسازی دادهها را برای منتقل کردن بینشهای معنیدار از طریق گرافیکهای جذاب بیاموزید.
یادگیری ماشین:
به دنیای پویا و هیجانانگیز یادگیری ماشین وارد شوید و اصول و کاربردهای آن را درک کنید.
استفاده از مدلهای از پیش آموزشدیده:
از قدرت مدلهای از پیش آموزشدیده، از جمله Google Cloud Natural Language Processing API، برای شروع بیوقفه در پیادهسازی اپلیکیشن SAP استفاده کنید.
هر موضوع بهطور مداوم بر اساس موضوعات قبلی بنا میشود و مسیر یادگیری ساختاریافته و جامع را فراهم میآورد. برای اطمینان از یک تجربه نرم و بدون فشار برای یادگیرندگان، ما به شما پیشنهاد میکنیم که مهارتهای خود را به ترتیبی که در برنامه درسی ما مشخص شده است، بهدست آورید.
این دوره برای چه کسانی مناسب است؟
- مشاوران فنی و کارکردی SAP که میخواهند به حوزه علم داده وارد شوند.
- شما باید این دوره را بگذرانید اگر میخواهید دانشمند داده شوید و یاد بگیرید که چگونه با استفاده از دادههای سیستم SAP بینشهای تجاری را کسب کنید.
- این دوره برای شماست اگر میخواهید شغفی عالی داشته باشید.
- این دوره همچنین برای مبتدیان ایدهآل است، زیرا از اصول اولیه شروع میکند و به تدریج مهارتهای شما را افزایش میدهد.
- دانشمندان داده که به یادگیری نحوه انجام فعالیتهای مختلف از دادههای SAP علاقهمندند.
علم داده SAP و یادگیری ماشین برای مشاوران SAP
-
Python چیست و چرا؟ - آمادهسازی سیستم 04:28
-
شروع Jupyter Notebook 02:09
-
شروع iPython Notebook 02:16
-
مسیر پیشفرض پوشه فایلهای ipython notebook 01:50
-
چشیدن Python 06:17
-
متغیرها در زبان برنامهنویسی Python 03:49
-
فعالیت: ایجاد متغیر None
-
قواعد ایجاد متغیرها در Python 10:57
-
فعالیت 2: قواعد ایجاد متغیرها None
-
انواع داده در Python - عددی 07:17
-
فعالیت 3: ایجاد متغیرها و نمایش نوع داده آن None
-
کار در Jupyter Notebook 03:05
-
کار در Jupyter Notebook - کاوش عملی 11:27
-
انواع داده در Python - بولی و دنباله 05:04
-
انواع داده در Python - بولی و دنباله - کاربردی 07:41
-
فعالیت 4: انواع داده بولی و دنبالهها - لیستها و تاپلها None
-
انواع داده در Python - دیکشنریها و مجموعهها 03:05
-
انواع داده در Python - دیکشنریها و مجموعهها - کاربردی 05:41
-
فعالیت 5: دیکشنریها و مجموعهها None
-
عملگرها در Python 08:50
-
عملگرها در Python - کاربردی 07:10
-
فعالیت 6: عملگرها در Python None
-
اضافه کردن کامنت ها در Python 06:46
-
اضافه کردن کامنت ها در Python - کاربردی 07:56
-
کامنت ها در Python None
-
کار با تابع print 03:28
-
کاوش در تابع print 12:27
-
فعالیت: تابع ()print None
-
تبدیل نوع در Python - تبدیل نوع داده 03:19
-
تبدیل نوع در Python 08:23
-
فعالیت: تبدیل نوع None
-
دریافت ورودی از کاربر 07:36
-
فعالیت: دریافت ورودی از کاربر None
-
دستورات کنترل در پایتون - If 10:19
-
دستورات کنترل در پایتون - If - کاربردی 14:27
-
فعالیت: دستورات کنترل در پایتون - If None
-
عملگرهای منطقی 02:39
-
عملگرهای منطقی بر روی دستورات شرطی 06:49
-
فعالیت: عملگرهای منطقی بر روی دستورات شرطی None
-
دستور کنترل - if_else 07:51
-
فعالیت: دستور کنترل - if_else None
-
دستورات کنترل - if_elif_else 05:27
-
دستورات کنترل - if_elif_else - پایتون 06:28
-
فعالیت: دستور کنترل - if elif else None
-
دستورات کنترل - حلقه While 06:03
-
دستورات کنترل - حلقه While - پایتون 15:13
-
فعالیت: حلقههای While None
-
دستورات کنترلی - حلقه For 03:25
-
دستورات کنترلی - حلقه For - Python 10:20
-
فعالیت: حلقههای For None
-
دستورات کنترل Break ،Continue و Pass 04:22
-
دستورات کنترل Break ،Continue و Pass - پایتون 09:31
-
فعالیت: دستورات کنترل Break ،Continue ،Pass None
-
مقدمهای بر ساختارهای داده 01:30
-
لیستها در Python 10:13
-
لیستهای پایتون - Jupyter Notebook 11:13
-
فعالیت: لیستهای Python None
-
Python Tuples 02:56
-
Python Tuples - کاربردی 05:56
-
فعالیت: Python Tuples None
-
دیکشنریهای Python 06:03
-
دیکشنریهای Python - کاربردی 08:26
-
فعالیت: دیکشنری Python None
-
مجموعهها در Python 05:24
-
مجموعهها در Python - کاربردی 04:03
-
مجموعهها - عملیات 11:03
-
فعالیت: مجموعههای Python None
-
رشتهها 04:07
-
رشتهها - کاربردی 05:02
-
رشتهها - متدهای دیگر 05:40
-
فعالیت: رشتهها None
-
ایندکسگذاری منفی و کاراکترهای Escape 07:11
-
توابع در Python 12:07
-
توابع - ادامه 08:23
-
فراخوانی توابع داخل یک تابع 10:19
-
فعالیت: توابع None
-
Python شیءگرا 09:00
-
کار با کلاسها و اشیاء در Python 15:49
-
فعالیت: کلاسها و اشیاء None
-
جزئیات پروژه نهایی 06:23
-
انتخاب کلمه تصادفی برای بازی 06:12
-
راهاندازی بازی 07:16
-
منطق اعتبارسنجی کلمه 07:30
-
منطق اعتبارسنجی حروف 13:10
-
آزمون نهایی 05:34
-
مقدمهای بر کتابخانه Numpy 06:39
-
مبانی شیء آرایه Numpy 03:41
-
وارد کردن Numpy و دسترسی به کمک 04:49
-
ایجاد شیء آرایه - ()np.array 04:47
-
ویژگیهای آرایه Numpy 03:38
-
فعالیت: آرایههای Numpy None
-
ایندکسگذاری و اسلایس کردن آرایه 09:26
-
توابع ایجاد آرایه 10:46
-
کپی کردن آرایهها 04:45
-
عملیات ریاضی بر روی آرایههای Numpy 04:11
-
توابع جبر خطی در Numpy 03:21
-
اصلاح شکل آرایهها 09:37
-
()np.arange 03:54
-
عملگرهای نسبی بر روی آرایههای Numpy 06:35
-
ماسککردن بولی 02:06
-
Broadcasting روی آرایههای Numpy 18:13
-
تکلیف در مورد Numpy Broadcasting None
-
خلاصهای از سفر کتابخانه Numpy 03:29
-
تکلیف آرایه Numpy None
-
مقدمهای بر Pandas 05:05
-
کار با سریهای Pandas 08:41
-
عملیات ریاضی بر روی سریهای Pandas 02:38
-
DataFrameها در Pandas 13:02
-
کار با دادهها در Pandas DataFrame 09:10
-
ترکیب DataFrameها 09:22
-
توابع دیگر در Pandas DataFrame 10:42
-
توابع پیشرفته در Pandas DataFrame 20:57
-
فعالیت: کتابخانه Pandas None
-
مقدمهای بر EDA 03:16
-
دسترسی به Google Colab 05:18
-
بارگذاری مجموعه داده بزرگ برای کار 07:17
-
تحلیل مقدماتی بر روی DataFrame 14:14
-
مقادیر null در Dataframe 06:50
-
پاکسازی داده 09:44
-
فعالیت: EDA None
-
مقدمهای بر مصورسازی داده 06:17
-
مبانی Matplotlib 09:28
-
انواع نمودار - نمودار خطی 03:12
-
نمودارهای خطی - آموزش عملی 09:29
-
تنظیم نمودارها 09:14
-
آموزش عملی تنظیم نمودار 08:00
-
نمودار پراکندگی 03:30
-
آموزش عملی نمودار پراکندگی 09:53
-
نمودار هیستوگرام 05:33
-
فعالیت: Matplotlib None
-
مقدمهای بر Seaborn 03:13
-
کاوش در دادهها 09:38
-
نمودارهای تکمتغیره و دومتغیره - دادههای پیوسته 11:19
-
نمودار - دادههای دستهای 09:15
-
نمودارهای پیشرفته در Seaborn 06:46
-
از کدام نمودار باید استفاده کرد؟ 04:59
-
فعالیت: Seaborn None
-
مقدمهای بر علم داده - یادگیری ماشین با دادههای SAP 18:34
-
درک خوشهبندی 09:50
-
کار ریاضی KMeans 13:07
-
اعمال K Means بر روی یک مجموعه داده نمونه 15:34
-
اکتشاف کلاس ()KMeans 15:16
-
تکلیف: خوشهبندی None
-
اندازهگیری کیفیت خوشه 05:27
-
اندازهگیری کیفیت خوشه - عملی 13:52
-
List Comprehension 07:33
-
مقیاسدهی داده با StandardScaler 13:35
-
خوشهبندی بر روی دادههای مثال ML 09:22
-
آزمون خوشهبندی None
-
مرور پروژه 06:50
-
مراحل استخراج داده: SAP 08:19
-
بارگذاری داده و تحلیل 11:28
-
تبدیلات داده 11:41
-
اعمال KMeans بر روی دادههای SAP 07:59
-
خلاصه KMeans 02:01
-
مرور بخش و مقدمهای بر سیستمهای توصیهگر 10:53
-
مروری عملی 02:10
-
تبدیلات داده و دستکاری داده 15:18
-
تولید قوانین همبستگی 07:50
-
استخراج داده از SAP 01:39
-
برنامه سفارشی در SAP ABAP برای استخراج داده 03:48
-
استخراج داده با استفاده از SQVI 04:55
-
آمادهسازی داده از فایل خارجی 16:34
-
پیشپردازش دادهها بر روی دادههای استخراجشده از SAP 06:28
-
تولید قوانین همبستگی بر روی دادههای SAP 07:01
-
خلاصه - استخراج قوانین همبستگی 01:24
-
آزمون درباره استخراج قوانین همبستگی None
-
هدفهای یادگیری و مرور بخش 01:21
-
چرا پیشبینی ضروری است؟ 02:12
-
درک پیشبینی 06:56
-
مرور پروژه 02:16
-
استخراج داده از سیستم SAP 04:47
-
بارگذاری داده و دستکاری 15:21
-
درک دادههای سری زمانی 07:03
-
بررسی دانش 07:14
-
Quick Recap 01:54
-
Differencing - آموزش عملی 04:41
-
بارگذاری داده و تحلیل مقدماتی - آموزش عملی 06:06
-
تست فرضیه 05:35
-
تست فرضیه - تست ADF - آموزش عملی 08:11
-
همبستگی خودکار در نمودار سری زمانی 09:37
-
آزمون عملی همبستگی خودکار 04:04
-
ویژگیهای نمودار ACF 04:29
-
رابطه بین نمودار ACF و نمودار سری زمانی 09:46
-
مقدمهای بر ARIMA 05:32
-
درک p و q در ARIMA 02:09
-
مرور پیادهسازی عملی ARIMA 01:13
-
ARIMA - کاربردی 18:23
-
پایان پروژه - مدل ARIMA بر روی دادههای SAP 04:10
-
نمودار روند تحلیل سریهای زمانی - خلاصه 02:54
-
هدفهای یادگیری و مرور بخش - NLP 00:52
-
مرور NLP - پردازش زبان طبیعی 02:38
-
تکنیکهای پیشپردازش متن 06:38
-
راهاندازی حساب Google Cloud 05:53
-
بارگذاری مجموعه داده 04:10
-
اتصال به Google Cloud Natural Language API 10:40
-
خلاصه - NLP با دادههای متنی - طبقهبندی 02:34
-
پاداش - مفهوم کلی - چگونه انتخاب مدل یادگیری ماشین را انجام دهیم؟ 23:16
-
پاداش: مقدمهای بر هوش مصنوعی مولد 01:17:44
-
پیادهسازی یادگیری ماشین بخش 1 - آمادهسازی مدل - از ابتدا تا انتها 15:31
-
پیادهسازی یادگیری ماشین بخش 2 - پیادهسازی برنامه Flask - از ابتدا تا انتها 11:48
-
آموزش Streamlit 19:22
-
بستهبندی مدلهای یادگیری ماشین 56:26
-
محتوای Docker برای علم داده و پروژههای یادگیری ماشین 59:15
-
مقدمهای بر دوره MLOps 04:22
-
پاداش: درک معماری ترنسفورمر 52:48
-
پاداش: مقدمهای بر MLOps سازمانی 01:13:41
مشخصات آموزش
علم داده SAP و یادگیری ماشین برای مشاوران SAP
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:207
- مدت زمان :26:24:11
- حجم :13.41GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy