لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مبانی علم داده بخش اول: واحد ۱
- آخرین آپدیت
دانلود Data Science Fundamentals Part 1: Unit 1
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره آموزشی، مفاهیم و تکنیکهای کلیدی علم داده را از طریق دروس جذاب پایتون و مجموعهدادههای واقعی سادهسازی میکند. شما تجربه عملی کار با اکوسیستم پایتون، از جمله کتابخانههای pandas، NumPy، scikit-learn و موارد دیگر را کسب خواهید کرد تا بتوانید دادههای واقعی را تحلیل کرده و برنامههای کاربردی معنادار را از پایه بسازید. از تنظیم محیط برنامهنویسی تا ساخت اولین موتور پیشنهاددهنده (Recommendation Engine)، هر درس بر شهود، بهترین روشها و مهارتهای محاسباتی مورد نیاز برای حل مسائل پیچیده دادهها تمرکز دارد. برای این دوره نیازی به پیشزمینه پیشرفته در ریاضیات یا آمار نیست؛ تنها اشتیاق به یادگیری و آشنایی اولیه با برنامهنویسی کافی است. در پایان این دوره، شما پروژههای واقعی ساخته، بر جریانهای کاری ضروری علم داده مسلط شده و اعتماد به نفس لازم برای بهکارگیری الگوریتمهای یادگیری ماشین در چالشهای دنیای واقعی را پیدا خواهید کرد.
سرفصل ها و درس ها
مبانی علم داده بخش اول: واحد ۱
Data Science Fundamentals Part 1: Unit 1
خوشآمدگویی به دوره
Welcome to the Course
سرفصلها
Topics
چرا علم داده و چرا اکنون؟
Why Data Science and Why Now?
پتانسیلهای علم داده
The Potential of Data Science
راهاندازی محیط توسعه علم داده
Getting Set Up with a Data Science Development Environment
مروری بر پایتون (نسخه ۳)
A Python (3) Primer
مقایسه پایتون ۲ و پایتون ۳
Python 2 versus Python 3
سنجش دانش: واژگان کلیدی
Test Your Knowledge: Wordbuzz
واژگان کلیدی: جمعبندی نهایی
Wordbuzz: Putting it all Together
مرور پایتون و منابع آموزشی
Python Review and Resources
پایتون برای علم داده
Python for Data Science
آنچه در پیش است
What’s to Come
سرفصلها
Topics
آشنایی با فرآیند علم داده
Introduction to the Data Science Process
تعریف مسئله
Defining Your Problem
جمعآوری دادهها
Acquiring Data
پیشپردازش و پاکسازی دادهها
Wrangling Data
اکتشاف دادهها
Exploring Data
سیستمهای پیشنهاددهنده از طریق بستن مثلث (Triangle Closing)
Recommendations through Triangle Closing
جریان کاری توسعه پایتون
Python Development Workflow
پیادهسازی بستار سهگانه در پایتون
Triadic Closure in Python
چالشهای سیستمهای پیشنهاددهنده
Challenges of Recommendation Systems
بهدست آوردن خط مبنای ارزیابی
Obtaining an Evaluation Baseline
بررسی و ارزیابی نتایج
Inspecting and Evaluating Results
ارائه و انتشار نتایج
Present and Disseminate
پیادهسازی فرآیند علم داده: تختهای ارزانتر، صبحانههای بهتر
The Data Science Process Applied--Cheaper Beds, Better Breakfasts
نمایش نظرات