آموزش یادگیری جامع رگرسیون و پیش‌بینی با پانداس و پایتون [2025] - آخرین آپدیت

دانلود Master Regression & Prediction with Pandas and Python [2025]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آموزش جامع رگرسیون و پیش‌بینی با Pandas و Python برای علم داده

آیا به دنبال یادگیری رگرسیون، پیش‌بینی و علم داده با استفاده از ابزارهای قدرتمند پایتون و پانداز هستید؟ این دوره جامع به شما کمک می‌کند تا مهارت‌های خود را در زمینه‌های رگرسیون، تحلیل داده و یادگیری ماشین توسعه دهید.

رگرسیون و پیش‌بینی: از تئوری تا عمل

در این دوره، هم با مبانی نظری و هم با کاربردهای عملی رگرسیون و پیش‌بینی آشنا خواهید شد. یاد می‌گیرید چگونه مدل‌های رگرسیونی مختلف را ایجاد و ارزیابی کنید.

مدل‌های پیشرفته رگرسیون

از مدل‌های ساده رگرسیون خطی تا مدل‌های پیچیده رگرسیون چندمتغیره چندجمله‌ای و XGBoost، همه چیز را یاد خواهید گرفت. ما به شما نشان خواهیم داد که چگونه از یادگیری ماشین برای ایجاد مدل‌های خودکار و انتخاب ویژگی‌های مهم استفاده کنید.

تنظیم مدل با Regularization

با روش‌های Lasso و Ridge Regression، مدل‌های خود را تنظیم کنید تا از overfitting جلوگیری کنید و دقت پیش‌بینی را افزایش دهید.

الگوریتم‌های پیشرفته یادگیری ماشین

از درخت تصمیم (Decision Tree)، جنگل تصادفی (Random Forest)، XGBoost و مدل‌های Voting Regression استفاده کنید تا بهترین نتایج را در پیش‌بینی به دست آورید.

شبکه‌های عصبی و ساختارهای پیشرفته مدل

با شبکه‌های عصبی پیش‌خور (Feedforward Multilayer Networks) و ساختارهای پیشرفته مدل رگرسیون آشنا شوید و از آن‌ها در پروژه‌های خود استفاده کنید.

تحلیل Residual و ارزیابی مدل

از ابزارهای پیشرفته تحلیل Residual استفاده کنید تا کیفیت مدل‌های خود را ارزیابی کنید و توزیع Residual ها را بررسی کنید.

کتابخانه‌های Statsmodels و Scikit-learn

یاد بگیرید چگونه از کتابخانه‌های Statsmodels و Scikit-learn برای رگرسیون استفاده کنید. این کتابخانه‌ها با Matplotlib، Seaborn، Pandas و Python سازگار هستند و امکانات گسترده‌ای را در اختیار شما قرار می‌دهند.

تسلط بر برنامه‌نویسی پایتون 3

با ساختارهای داده‌ای اصلی پایتون، توابع، برنامه‌نویسی شیءگرا و منطق پایتون آشنا شوید و مهارت‌های برنامه‌نویسی خود را بهبود بخشید.

ساختارهای پیشرفته پایتون و کار با داده

از ساختارهای پیشرفته پایتون استفاده کنید و وظایف مدیریت داده را به طور دقیق انجام دهید. نحوه کار با فایل‌ها و انجام عملیات مختلف روی داده‌ها را یاد بگیرید.

برنامه‌نویسی شیءگرای پایتون

از برنامه‌نویسی شیءگرای پیشرفته پایتون استفاده کنید و اشیاء، توابع و روش‌های تعمیم‌دهی سفارشی خود را ایجاد کنید.

کار با داده‌های چندبعدی

داده‌ها را دستکاری کنید و از ساختارهای داده‌ای چندبعدی ناهموار استفاده کنید.

تسلط بر کتابخانه Pandas 2 و 3

کتابخانه Pandas را به طور کامل یاد بگیرید و از آن برای مدیریت پیشرفته داده استفاده کنید. پانداز ابزاری قدرتمند، سریع و انعطاف‌پذیر برای تحلیل و دستکاری داده است.

مفاهیم کلیدی کتابخانه Pandas

با زبان و مفاهیم کلیدی کتابخانه Pandas آشنا شوید و تمامی جنبه‌های ایجاد، تغییر، ویرایش و انتخاب داده از یک Pandas DataFrame را یاد بگیرید.

کار با فایل‌ها در Pandas

نحوه کار با فایل‌ها در Pandas و ترکیب Pandas DataFrames با استفاده از توابع concat، join و merge را یاد بگیرید.

آماده‌سازی پیشرفته داده

آماده‌سازی پیشرفته داده را انجام دهید، از جمله جایگزینی مقادیر از دست رفته با مدل‌های پیشرفته و مقیاس‌بندی و استانداردسازی داده‌ها.

آمار توصیفی و تحلیل داده در Pandas

آمار توصیفی و تحلیل داده پیشرفته را با Pandas انجام دهید. رتبه‌بندی، مرتب‌سازی، جدول‌بندی متقاطع، چرخاندن (pivot)، ذوب کردن (melt)، انتقال (transpose) و گروه‌بندی داده‌ها را یاد بگیرید.

[بونوس] مصورسازی پیشرفته داده

با استفاده از Pandas، Matplotlib و Seaborn، مصورسازی پیشرفته داده ایجاد کنید.

محاسبات ابری

از Anaconda Cloud Notebook (Jupyter Notebook مبتنی بر ابر) استفاده کنید و با منابع محاسبات ابری آشنا شوید.

Anaconda Distribution

گزینه: استفاده از Anaconda Distribution (برای ویندوز، مک و لینوکس).

مدیریت بسته‌ها با Conda

گزینه: از اصول محیط پایتون با سیستم مدیریت بسته Conda استفاده کنید و نصب و به‌روزرسانی کتابخانه‌ها و بسته‌ها را از طریق خط فرمان انجام دهید.

پیش‌نیازها

  • تجربه کاربری روزمره با کامپیوتر با سیستم عامل ویندوز، MacOS، iOS، Android، ChromeOS یا Linux توصیه می‌شود.
  • دسترسی به کامپیوتر با اتصال به اینترنت.
  • تجربه برنامه‌نویسی لازم نیست و هر آنچه نیاز دارید به شما آموزش داده خواهد شد.
  • این دوره فقط از نرم‌افزارهای رایگان استفاده می‌کند.
  • ویدیوهای راهنمای نصب و راه‌اندازی برای محاسبات ابری و ویندوز 10/11 ارائه شده است.

به دوره جامع رگرسیون و پیش‌بینی با Pandas و Python خوش آمدید!

این دوره ویدیویی سه-در-یک به شما کمک می‌کند تا بر رگرسیون، پیش‌بینی، پایتون 3، پانداز 2 + 3 و مدیریت پیشرفته داده مسلط شوید.

شما یاد خواهید گرفت که چگونه رگرسیون، تحلیل رگرسیون و پیش‌بینی را با تعداد زیادی از تکنیک‌های پیشرفته رگرسیون برای اهداف پیش‌بینی و ایجاد مدل خودکار، یا به اصطلاح هوش مصنوعی واقعی، مسلط شوید. نحوه کار با ساختارهای پیشرفته مدل و رگرسیون eXtreme Gradient Boosting برای وظایف پیش‌بینی را خواهید آموخت.

پایتون 3 یکی از محبوب‌ترین و کاربردی‌ترین زبان‌های برنامه‌نویسی در جهان است و پانداز 2 و نسخه آینده 3 قدرتمندترین، کارآمدترین و کاربردی‌ترین کتابخانه مدیریت داده موجود است.

شما یاد خواهید گرفت که بر بلوک‌های ساختمانی اصلی پایتون و برنامه‌نویسی شیءگرای قدرتمند آن مسلط شوید. شما ساختارهای پیشرفته خود را از بلوک‌های ساختمانی پایتون طراحی خواهید کرد و وظایف دقیق مدیریت داده را با پایتون انجام خواهید داد.

شما یاد خواهید گرفت که بر کتابخانه پانداز مسلط شوید و از تکنیک‌های قدرتمند مدیریت داده آن برای وظایف پیشرفته علم داده و مدیریت داده یادگیری ماشین استفاده کنید. کتابخانه پانداز یک ابزار تجزیه و تحلیل داده و دستکاری داده منبع باز سریع، قدرتمند، انعطاف‌پذیر و آسان برای استفاده است که مستقیماً با زبان برنامه‌نویسی پایتون قابل استفاده است.

شما یاد خواهید گرفت:

  • تسلط بر رگرسیون، تحلیل رگرسیون و پیش‌بینی هم در تئوری و هم در عمل
  • تسلط بر مدل‌های رگرسیون از مدل‌های رگرسیون خطی ساده تا مدل‌های رگرسیون چند متغیره چند جمله‌ای و مدل‌های پیشرفته رگرسیون چند متغیره چند جمله‌ای به علاوه رگرسیون XGBoost.
  • استفاده از یادگیری ماشین برای ایجاد مدل خودکار و انتخاب ویژگی
  • استفاده از تنظیم مدل‌های رگرسیون با رگرسیون Lasso و رگرسیون Ridge
  • استفاده از مدل‌های رگرسیون درخت تصمیم، جنگل تصادفی، XGBoost و Voting
  • استفاده از شبکه‌های چند لایه پیشخور و ساختارهای پیشرفته مدل رگرسیون
  • استفاده از تجزیه و تحلیل Residual پیشرفته و ابزارهایی برای قضاوت در مورد برازش خوب مدل و توزیع‌های Residual.
  • استفاده از کتابخانه‌های Statsmodels و Scikit-learn برای رگرسیون پشتیبانی شده توسط Matplotlib، Seaborn، Pandas و Python
  • تسلط بر برنامه‌نویسی پایتون 3 با ساختارهای داده‌ای اصلی پایتون، ترانسفورماتورهای داده، توابع، شیءگرایی و منطق
  • استفاده و طراحی ساختارهای پیشرفته پایتون و اجرای وظایف دقیق مدیریت داده با پایتون از جمله مدیریت فایل
  • استفاده از برنامه‌نویسی شیءگرای پیشرفته پایتون و ساخت اشیاء سفارشی، توابع و نحوه تعمیم توابع
  • دستکاری داده‌ها و استفاده از ساختارهای داده‌ای ناهموار چند بعدی پیشرفته
  • تسلط بر کتابخانه Pandas 2 و 3 برای مدیریت پیشرفته داده
  • استفاده از زبان و مفاهیم اساسی کتابخانه Pandas و رسیدگی به تمام جنبه‌های ایجاد، تغییر، اصلاح و انتخاب داده از یک شی Pandas DataFrame
  • استفاده از مدیریت فایل با پانداز و نحوه ترکیب Pandas DataFrames با توابع/روش‌های Pandas concat، join و merge
  • انجام آماده‌سازی داده‌های پیشرفته از جمله ایمپوتاسیون مبتنی بر مدل پیشرفته داده‌های از دست رفته و مقیاس‌بندی و استانداردسازی داده‌ها
  • ایجاد توصیفات و آمارهای پیشرفته داده با Pandas. رتبه‌بندی، مرتب‌سازی، جدول‌بندی متقاطع، چرخاندن، ذوب کردن، انتقال و گروه‌بندی داده‌ها
  • [پاداش] ساخت تصاویر پیشرفته داده با Pandas، Matplotlib و Seaborn
  • محاسبات ابری: از Anaconda Cloud Notebook (Jupyter Notebook مبتنی بر ابر) استفاده کنید. نحوه استفاده از منابع محاسبات ابری را بیاموزید.
  • گزینه: برای استفاده از توزیع Anaconda (برای ویندوز، مک، لینوکس)
  • گزینه: از اصول محیط پایتون با سیستم مدیریت بسته Conda و نصب/به‌روزرسانی خط فرمان کتابخانه‌ها و بسته‌ها استفاده کنید - ناگت‌های طلایی برای بهبود کیفیت زندگی کاری شما.
  • و خیلی بیشتر…

این دوره راهی عالی برای یادگیری تسلط بر رگرسیون، پیش‌بینی، پایتون، پانداز و مدیریت داده است!

رگرسیون و پیش‌بینی مهم‌ترین و پرکاربردترین ابزارها برای مدل‌سازی، هوش مصنوعی و پیش‌بینی هستند. مدیریت داده فرآیند مفید و قابل استفاده کردن داده برای رگرسیون، پیش‌بینی و تجزیه و تحلیل داده است.

بیشتر دانشمندان داده و مهندسان یادگیری ماشین حدود 80٪ از تلاش‌ها و زمان کاری خود را صرف وظایف مدیریت داده می‌کنند. خوب بودن در پایتون، پانداز و مدیریت داده مهارت‌های بسیار مفید و صرفه‌جویی در زمان است که به عنوان یک ضرب‌کننده نیرو برای بهره‌وری عمل می‌کند.

این دوره برای همه کسانی طراحی شده است که می‌خواهند:

  • یاد بگیرند که بر رگرسیون و پیش‌بینی مسلط شوند
  • یاد بگیرند که بر پایتون 3 از ابتدا یا سطح مبتدی مسلط شوند
  • یاد بگیرند که بر پایتون 3 مسلط شوند و زبان برنامه‌نویسی دیگری را بدانند
  • به سطح برنامه نویس پایتون Master - متوسط همانطور که توسط بسیاری از دوره‌های پیشرفته Udemy در پایتون، علم داده یا یادگیری ماشین مورد نیاز است، برسند
  • یاد بگیرند که بر کتابخانه Pandas مسلط شوند
  • مهارت‌های مدیریت داده را بیاموزند که به عنوان یک ضرب‌کننده نیرو عمل می‌کنند و در تمام دوران حرفه‌ای خود از آنها استفاده خواهند کرد
  • یادگیری مدیریت پیشرفته داده و بهبود قابلیت‌ها و بهره‌وری خود

الزامات:

  • تجربه کاربری روزمره با کامپیوتر با ویندوز، MacOS، iOS، Android، ChromeOS یا Linux توصیه می‌شود
  • دسترسی به کامپیوتر با اتصال به اینترنت
  • تجربه برنامه‌نویسی لازم نیست و هر آنچه نیاز دارید به شما آموزش داده خواهد شد
  • این دوره فقط از نرم‌افزارهای بدون هزینه استفاده می‌کند
  • ویدیوهای نصب و راه‌اندازی قدم به قدم برای محاسبات ابری و ویندوز 10/11 گنجانده شده است

این دوره، دوره‌ای است که خودمان می‌خواهیم بتوانیم در آن ثبت‌نام کنیم اگر می‌توانستیم در زمان سفر کنیم و دانش‌آموزان جدید شویم. به نظر ما، این دوره بهترین دوره برای یادگیری تسلط بر رگرسیون، پیش‌بینی، پایتون، پانداز و مدیریت داده است.

اکنون ثبت‌نام کنید تا بیش از 30 ساعت آموزش ویدیویی با زیرنویس‌های ویرایش شده دستی انگلیسی، و گواهی اتمام پس از اتمام دوره دریافت کنید!


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • نصب و راه اندازی نوت بوک Anaconda Cloud Setup of the Anaconda Cloud Notebook

  • دانلود و نصب Anaconda Distribution (اختیاری) Download and installation of the Anaconda Distribution (optional)

  • سیستم مدیریت بسته Conda (اختیاری) The Conda Package Management System (optional)

تسلط بر پایتون برای مدیریت داده Master Python for Data Handling

  • مروری Overview

  • اعداد صحیح پایتون Python Integers

  • اعداد اعشاری پایتون Python Floats

  • رشته های پایتون Python Strings

  • متدهای رشته ای پایتون Python String Methods

  • رشته های پایتون و اشیاء DateTime Python Strings and DateTime Objects

  • مروری بر ذخیره سازی داده در پایتون Python Data Storage Overview

  • مجموعه (Set) پایتون Python Set

  • تاپل پایتون Python Tuple

  • دیکشنری پایتون Python Dictionary

  • لیست پایتون Python List

  • مروری بر توابع و تبدیل کننده های داده Data Transformers and Functions Overview

  • حلقه While در پایتون Python While-loop

  • حلقه For در پایتون Python For-loop

  • انشعاب کد شرطی و عملگرهای منطقی در پایتون Python Conditional Code Branching and Logic Operators

  • تئوری تابع در پایتون Python Function Theory

  • توابع پایتون II: ایجاد توابع سفارشی Python Functions II: create your own functions

  • برنامه نویسی شی گرا در پایتون I: برخی از تئوری ها Python Object Oriented Programming I: Some theory

  • برنامه نویسی شی گرا در پایتون II: ایجاد اشیاء سفارشی Python Object Oriented Programming II: create your own custom objects

  • برنامه نویسی شی گرا در پایتون III: فایل ها و جداول Python Object Oriented Programming III: Files and Tables

  • برنامه نویسی شی گرا در پایتون IV: جمع بندی و بیشتر Python Object Oriented Programming IV: Recap and More

تسلط بر Pandas برای مدیریت داده Master Pandas for Data Handling

  • تسلط بر Pandas برای مدیریت داده: مروری Master Pandas for Data Handling: Overview

  • تئوری و اصطلاحات Pandas Pandas theory and terminology

  • ایجاد یک DataFrame Pandas از ابتدا Creating a Pandas DataFrame from scratch

  • مدیریت فایل در Pandas: مروری Pandas File Handling: Overview

  • مدیریت فایل در Pandas: فرمت فایل .csv Pandas File Handling: The .csv file format

  • مدیریت فایل در Pandas: فرمت فایل .xlsx Pandas File Handling: The .xlsx file format

  • مدیریت فایل در Pandas: فایل های پایگاه داده SQL و DataFrame Pandas Pandas File Handling: SQL-database files and Pandas DataFrame

  • عملیات و تکنیک های Pandas: مروری Pandas Operations & Techniques: Overview

  • عملیات و تکنیک های Pandas: بازرسی شی Pandas Operations & Techniques: Object Inspection

  • عملیات و تکنیک های Pandas: بازرسی DataFrame Pandas Operations & Techniques: DataFrame Inspection

  • عملیات و تکنیک های Pandas: انتخاب ستون ها Pandas Operations & Techniques: Column Selections

  • عملیات و تکنیک های Pandas: انتخاب ردیف ها Pandas Operations & Techniques: Row Selections

  • عملیات و تکنیک های Pandas: انتخاب های شرطی Pandas Operations & Techniques: Conditional Selections

  • عملیات و تکنیک های Pandas: Scaler ها و استانداردسازی Pandas Operations & Techniques: Scalers and Standardization

  • عملیات و تکنیک های Pandas: الحاق DataFrames Pandas Operations & Techniques: Concatenate DataFrames

  • عملیات و تکنیک های Pandas: اتصال DataFrames Pandas Operations & Techniques: Joining DataFrames

  • عملیات و تکنیک های Pandas: ادغام DataFrames Pandas Operations & Techniques: Merging DataFrames

  • عملیات و تکنیک های Pandas: توابع انتقال و محور Pandas Operations & Techniques: Transpose & Pivot Functions

  • آماده سازی داده در Pandas I: مروری و گردش کار Pandas Data Preparation I: Overview & workflow

  • آماده سازی داده در Pandas II: ویرایش برچسب های DataFrame Pandas Data Preparation II: Edit DataFrame labels

  • آماده سازی داده در Pandas III: موارد تکراری Pandas Data Preparation III: Duplicates

  • آماده سازی داده در Pandas IV: داده های گمشده و جایگذاری Pandas Data Preparation IV: Missing Data & Imputation

  • آماده سازی داده در Pandas V: دسته بندی داده ها [ویدیوی اضافی] Pandas Data Preparation V: Data Binnings [Extra Video]

  • آماده سازی داده در Pandas VI: ویژگی های نشانگر [ویدیوی اضافی] Pandas Data Preparation VI: Indicator Features [Extra Video]

  • توصیف داده در Pandas: مروری Pandas Data Description: Overview

  • توصیف داده در Pandas II: مرتب سازی و رتبه بندی Pandas Data Description II: Sorting and Ranking

  • توصیف داده در Pandas III: آمار توصیفی Pandas Data Description III: Descriptive Statistics

  • توصیف داده در Pandas IV: جدول بندی متقابل و گروه بندی Pandas Data Description IV: Crosstabulations & Groupings

  • تجسم داده در Pandas: مروری Pandas Data Visualization: Overview

  • تجسم داده در Pandas II: هیستوگرام ها Pandas Data Visualization II: Histograms

  • تجسم داده در Pandas III: نمودارهای جعبه ای Pandas Data Visualization III: Boxplots

  • تجسم داده در Pandas IV: نمودارهای پراکندگی Pandas Data Visualization IV: Scatterplots

  • تجسم داده در Pandas V: نمودارهای دایره ای Pandas Data Visualization V: Pie Charts

  • تجسم داده در Pandas VI: نمودارهای خطی Pandas Data Visualization VI: Line plots

تسلط بر مدل های رگرسیون برای پیش بینی Master Regression Models for Prediction

  • رگرسیون، پیش بینی و یادگیری نظارت شده. مروری بر بخش (I) Regression, Prediction, and Supervised Learning. Section Overview (I)

  • مدل رگرسیون ساده سنتی (II) The Traditional Simple Regression Model (II)

  • مدل رگرسیون ساده سنتی (III) The Traditional Simple Regression Model (III)

  • برخی مفاهیم عملی و مفید مدل سازی (IV) Some practical and useful modelling concepts (IV)

  • برخی مفاهیم عملی و مفید مدل سازی (V) Some practical and useful modelling concepts (V)

  • مدل رگرسیون چندگانه خطی (VI) Linear Multiple Regression model (VI)

  • مدل رگرسیون چندگانه خطی (VII) Linear Multiple Regression model (VII)

  • مدل های رگرسیون چندگانه چند متغیره چند جمله ای (VIII) Multivariate Polynomial Multiple Regression models (VIII)

  • مدل های رگرسیون چندگانه چند متغیره چند جمله ای (VIIII) Multivariate Polynomial Multiple Regression models (VIIII)

  • منظم سازی رگرسیون، مدل های Lasso و Ridge (X) Regression Regularization, Lasso and Ridge models (X)

  • مدل های رگرسیون درخت تصمیم (XI) Decision Tree Regression models (XI)

  • رگرسیون جنگل تصادفی (XII) Random Forest Regression (XII)

  • رگرسیون رای گیری (XIII) Voting Regression (XIII)

شبکه های پیش خور و مدل های رگرسیون پیشرفته Feedforward Networks and Advanced Regression Models

  • مروری Overview

  • شبکه های عصبی مصنوعی، شبکه های پیش خور و پرسپترون چند لایه Artificial Neural Networks, Feedforward Networks, and the Multi-Layer Perceptron

  • پرسپترون های چند لایه پیش خور برای وظایف پیش بینی Feedforward Multi-Layer Perceptrons for Prediction tasks

  • رگرسیون تقویت گرادیان شدید (XGBoost) eXtreme Gradient Boosting Regression (XGBoost)

نمایش نظرات

آموزش یادگیری جامع رگرسیون و پیش‌بینی با پانداس و پایتون [2025]
جزییات دوره
39.5 hours
76
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,161
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Henrik Johansson Henrik Johansson

مدرس در Udemy