علم داده های عملی با استفاده از پایتون [ویدئو]

سرفصل ها و درس ها

مقدمه ای بر علم داده Introduction to Data Science

• معرفی و استفاده از علوم داده Data Science Introduction and Use Cases

• نقش های علم داده و چرخه حیات Data Science Roles and Lifecycle

• مراحل و فناوری های علم داده Data Science Stages and Technologies

• فن آوری های علم داده و تجزیه و تحلیل Data Science Technologies and Analytics

• ML-Data و CRISP-DM ML-Data and CRISP-DM

تکنیک های آماری Statistical Techniques

• آمار و آزمایش Statistics and Experiments

• انواع داده ها و آمار توصیفی Types of Data and Descriptive Statistics

• متغیرهای تصادفی و توزیع نرمال Random Variables and Normal Distribution

• هیستوگرام و تقریب طبیعی Histograms and Normal Approximation

• تئوری حد مرکزی Central Limit Theorem

• نظریه احتمال Probability Theory

• نظریه دو جمله ای - مقدار مورد انتظار و خطای استاندارد Binomial Theory - Expected Value and Standard Error

• آزمایش فرضیه Hypothesis Testing

پایتون برای علم داده Python for Data Science

• مقدمه ای بر پایتون Introduction to Python

• شروع با پایتون با نوت بوک Jupyter Starting with Python with Jupyter Notebook

• متغیرها و شرایط پایتون Python Variables and Conditions

• تکرارهای پایتون 1 Python Iterations 1

• تکرارهای پایتون 2 Python Iterations 2

• لیست های پایتون Python Lists

• تاپل های پایتون Python Tuples

• دیکشنری پایتون 1 Python Dictionaries 1

• دیکشنری پایتون 2 Python Dictionaries 2

• مجموعه پایتون 1 Python Sets 1

• مجموعه پایتون 2 Python Sets 2

• آرایه های NumPy 1 NumPy Arrays 1

• آرایه های NumPy 2 NumPy Arrays 2

• آرایه های NumPy 3 NumPy Arrays 3

• پانداهای سری 1 Pandas Series 1

• پانداها سری 2 Pandas Series 2

• پانداها سری 3 Pandas Series 3

• پانداهای سری 4 Pandas Series 4

• Pandas DataFrame 1 Pandas DataFrame 1

• Pandas DataFrame 2 Pandas DataFrame 2

• Pandas DataFrame 3 Pandas DataFrame 3

• Pandas DataFrame 4 Pandas DataFrame 4

• Pandas DataFrame 5 Pandas DataFrame 5

• Pandas DataFrame 6 Pandas DataFrame 6

• توابع تعریف شده توسط کاربر پایتون Python User-Defined Functions

• توابع لامبدا پایتون Python Lambda Functions

• توابع Python Lambda و عملیات تاریخ-زمان Python Lambda Functions and Date-Time Operations

• عملیات رشته پایتون Python String Operations

تجزیه و تحلیل داده های اکتشافی (EDA) Exploratory Data Analysis (EDA)

• مقدمه ای بر EDA Introduction to EDA

• ابزارها و فرآیندهای EDA EDA Tools and Processes

• پروژه EDA - 1 EDA Project - 1

• پروژه EDA - 2 EDA Project - 2

• پروژه EDA - 3 EDA Project - 3

• پروژه EDA - 4 EDA Project - 4

• پروژه EDA - 5 EDA Project - 5

• پروژه EDA - 6 EDA Project - 6

• پروژه EDA - 7 EDA Project - 7

فراگیری ماشین Machine Learning

• مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

• اصطلاحات یادگیری ماشین Machine Learning Terminology

• تاریخچه یادگیری ماشین History of Machine Learning

• موارد و انواع استفاده از یادگیری ماشین Machine Learning Use Cases and Types

• نقش داده ها در یادگیری ماشینی Role of Data in Machine Learning

• چالش های یادگیری ماشین Challenges in Machine Learning

• چرخه زندگی و خطوط لوله یادگیری ماشین Machine Learning Lifecycle and Pipelines

• مشکلات رگرسیون Regression Problems

• مدل های رگرسیون و معیارهای عملکرد Regression Models and Performance Metrics

• مسائل طبقه بندی و معیارهای عملکرد Classification Problems and Performance Metrics

• بهینه سازی معیارهای طبقه بندی Optimizing Classification Metrics

• تعصب و واریانس Bias and Variance

رگرسیون خطی Linear Regression

• مقدمه رگرسیون خطی Linear Regression Introduction

• رگرسیون خطی - آموزش و تابع هزینه Linear Regression - Training and Cost Function

• رگرسیون خطی - توابع هزینه و نزول گرادیان Linear Regression - Cost Functions and Gradient Descent

• رگرسیون خطی - رویکرد عملی Linear Regression - Practical Approach

• رگرسیون خطی - مقیاس ویژگی و توابع هزینه Linear Regression - Feature Scaling and Cost Functions

• رگرسیون خطی فرضیات و آزمایش OLS Linear Regression OLS Assumptions and Testing

• پیش بینی قیمت خودرو با رگرسیون خطی Linear Regression Car Price Prediction

• تهیه و تجزیه و تحلیل داده های رگرسیون خطی 1 Linear Regression Data Preparation and Analysis 1

• تهیه و تجزیه و تحلیل داده های رگرسیون خطی 2 Linear Regression Data Preparation and Analysis 2

• تهیه و تجزیه و تحلیل داده های رگرسیون خطی 3 Linear Regression Data Preparation and Analysis 3

• ساختمان مدل رگرسیون خطی Linear Regression Model Building

• ارزیابی و بهینه سازی مدل رگرسیون خطی Linear Regression Model Evaluation and Optimization

• بهینه سازی مدل رگرسیون خطی Linear Regression Model Optimization

رگرسیون لجستیک Logistic Regression

• مقدمه رگرسیون لجستیک Logistic Regression Introduction

• رگرسیون لجستیک - مدل لاجیت Logistic Regression - Logit Model

• رگرسیون لجستیک - مطالعه موردی Churn Telecom Logistic Regression - Telecom Churn Case Study

• رگرسیون لجستیک - تجزیه و تحلیل داده ها و مهندسی ویژگی Logistic Regression - Data Analysis and Feature Engineering

• رگرسیون لجستیک - ساخت مدل لجستیک Logistic Regression - Build the Logistic Model

• رگرسیون لجستیک - ارزیابی مدل - AUC-ROC Logistic Regression - Model Evaluation - AUC-ROC

• رگرسیون لجستیک - بهینه سازی مدل Logistic Regression - Model Optimization

• رگرسیون لجستیک - بهینه سازی مدل 2 Logistic Regression - Model Optimization 2

یادگیری بدون نظارت - K-Means Clustering Unsupervised Learning - K-Means Clustering

• یادگیری بدون نظارت - K-Means Clustering Unsupervised Learning - K-Means Clustering

• K-Means Clustering Computing K-Means Clustering Computation

• بهینه سازی خوشه بندی K-Means K-Means Clustering Optimization

• K-Means - آماده سازی و مدل سازی داده ها K-Means - Data Preparation and Modelling

• K-Means - بهینه سازی مدل K-Means - Model Optimization

مدل احتمال ساده بیز Naive Bayes Probability Model

• مدل احتمال ساده بیز - مقدمه Naive Bayes Probability Model - Introduction

• محاسبات احتمال ساده بیز Naive Bayes Probability Computation

• بیز ساده - مطالعه موردی فرسایش کارکنان Naive Bayes - Employee Attrition Case Study

• Naive Bayes - مدل سازی و بهینه سازی Naive Bayes - Model Building and Optimization

طبقه بندی با استفاده از درختان تصمیم Classification using decision trees

• درخت تصمیم - مفهوم مدل Decision Tree - Model Concept

• درخت تصمیم - مراحل یادگیری Decision Tree - Learning Steps

• درخت تصمیم - شاخص جینی و معیارهای آنتروپی Decision Tree - Gini Index and Entropy Measures

• درخت تصمیم - تنظیم فراپارامتر Decision Tree - Hyperparameter Tuning

• درخت تصمیم - مطالعه موردی مجموعه داده عنبیه Decision Tree - Iris Dataset Case Study

• درخت تصمیم - بهینه سازی مدل با استفاده از اعتبارسنجی متقاطع جستجوی شبکه Decision Tree - Model Optimization using Grid Search Cross Validation

روش‌های گروه - جنگل تصادفی Ensemble Methods – Random Forest

• جنگل تصادفی - تکنیک های گروه کیسه کشی و جنگل تصادفی Random Forest - Ensemble Techniques Bagging and Random Forest

• هرس و بهینه سازی مراحل تصادفی جنگل Random Forest Steps Pruning and Optimization

• جنگل تصادفی - ساخت مدل و تنظیم فراپارامتر با استفاده از CV جستجوی شبکه Random Forest - Model Building and Hyperparameter Tuning using Grid Search CV

• جنگل تصادفی - بهینه سازی ادامه دارد Random Forest - Optimization Continued

تکنیک های طبقه بندی پیشرفته - ماشین بردار پشتیبانی Advanced Classification Techniques – Support Vector Machine

• پشتیبانی از مفاهیم ماشین بردار Support Vector Machine Concepts

• پشتیبانی از متریک ماشین بردار و SVM چند جمله ای Support Vector Machine Metrics and Polynomial SVM

• پروژه ماشین بردار پشتیبانی 1 Support Vector Machine Project 1

• پشتیبانی از پیش بینی ماشین بردار Support Vector Machine Predictions

• ماشین بردار پشتیبانی - طبقه بندی داده های چند جمله ای Support Vector Machine - Classifying Polynomial Data

کاهش ابعاد با استفاده از PCA Dimensionality Reduction Using PCA

• تجزیه و تحلیل مؤلفه های اصلی - مفاهیم Principal Component Analysis - Concepts