آموزش استفاده از منابع آنلاین برای تجزیه و تحلیل Python

Leveraging Online Resources for Python Analytics

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

آموزش استفاده از منابع آنلاین برای تجزیه و تحلیل Python
جزییات دوره
2h 11m
36
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
15
4.3 از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.