لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش بوت کمپ علوم داده را کامل کنید
Complete Data Science BootCamp
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
در مورد علم داده، یادگیری ماشین و یادگیری عمیق بیاموزید و 5 پروژه مختلف بسازید. درباره کتابخانه هایی مانند Pandas و Numpy که به شدت در علم داده استفاده می شوند، بیاموزید. با استفاده از Matplotlib و Seaborn تجسم ها و نمودارهای تاثیرگذار بسازید. در مورد Machine Learning Life Cycle و الگوریتم های مختلف ML و پیاده سازی آنها در sklearn بیاموزید. با یادگیری عمیق و شبکه های عصبی با TensorFlow و Keras Build 5 پروژه کامل بر اساس مفاهیم پوشش داده شده در دوره آشنا شوید. پیش نیازها: درک مقدماتی زبان برنامه نویسی پایتون.
علم داده حوزه ای است که شامل تکنیک ها و روش های مختلفی است که برای استخراج بینش و دانش از داده ها استفاده می شود. یادگیری ماشینی (ML) و یادگیری عمیق (DL) هر دو زیرمجموعه علم داده هستند و اغلب با هم برای تجزیه و تحلیل و درک داده ها استفاده می شوند.
در علم داده، الگوریتمهای ML اغلب برای ساخت مدلهای پیشبینی که میتوانند بر اساس دادههای تاریخی پیشبینی کنند، استفاده میشوند. از این مدل ها می توان برای کارهایی مانند طبقه بندی، رگرسیون و خوشه بندی استفاده کرد. الگوریتمهای ML شامل رگرسیون خطی، درختهای تصمیمگیری و k-means هستند.
DL، از طرف دیگر، زیرمجموعه ای از ML است که مبتنی بر شبکه های عصبی مصنوعی با چندین لایه است که به سیستم اجازه می دهد تا از طریق تجربه یاد بگیرد و بهبود یابد. DL به ویژه برای کارهایی مانند تشخیص تصویر، تشخیص گفتار و پردازش زبان طبیعی مناسب است. الگوریتمهای DL شامل شبکههای عصبی کانولوشن (CNN) و شبکههای عصبی تکراری (RNN) هستند.
در یک پروژه علم داده، مدلهای DL اغلب در ترکیب با تکنیکهای دیگر مانند مهندسی ویژگی، تمیز کردن دادهها و تجسم برای استخراج بینش و دانش از دادهها استفاده میشوند. به عنوان مثال، مدلهای DL را میتوان برای استخراج خودکار ویژگیها از تصاویر استفاده کرد و سپس این ویژگیها را میتوان در یک مدل سنتی ML استفاده کرد.
به طور خلاصه، علم داده حوزهای است که تکنیکها و روشهای مختلفی را برای استخراج بینش و دانش از دادهها در بر میگیرد، ML و DL زیرمجموعهای از علم داده هستند که برای تجزیه و تحلیل و درک دادهها استفاده میشوند، ML برای ساخت مدلهای پیشبینی و DL برای مدل سازی الگوها و روابط پیچیده در داده ها استفاده می شود. هر دو ML و DL اغلب با هم در پروژه های علم داده برای استخراج بینش و دانش از داده ها استفاده می شوند.
در این دوره با این موارد آشنا خواهید شد:
چرخه حیات پروژه علم داده.
کتابخانههای پایتون مانند Pandas و Numpy به طور گسترده در علم داده استفاده میشوند.
Matplotlib و Seaborn برای تجسم داده ها.
مراحل پیش پردازش داده مانند رمزگذاری ویژگی، مقیاس بندی ویژگی و غیره...
مبانی یادگیری ماشین و الگوریتم های مختلف
رایانش ابری برای یادگیری ماشینی
یادگیری عمیق
5 پروژه مانند پیشبینی دیابت، پیشبینی قیمت سهام و غیره...
همه بهترین ها !!!
سرفصل ها و درس ها
معرفی
Introduction
معرفی
Introduction
ناپخته
Numpy
معرفی Numpy
Introduction to Numpy
آرایههای Numpy
Numpy Arrays
شکل و تغییر شکل
Shape and Reshape
نمایه سازی آرایه Numpy
Numpy Array Indexing
تکرار آرایه های Numpy
Iterating Numpy Arrays
برش دادن
Slicing
جستجو و مرتب سازی آرایه Numpy
Numpy Array Searching and Sorting
پانداها
Pandas
معرفی پانداها
Pandas Introduction
سریال در پانداها
Series in Pandas
Pandas DataFrame
Pandas DataFrame
CSV را بخوانید
Read CSV
تجزیه و تحلیل فریم های داده در پانداها
Analyzing Data Frames in Pandas
تجسم داده ها
Data Visualization
مقدمه ای بر Matplotlib
Introduction to Matplotlib
انواع مختلف قطعه در Matplotlib
Different type of plots in Matplotlib
متولد دریا
Seaborn
پیش پردازش داده ها
Data Preprocessing
مدیریت ارزش های گمشده
Handling Missing Values
رمزگذاری ویژگی
Feature Encoding
مقیاس بندی ویژگی ها
Feature Scaling
فراگیری ماشین
Machine Learning
مقدمه ای بر یادگیری ماشینی
Introduction to Machine Learning
یادگیری ماشینی تحت نظارت
Supervised Machine Learning
یادگیری ماشینی بدون نظارت
Unsupervised Machine Learning
چرخه زندگی یادگیری ماشینی
Machine Learning Life Cycle
تقسیم تست قطار
Train Test Split
تجزیه و تحلیل رگرسیون
Regression Analysis
رگرسیون خطی
Linear Regression
رگرسیون لجستیک
Logistic Regression
KNN
KNN
SVM
SVM
درخت تصمیم
Decision Tree
جنگل تصادفی
Random Forest
K به معنای خوشه بندی است
K Means Clustering
بهینه سازی Hyper Parameter با GridSearchCV
Hyper Parameter Optimization with GridSearchCV
خط لوله یادگیری ماشین
Machine Learning Pipeline
معیارهای ارزیابی مدل یادگیری ماشین
Machine Learning Model Evaluation Metrics
رایانش ابری برای یادگیری ماشینی
Cloud Computing for Machine Learning
مقدمه رایانش ابری
Cloud Computing Introduction
مقدمه ای بر AWS
Introduction to AWS
خدمات مختلف AWS
Different AWS Services
مقدمه ای بر AWS SageMaker
Introduction to AWS SageMaker
اولین یادگیری ماشینی عملی در AWS SageMaker
First Machine Learning Practical on AWS SageMaker
ساخته شده در الگوریتم های ML در AWS SageMaker
Built in ML Algorithms in AWS SageMaker
پیاده سازی عملی الگوریتم یادگیرنده خطی
Linear Learner Algorithm Practical Implementation
بدون کد ML با استفاده از AWS SageMaker Canvas
No Code ML using AWS SageMaker Canvas
نمایش نظرات