لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش جامع علوم داده با پایتون (Data Science with Python)
- آخرین آپدیت
دانلود Data Science with Python
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره مجهز به Coursera Coach است! روشی هوشمندانه برای یادگیری از طریق گفتگوهای تعاملی و آنی که به شما کمک میکند دانش خود را بسنجید، پیشفرضها را به چالش بکشید و در حین پیشروی در دوره، درک عمیقتری از مفاهیم به دست آورید.
در این دوره جامع علوم داده با پایتون، شما بر کتابخانههای ضروری مانند NumPy، Pandas، Matplotlib و PyTorch برای حل چالشهای واقعی علوم داده مسلط خواهید شد. با شروع از NumPy، یاد میگیرید که چگونه با آرایهها کار کنید، جبر خطی را پیادهسازی کنید و مجموعهدادههای بزرگ را مدیریت نمایید. سپس با Pandas به فیلتر کردن، تحلیل و بصریسازی بهینه دادهها میپردازید و در ادامه از Matplotlib برای ایجاد نمودارهای اطلاعاتی و بصریسازیهایی که الگوهای پنهان در دادهها را آشکار میکند، استفاده خواهید کرد.
با پیشرفت در دوره، وارد تکنیکهای پیشرفته پردازش تصویر با Matplotlib میشوید، نمودارهای تعاملی را با Plotly میسازید و تجربه عملی در مبانی PyTorch کسب میکنید. این دوره شما را با مفاهیم حیاتی مانند تنسورها، شتابدهی GPU، برودکستینگ (Broadcasting) و آموزش مدل آشنا میکند و پایهای محکم برای وظایف یادگیری ماشین و یادگیری عمیق فراهم میسازد.
این دوره برای افرادی که مشتاق ارتقای مهارتهای علوم داده خود هستند طراحی شده و برای یادگیرندگان مبتدی و متوسط ایدهآل است. با تمرینات عملی، کاربردهای واقعی و دروس تعاملی، شما آماده خواهید شد تا هر پروژه علوم دادهای را مدیریت کنید. پس از اتمام دوره، مهارتهای لازم برای ورود به دنیای یادگیری ماشین و هوش مصنوعی را خواهید داشت.
در پایان این دوره، شما قادر خواهید بود دادهها را با NumPy و Pandas مدیریت کنید، با Matplotlib و Plotly بصریسازی نمایید، تصاویر را پردازش کنید و مدلهای یادگیری ماشین را با استفاده از PyTorch پیادهسازی کنید.
سرفصل ها و درس ها
کتابخانه NumPy
NumPy
آرایههای NumPy، شکل و تغییر شکل
NumPy Arrays, Shape, and Reshape
آرایههای صفر، یک و ماتریس واحد در NumPy
NumPy Arrays of Zeros, Ones, and the Identity Matrix
آرایههای خالی و تصادفی
Empty and Random
اندیسگذاری و برش (Slicing) در NumPy
Indexing and Slicing in NumPy
عملیات ریاضی و NumPy
Arithmetic and NumPy
مفهوم کلی جبر خطی و کاربردهای آن
Rough Idea of Linear Algebra and Its Applications
مفاهیم پیشرفته جبر خطی در NumPy
(Advanced) Concepts from Linear Algebra in NumPy
حل سیستمهای خطی
Solving Linear Systems
منطق: مقایسه عنصر به عنصر
Logic: Element-Wise Comparison
منطق: مقایسه با اسکالرها
Logic: Comparison with Scalars
منطق: فیلتر کردن و دستور Where
Logic: Filtering and Where
کتابخانه Pandas
Pandas
شروع کار با Pandas: تحلیل مجموعه داده تایتانیک
Getting Started with Pandas: Titanic Dataset Analysis
فیلتر کردن دادهها
Filtering
فیلتر کردن و عملگر isin
Filtering and the isin Operator
فیلتر کردن ردیفها با استفاده از notna
Filter Rows Using notna
مثالهایی از فیلترها و منطق
Examples of Filters and Logic
پاسخ تمرینات فیلترینگ جلسه قبل
Solutions to the Filtering Exercises from the Previous Lecture
فیلتر کردن ستونها
Filtering Columns
بهکارگیری concat روی دو سری (Series)
Applying concat to Two Series
کتابخانه Matplotlib، رسم نمودار و آمار
Matplotlib, Graphing, and Statistics
نمودار میلهای ساده
Simple Bar Plot
نمودار میلهای - کالری روزانه
Bar Plot—Calories per Day
نمایش نظرات