آموزش مبانی علم داده: مبانی (2019)

Data Science Foundations: Fundamentals (2019)

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
علم داده در حال هدایت یک انقلاب جهانی است که همه چیز را از اتوماسیون کسب و کار گرفته تا تعاملات اجتماعی در بر می گیرد. همچنین یکی از مشاغلی است که سریع‌تر رشد می‌کند و بیشترین پاداش را دارد و تحلیلگران و مهندسان را در سراسر جهان به کار می‌گیرد. این دوره یک نمای کلی غیر فنی و قابل دسترس از این رشته را ارائه می دهد که واژگان، مهارت ها، مشاغل، ابزارها و تکنیک های علم داده را پوشش می دهد. مربی بارتون پولسون روابط را با سایر زمینه های اشباع شده از داده مانند یادگیری ماشین و هوش مصنوعی تعریف می کند. او شیوه‌های اولیه را مرور می‌کند: جمع‌آوری و تجزیه و تحلیل داده‌ها، تدوین قوانینی برای طبقه‌بندی و تصمیم‌گیری، و ترسیم بینش‌های عملی. او همچنین در مورد اخلاق و مسئولیت پذیری بحث می کند و جهت کسب اطلاعات بیشتر را ارائه می دهد. در پایان، خواهید دید که چگونه علم داده می تواند به شما در تصمیم گیری بهتر، به دست آوردن بینش عمیق تر و موثرتر و کارآمدتر کردن کارتان کمک کند.
اهداف یادگیری
  • مهارت های مورد نیاز برای یک حرفه در علم داده را ارزیابی کنید.
  • منابع مختلف داده از جمله معیارها و API ها را ارزیابی کنید.
  • داده ها را از طریق نمودارها و آمار کاوش کنید.
  • کشف کنید که دانشمندان داده چگونه از زبان های برنامه نویسی مانند R، Python و SQL استفاده می کنند.
  • نقش ریاضیات، مانند جبر، در علم داده را ارزیابی کنید.
  • نقش آمار کاربردی، مانند فواصل اطمینان، در علم داده را ارزیابی کنید.
  • نقش یادگیری ماشینی، مانند شبکه های عصبی مصنوعی، در علم داده را ارزیابی کنید.
  • مولفه های تجسم موثر داده ها را تعریف کنید.

سرفصل ها و درس ها

معرفی Introduction

  • مبانی علم داده The fundamentals of data science

1. علم داده چیست؟ 1. What Is Data Science?

  • عرضه و تقاضا برای علوم داده Supply and demand for data science

  • نمودار ون علم داده The data science Venn diagram

  • مسیر علم داده The data science pathway

  • نقش ها و تیم ها در علم داده Roles and teams in data science

  • امتحان فصل Chapter Quiz

2. جایگاه علم داده در جهان داده 2. The Place of Data Science in the Data Universe

  • هوش مصنوعی Artificial intelligence

  • فراگیری ماشین Machine learning

  • شبکه های عصبی یادگیری عمیق Deep learning neural networks

  • اطلاعات بزرگ Big data

  • تجزیه و تحلیل پیش بینی کننده Predictive analytics

  • تجزیه و تحلیل تجویزی Prescriptive analytics

  • هوش تجاری Business intelligence

  • امتحان فصل Chapter Quiz

3. اخلاق و عاملیت 3. Ethics and Agency

  • مسائل حقوقی، اخلاقی و اجتماعی علم داده Legal, ethical, and social issues of data science

  • آژانس الگوریتم ها و تصمیم گیرندگان Agency of algorithms and decision-makers

  • فصلنامه Chapter Quiz

4. منابع داده 4. Sources of Data

  • آماده سازی داده ها Data preparation

  • داده های داخلی In-house data

  • باز کردن داده ها Open data

  • API ها APIs

  • خراش دادن داده ها Scraping data

  • ایجاد داده Creating data

  • مجموعه غیرفعال داده های آموزشی Passive collection of training data

  • داده های خود تولید شده Self-generated data

  • امتحان فصل Chapter Quiz

5. منابع قواعد 5. Sources of Rules

  • شمارش قوانین صریح The enumeration of explicit rules

  • اشتقاق قوانین از تجزیه و تحلیل داده ها The derivation of rules from data analysis

  • نسل قوانین ضمنی The generation of implicit rules

  • امتحان فصل Chapter Quiz

6. ابزار برای علم داده 6. Tools for Data Science

  • برنامه های کاربردی برای تجزیه و تحلیل داده ها Applications for data analysis

  • زبان برای علم داده Languages for data science

  • یادگیری ماشینی به عنوان یک سرویس Machine learning as a service

  • امتحان فصل Chapter Quiz

7. ریاضیات برای علم داده 7. Mathematics for Data Science

  • جبر Algebra

  • حساب دیفرانسیل و انتگرال Calculus

  • بهینه سازی و انفجار ترکیبی Optimization and the combinatorial explosion

  • قضیه بیز Bayes' theorem

  • امتحان فصل Chapter Quiz

8. تجزیه و تحلیل برای علم داده 8. Analyses for Data Science

  • تحلیل های توصیفی Descriptive analyses

  • مدل های پیش بینی Predictive models

  • تحلیل روند Trend analysis

  • خوشه بندی Clustering

  • طبقه بندی Classifying

  • تشخیص ناهنجاری Anomaly detection

  • کاهش ابعاد Dimensionality reduction

  • انتخاب و ایجاد ویژگی Feature selection and creation

  • مدل های معتبر Validating models

  • مدل های جمع آوری Aggregating models

  • امتحان فصل Chapter Quiz

9. اقدام در علم داده 9. Acting on Data Science

  • تفسیر پذیری Interpretability

  • بینش عملی Actionable insights

  • امتحان فصل Chapter Quiz

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش مبانی علم داده: مبانی (2019)
جزییات دوره
3h 41m
54
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Barton Poulson Barton Poulson

پروفسور، طراح، کارشناس تجزیه و تحلیل داده

بارتون پولسون یک پروفسور، طراح و متخصص تجزیه و تحلیل داده ها است.

بارتون در بسیاری از کارهای خود پلی از تحلیل و زیبایی شناسی کرده است. زندگی، با سابقه طراحی صنعتی، دکتری. در روانشناسی اجتماعی و شخصیت، و عشق عمیق به تجزیه و تحلیل داده ها و تجسم داده ها و همچنین هنرهای تجسمی و نمایشی. بارت دانشیار روانشناسی در دانشگاه یوتا ولی است و در دانشگاه بریگام یانگ، دانشگاه یوتا و دانشگاه سیتی نیویورک تحصیل کرده است. او در نقش خود به عنوان معلم تحقیق و تحلیل، صدها مطالعه را با دانشجویان خود در مورد موضوعاتی از هویت اجتماعی و آرزوها تا ترجیحات ضمنی برای شعر و معماری انجام داده است. بارت و همسرش، ژاک لین بل، یک طراح رقص مدرن، با سه فرزند خود در شهر زیبای سالت لیک زندگی می کنند.