کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش علم اطلاعات با R

Data Science with R

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: یادگیری اطلاعات علمی با استفاده از R از ابتدا. حرفه خود را به عنوان یک دانشمند داده ساخت. کاوش Knitr، DataSet Buzz، روش های ADV

چه چیزی را یاد می گیرید

  • علم داده ها با استفاده از R برنامه نویسی
  • تبدیل به یک دانشمند داده
  • مسیر یادگیری اطلاعات علوم
  • نحوه یادگیری علم داده
  • جمع آوری داده ها و مدیریت
  • مدل سازی و نگهداری مدل
  • تنظیم انتظارات
  • بارگیری داده ها به R
  • بررسی داده ها در علوم داده ها و یادگیری ماشین
  • بررسی داده ها با استفاده از r
  • مزایای تمیز کردن داده ها
  • اعتبار سنجی متقابل در R
  • تحول داده
  • روش های مدل سازی
  • حل مشکلات طبقه بندی
  • کار بدون اهداف شناخته شده
  • ارزیابی مدل ها
  • ماتریس سردرگمی
  • مقدمه ای بر رگرسیون خطی
  • رگرسیون خطی در R
  • رگرسیون ساده و چندگانه
  • رگرسيون خطی و لجستيک
  • پشتیبانی از ماشین های بردار (SVM) در R
  • روش های بی نظیر
  • خوشه بندی در علوم داده
  • الگوریتم K به معنای R
  • خوشه بندی سلسله مراتبی
  • تجزیه و تحلیل سبد بازار
  • MBA و قانون انجمن معدن
  • پیاده سازی MBA
  • قانون انجمن یادگیری
  • الگوریتم درخت تصمیم گیری
  • بررسی روش های پیشرفته
  • با استفاده از روش های هسته
  • مستندات و استقرار

علم اطلاعات شامل زمینه های مختلف مانند ریاضیات، بینش کسب و کار، ابزار، فرایندها و تکنیک های یادگیری ماشین است. ترکیبی از تمام این زمینه ها به ما در کشف دیدگاه ها یا طرح های داده های خام کمک می کند که می تواند از استفاده عمده در شکل گیری تصمیمات بزرگ کسب و کار استفاده کند. به عنوان یک دانشمند داده، نقش شما را بررسی می کند که سوالاتی را که می خواهند پاسخ دهند و کجا اطلاعات مربوطه را پیدا کنند. یک دانشمند داده باید بینش کسب و کار و خدمات تحلیلی داشته باشد. یکی نیز باید مهارت را برای داده های من، تمیز و ارائه دهد. کسب و کار از دانشمندان داده استفاده می کند تا مقدار زیادی از داده های غیر ساختاری را به عنوان منبع، مدیریت و تجزیه و تحلیل کند.

R یک زبان فرماندهی است که به طور گسترده ای برای تجزیه و تحلیل داده ها و محاسبه آماری استفاده می شود. این در اوایل دهه 90 توسعه یافت. R نرم افزار منبع باز است. R بدون محدودیت و انعطاف پذیر است، زیرا این یک نرم افزار منبع باز است. خطوط باز R اجازه می دهد آن را به ترکیب با برنامه های دیگر و سیستم ها. محصولات نرم افزاری باز دارای استانداردهای بالایی از کیفیت هستند، زیرا چندین نفر از آنها استفاده می کنند و تکرار می شوند. به عنوان یک زبان برنامه نویسی، R ارائه اشیاء، اپراتورها و توابع است که به کارفرمایان اجازه می دهد اطلاعات را کشف، مدل و پیش بینی کنند. علم داده ها با R دارای امکانات زیادی در دنیای تجاری بوده است. باز R باز از زبان منبع باز به طور گسترده ای در تجزیه و تحلیل است. از ابتکارات کوچک به بزرگ، هر شرکت دیگر ترجیح می دهد R بر زبان های دیگر. یک نیاز ثابت برای متخصصان با داشتن دانش در علوم داده ها با استفاده از برنامه های R وجود دارد.



uplatz این دوره جامع را در زمینه علوم داده ها ارائه می دهد با پوشش مفاهیم علوم علمی پیاده سازی و کاربرد با استفاده از زبان برنامه نویسی R پوشش.



علم داده با برنامه R-Course



1. مقدمه ای بر علوم داده

  • 1.1 فرآیند علوم داده

  • 1.2 مرحله پروژه علمی داده

  • 1.3 تنظیم انتظارات

  • 1.4 خلاصه



2. بارگیری داده ها به R

  • 2.1 کار با داده ها از فایل ها

  • 2.2 کار با پایگاه داده های ارتباطی

  • 2.3 خلاصه



3. مدیریت داده ها

  • 3.1 تمیز کردن داده ها

  • 3.2 نمونه برداری برای مدل سازی و اعتبارسنجی

  • 3.3 خلاصه



4. انتخاب و ارزیابی مدل ها

  • 4.1 نقشه های نقشه برداری به وظایف یادگیری ماشین

  • 4.2 مدل های ارزیابی

  • 4.3 مدل های معتبر

  • 4.4 خلاصه



5. روش های حافظه

  • 5.1 با استفاده از درخت تصمیم گیری 127

  • 5.2 خلاصه



6. رگرسيون خطی و لجستيک

  • 6.1 با استفاده از رگرسیون خطی

  • 6.2 با استفاده از رگرسيون لجستيک

  • 6.3 خلاصه



7. روش های نامنظم

  • 7.1 تجزیه خوشه ای

  • 7.2 قوانین انجمن

  • خلاصه 7.3



8. بررسی روش های پیشرفته

  • 8.1 با استفاده از جنگل های کیسه ای و تصادفی برای کاهش واریانس آموزش

  • 8.2 با استفاده از مدل های افزودنی عمومی (GAMS) برای یادگیری روابط غیر آمریکایی

  • 8.3 با استفاده از روش های هسته ای برای افزایش جداسازی داده ها

  • 8.4 با استفاده از SVMS برای مدل سازی مرزهای تصمیم گیری پیچیده



9. مستندات و استقرار

  • 9.1 مجموعه داده Buzz

  • 9.2 با استفاده از KNIT برای تولید مستندات نقطه عطفی

چه کسی این دوره است:

  • دانشمندان داده
  • هر کسی که برای حرفه ای در علم داده ها و یادگیری ماشین تلاش می کند
  • مهندسان یادگیری ماشین
  • R برنامه نویسان
  • تازه واردان و مبتدیان که مایل به شروع کار خود را در برنامه های R برنامه ریزی و علوم داده
  • تحلیلگران داده های پیشرفته تجزیه و تحلیل داده ها
  • توسعه دهندگان مهندسان نرم افزار
  • دانشمندان ارشد داده های ارشد
  • افسران اصلی فناوری (CTOS)
  • statisticians و محققان علوم اطلاعات
  • مهندسان داده
  • R برنامه نویسان تجزیه و تحلیل
  • تحلیلگران ارشد داده ها - R، برنامه نویسی پایتون
  • مهندسان علوم داده ها
سرفصل ها و درس ها

مقدمه ای بر علم داده با R Introduction to Data Science with R

  • قسمت 1 - مقدمه ای بر علم داده با R Part 1 - Introduction to Data Science with R

مسیر یادگیری اطلاعات علمی Data Science Learning Path

  • مسیر یادگیری اطلاعات علمی Data Science Learning Path

نحوه یادگیری علم داده ها How to learn Data Science

  • قسمت 1 - نحوه یادگیری علم اطلاعات Part 1 - How to learn Data Science

  • قسمت 2 - نحوه یادگیری علم اطلاعات Part 2 - How to learn Data Science

جمع آوری داده ها و مدیریت Data Collection and Management

  • جمع آوری داده ها و مدیریت Data Collection and Management

استقرار مدل و تعمیر و نگهداری Model Deployment and Maintenance

  • استقرار مدل و تعمیر و نگهداری Model Deployment and Maintenance

تنظیم انتظارات Setting Expectations

  • تنظیم انتظارات Setting Expectations

بارگیری داده ها به R Loading Data into R

  • بارگیری داده ها به R Loading Data into R

بررسی داده ها در علم داده ها و یادگیری ماشین Exploring Data in Data Science and Machine Learning

  • بررسی داده ها در علم داده ها و یادگیری ماشین Exploring Data in Data Science and Machine Learning

بررسی داده ها با استفاده از R Exploring Data using R

  • بررسی داده ها با استفاده از R Exploring Data using R

مزایای تمیز کردن داده ها Benefits of Data Cleaning

  • مزایای تمیز کردن داده ها Benefits of Data Cleaning

اعتبار سنجی متقابل در R Cross Validation in R

  • اعتبار سنجی متقابل در R Cross Validation in R

تبدیل داده ها Data Transformation

  • تبدیل داده ها Data Transformation

روش های مدل سازی Modeling Methods

  • روش های مدل سازی Modeling Methods

حل مشکلات طبقه بندی Solving Classification Problems

  • حل مشکلات طبقه بندی Solving Classification Problems

کار بدون اهداف شناخته شده Working without Known Targets

  • کار بدون اهداف شناخته شده Working without Known Targets

ارزیابی مدل ها Evaluating Models

  • ارزیابی مدل ها Evaluating Models

ماتریس سردرگمی Confusion Matrix

  • ماتریس سردرگمی Confusion Matrix

مقدمه ای بر رگرسیون خطی Introduction to Linear Regression

  • مقدمه ای بر رگرسیون خطی Introduction to Linear Regression

رگرسیون خطی در R Linear Regression in R

  • قسمت 1 - رگرسیون خطی در R Part 1 - Linear Regression in R

  • قسمت 2 - رگرسیون خطی در R Part 2 - Linear Regression in R

رگرسیون ساده و چندگانه Simple and Multiple Regression

  • رگرسیون ساده و چندگانه Simple and Multiple Regression

رگرسيون خطی و لجستيک Linear and Logistic Regression

  • رگرسيون خطی و لجستيک Linear and Logistic Regression

پشتیبانی از ماشین های بردار (SVM) در R Support Vector Machines (SVM) in R

  • قسمت 1 - ماشین های بردار پشتیبانی (SVM) در R Part 1 - Support Vector Machines (SVM) in R

  • قسمت 2 - دستگاه های بردار پشتیبانی (SVM) در R Part 2 - Support Vector Machines (SVM) in R

روش های بی نظیر Unsupervised Methods

  • روش های بی نظیر Unsupervised Methods

خوشه بندی در علوم داده Clustering in Data Science

  • خوشه بندی در علوم داده Clustering in Data Science

K-means الگوریتم در R K-means Algorithm in R

  • K-means الگوریتم در R K-means Algorithm in R

خوشه بندی سلسله مراتبی Hierarchical Clustering

  • قسمت 1 - خوشه بندی سلسله مراتبی Part 1 - Hierarchical Clustering

  • قسمت 2 - خوشه بندی سلسله مراتبی Part 2 - Hierarchical Clustering

  • قسمت 3 - خوشه بندی سلسله مراتبی Part 3 - Hierarchical Clustering

تجزیه و تحلیل سبد بازار Market Basket Analysis

  • تجزیه و تحلیل سبد بازار Market Basket Analysis

MBA و مدیریت قانون معدن MBA and Association Rule Mining

  • MBA و مدیریت قانون معدن MBA and Association Rule Mining

پیاده سازی MBA Implementing MBA

  • پیاده سازی MBA Implementing MBA

قانون انجمن یادگیری Association Rule Learning

  • قانون انجمن یادگیری Association Rule Learning

الگوریتم درخت تصمیم گیری Decision Tree Algorithm

  • الگوریتم درخت تصمیم گیری Decision Tree Algorithm

بررسی روش های پیشرفته Exploring Advanced Methods

  • بررسی روش های پیشرفته Exploring Advanced Methods

با استفاده از روش های هسته ای Using Kernel Methods

  • با استفاده از روش های هسته ای Using Kernel Methods

مستندات و استقرار Documentation and Deployment

  • مستندات و استقرار Documentation and Deployment

نمایش نظرات

نظری ارسال نشده است.

آموزش علم اطلاعات با R

این دوره غیر فعال شده است.

جزییات دوره
23h 4m
39
Udemy (یودمی) udemy-small
10 تیر 1400 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
1,488
از 5
ندارد
ندارد
ندارد

https://donyad.com/d/39db

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

آموزش یادگیری عمیق تنسورفلو - علم داده در پایتون

آموزش یادگیری عمیق تنسورفلو - علم داده در پایتون

Tensorflow Deep Learning - Data Science in Python

Tensorflow Deep Learning Python : Tensorflow Neural Network Training : Tensorflow Models - Android Java : Tensorflow C#

آموزش یادگیری ماشین کامل 2023: 10 پروژه دنیای واقعی

آموزش یادگیری ماشین کامل 2023: 10 پروژه دنیای واقعی

The Complete Machine Learning 2023 : 10 Real World Projects

راهنمای کامل مبتدی تا خبره - تجسم داده ها، EDA، Numpy، پانداها، ریاضیات، آمار، Matplotlib، Seaborn، Scikit، NLP-NLTK

آموزش یادگیری هوش مصنوعی و یادگیری ماشینی

آموزش یادگیری هوش مصنوعی و یادگیری ماشینی

Learn Artificial Intelligence And Machine Learning

با کار بر روی تست های عملی عملی، با یادگیری ماشینی و هوش مصنوعی به خوبی آشنا شوید

آموزش تمرین عملی یادگیری ماشین | 8 پروژه دنیای واقعی

آموزش تمرین عملی یادگیری ماشین | 8 پروژه دنیای واقعی

Machine Learning Practical Workout | 8 Real-World Projects

ساخت 8 پروژه عملی و رفتن از صفر به قهرمان در یادگیری عمیق/ماشین، شبکه های عصبی مصنوعی

Uplatz Training Uplatz Training

سریعترین رشد ارائه دهنده آموزش جهانی فناوری اطلاعات Uplatz پیشرو در انگلستان است که ارائه دهنده خدمات آموزش فناوری اطلاعات به دانشجویان در سراسر جهان است. منحصر به فرد بودن ما از آنجا ناشی می شود که ما دوره های آموزشی آنلاین را با کسری از متوسط هزینه این دوره ها در بازار ارائه می دهیم. تخصص ما شامل SAP ، Oracle ، Salesforce ، AWS ، Microsoft Azure ، Google Cloud ، IBM Cloud ، Science data ، Python ، JavaScript ، Java ، Digital Marketing ، Agile و DevOps است. Uplatz که در مارس 2017 تاسیس شد ، شاهد افزایش خارق العاده ای در صنعت آموزش است که با یک دوره آنلاین SAP FICO شروع می شود و اکنون آموزش 500+ دوره را در 54 کشور جهان ارائه داده است که طی 10 سال به 10 هزار دانشجو خدمت کرده اند. آموزش Uplatz بسیار با ساختار ، موضوع محور و شغل محور است و تأکید زیادی بر تمرین و تکالیف در سرورهای زنده دارد. دوره های ما توسط بیش از هزار مربی بسیار ماهر و باتجربه طراحی و تدریس می شوند که در زمینه های خود اعم از SAP ، Cloud ، Oracle یا هر فناوری یا سیستم درخواستی تخصص کافی دارند.

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.