آموزش بوت کمپ علوم داده را کامل کنید

Complete Data Science BootCamp

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
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

  • AWS SageMaker MarketPlace AWS SageMaker MarketPlace

یادگیری عمیق Deep Learning

  • شبکه عصبی مصنوعی (ANN) Artificial Neural Network (ANN)

  • توابع فعال سازی در شبکه های عصبی Activation Functions in Neural Networks

  • بهینه سازها در شبکه های عصبی Optimizers in Neural Networks

  • شبکه عصبی کانولوشنال (CNN) Convolutional Neural Network (CNN)

  • شبکه عصبی مکرر (RNN) Recurrent Neural Network (RNN)

پروژه ها Projects

  • پیش بینی دیابت Diabetes Prediction

  • پیش بینی هزینه بیمه پزشکی Medical Insurance Cost Prediction

  • پیش بینی قیمت طلا با استفاده از شبکه عصبی مصنوعی Gold Price Prediction using ANN

  • اجرای CNN با استفاده از کراس و جریان تانسور Implementation of CNN using keras and tensor flow

  • پیش بینی قیمت سهام با استفاده از LSTM Stock Price Prediction using LSTM

نمایش نظرات

نظری ارسال نشده است.

آموزش بوت کمپ علوم داده را کامل کنید
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
7.5 hours
54
Udemy (یودمی) udemy-small
23 دی 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
7,012
4.7 از 5
دارد
دارد
دارد
Raj Chhabria

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Raj Chhabria Raj Chhabria

مهندس علوم کامپیوتر با تخصص DataScience

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.