نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره منابع مهمی را برای علوم داده از جمله کتابخانه های تجسم ، چارچوب های یادگیری عمیق و محیط های مبتنی بر ابر معرفی می کند. این برنامه همچنین BigML و Google Colab را مورد بررسی قرار می دهد - منابع قدرتمندی برای ساخت و به اشتراک گذاری تجزیه و تحلیل ها. هرچه علم داده و تجزیه و تحلیل داده ها محبوب تر و تخصصی تر می شوند ، تعداد و تنوع ابزارها و فن آوری های موجود اغلب غالباً به نظر می رسد. در این دوره ، با بهره گیری از منابع آنلاین برای Python Analytics ، توانایی یافتن منابعی را خواهید داشت که می توانند به شما کمک کنند تا مشکل خود را به درستی تنظیم و حل کنید. در ابتدا ، شما برخی از کتابخانه های مهم تجسم ، چارچوب های یادگیری ماشین و یادگیری عمیق و راه حل های مبتنی بر ابر را بررسی خواهید کرد. در مرحله بعدی ، مزایای استفاده از ابزاری مانند BigML را خواهید یافت ، که بستری برای ساخت مدلهای ML است که بسیاری از پیچیدگیهای اساسی را از بین می برد. امروزه دموکراتیک سازی ML یک روند مهم است و فناوری هایی مانند BigML در خط مقدم این روند قرار دارند. به عنوان مثال ، خواهید دید که چگونه BigML بصورت یکپارچه تجسم هایی را که به عنوان نمودارهای وابستگی جزئی شناخته می شوند ، ادغام می کند ، که نتایج حاصل از تعداد زیادی از پیش بینی های ML را به راحتی قابل درک می کند ، بنابراین می توانید دقیقاً بفهمید مدل ML شما چه کاری انجام می دهد. سرانجام ، شما با کار با Google Colab ، روشی رایگان تحت وب برای ساخت مدل ها ، دانش خود را جمع آوری می کنید. این مدل ها در نوت بوک های Jupyter که در Google Drive قرار دارند و بر روی ماشین های مجازی در فضای ابری کار می کنند ، میزبانی می شوند. پس از پایان این دوره ، مهارت و دانش لازم برای شناسایی سریع و کارآمد منابع و کتابخانه های آنلاین ارزشمند را خواهید داشت که به عنوان یک پزشک علم داده به شما کمک می کنند.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
شروع با تجزیه و تحلیل پایتون
Getting Started with Python Analytics
-
بررسی اجمالی ماژول
Module Overview
-
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
-
Python for Data Analysts
Python for Data Analysts
-
منابع پایتون برای تحلیلگران
Python Resources for Analysts
-
نسخه ی نمایشی: کاوش در منابع آنلاین
Demo: Exploring Online Resources
-
گردش کار در تجزیه و تحلیل داده ها
Workflows in Data Analytics
-
نسخه ی نمایشی: پاک کردن داده ها
Demo: Cleaning Data
-
نسخه ی نمایشی: خلاصه آمار و تجزیه و تحلیل اساسی
Demo: Summary Statistics and Basic Analysis
-
نسخه ی نمایشی: تجسم روابط در داده ها
Demo: Visualizing Relationships in Data
-
نسخه ی نمایشی: به اشتراک گذاری تجسم بصورت آنلاین با استفاده از طرح کلی
Demo: Sharing Visualizations Online Using Plotly
-
نسخه ی نمایشی: نمونه سازی اولیه از یک طبقه بندی کننده
Demo: Prototyping a Classifier
-
نسخه ی نمایشی: نوشتن اسکریپت پایتون برای یک مدل طبقه بندی
Demo: Writing a Python Script for a Classification Model
-
خلاصه ماژول
Module Summary
استفاده از منابع آنلاین برای Python Analytics با BigML
Leveraging Online Resources for Python Analytics with BigML
-
بررسی اجمالی ماژول
Module Overview
-
معرفی Big ML
Introducing Big ML
-
نسخه ی نمایشی: شروع با Big ML
Demo: Getting Started with Big ML
-
نسخه ی نمایشی: پیکربندی منابع داده و ایجاد مجموعه داده ها
Demo: Configuring Data Sources and Creating Datasets
-
نسخه ی نمایشی: آماده سازی و تجسم داده ها
Demo: Data Preparation and Visualization
-
نسخه ی نمایشی: تقسیم به زیر مجموعه های آموزشی و آزمایشی
Demo: Splitting into Training and Test Subsets
-
نسخه ی نمایشی: ساخت مدل ها
Demo: Building Models
-
نسخه ی نمایشی: ارزیابی مدل ها
Demo: Evaluating Models
-
نسخه ی نمایشی: پیش بینی های دسته ای و فردی
Demo: Batch and Individual Predictions
-
نسخه ی نمایشی: خوشه بندی
Demo: Clustering
-
نسخه ی نمایشی: تشخیص ناهنجاری
Demo: Anomaly Detection
-
خلاصه ماژول
Module Summary
کار با محیط تعاملی با استفاده از Google Colab
Working with Interactive Environment Using Google Colab
-
بررسی اجمالی ماژول
Module Overview
-
معرفی Google Colab
Introducing Google Colab
-
نسخه ی نمایشی: معرفی رابط Google Colab
Demo: Introducing the Google Colab Interface
-
نسخه ی نمایشی: نوت بوک های کولاب — مشابه و در عین حال متفاوت
Demo: Colab Notebooks—Similar yet Different
-
نسخه ی نمایشی: فرم های تعاملی
Demo: Interactive Forms
-
نسخه ی نمایشی: دسترسی به محتوای Google Drive از Colab
Demo: Accessing Google Drive Contents from Colab
-
نسخه ی نمایشی: ابزارک ها
Demo: Widgets
-
نسخه ی نمایشی: ساخت یک مدل رگرسیون
Demo: Building a Regression Model
-
نسخه ی نمایشی: ادغام با Github
Demo: Integrating with Github
-
خلاصه و مطالعه بیشتر
Summary and Further Study
نمایش نظرات