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

آموزش مبانی علم داده بخش اول: واحد ۱
جزییات دوره
7h 6m
26
(آخرین آپدیت)
625
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده