آموزش یک هفته علم داده در پایتون - جدید 2024!

سرفصل ها و درس ها

معرفی دوره، پیام خوش آمدگویی و بسته آغازین علم داده! Course Introduction, Welcome Message & Data Science Starter Pack!

• پیام خوش آمدگویی دوره Course Welcome Message

• مقدمه، بهترین روش ها و نکات موفقیت Introduction, Best Practices, & Success Tips

• طرح کلی دوره Course Outline

• علم داده چیست؟ What is Data Science?

• مشخصات، تحصیلات، تجربه و حقوق معمولی دانشمند داده چیست؟ What is a Typical Data Scientist Profile, Education, Experience & Salary?

• دانشمندان داده واقعاً چه می کنند؟ What do Data Scientists REALLY do?

• استخدام کنندگان در متقاضیان علوم داده به دنبال چه هستند؟ What do Recruiters Look for in Data Science Applicants?

• چه مشاغل علوم داده در آنجا موجود است؟ What Data Science Jobs are Available Out there?

روز 1: جدال داده ها، تجزیه و تحلیل داده های اکتشافی (EDA) و مهندسی ویژگی Day 1: Data Wrangling, Exploratory Data Analysis (EDA) & Feature Engineering

• روز شماره 1 پیام خوش آمد گویی Day #1 Welcome Message

• معرفی پروژه و جدال داده ها 101 Project Introduction & Data Wrangling 101

• وظیفه کدگذاری شماره 1 - وارد کردن داده ها و دریافت خلاصه آماری داده ها Coding Task #1 - Import Data and Obtain Data Statistical Summary

• تمرین شماره 1 [اختیاری] Exercise #1 [Optional]

• وظیفه کدنویسی شماره 2 - با مقادیر از دست رفته مقابله کنید Coding Task #2 - Deal with Missing Values

• تمرین شماره 2 [اختیاری] Exercise #2 [Optional]

• وظیفه کدنویسی شماره 3 - رمزگذاری یکهت را انجام دهید Coding Task #3 - Perform One-Hot Encoding

• تمرین شماره 3 [اختیاری] Exercise #3 [Optional]

• مقیاس بندی ویژگی 101 Feature Scaling 101

• وظیفه کدنویسی شماره 4 - مقیاس گذاری ویژگی ها را انجام دهید: عادی سازی و استانداردسازی Coding Task #4 - Perform Feature Scaling: Normalization & Standardization

• تمرین شماره 4 [اختیاری] Exercise #4 [Optional]

• وظیفه کدنویسی شماره 5 - عملیات فیلترینگ را انجام دهید Coding Task #5 - Perform Filtering Operation

• تمرین شماره 5 [اختیاری] Exercise #5 [Optional]

• وظیفه کدنویسی شماره 6 - EDA را در هر دو کلاس انجام دهید Coding Task #6 - Perform EDA on Both Classes

• تمرین شماره 6 [اختیاری] Exercise #6 [Optional]

• وظیفه کدنویسی شماره 7 - با پانداها کار می کند Coding Task #7 - Functions With Pandas

• تمرین شماره 7 [اختیاری] Exercise #7 [Optional]

• وظیفه کدگذاری شماره 8 - همبستگی ها و هیستوگرام ها Coding Task #8 - Correlations and Histograms

• تمرین شماره 8 [اختیاری] Exercise #8 [Optional]

• نمای کلی پروژه Capstone نهایی Final Capstone Project Overview

• راه حل نهایی پروژه Capstone Final Capstone Project Solution

• روز شماره 1 نتیجه گیری Day #1 Conclusion

روز دوم: تجسم مؤثر داده ها در علم داده Day 2: Effective Data Visualization in Data Science

• روز شماره 2 پیام خوش آمد گویی Day #2 Welcome Message

• بررسی اجمالی پروژه و نتایج کلیدی یادگیری Project Overview and Key Learning Outcomes

• تجسم داده 101 Data Visualization 101

• وظیفه کدنویسی شماره 1 - نمودارهای پای را با Matplotlib ترسیم کنید Coding Task #1 - Plot Pie Charts with Matplotlib

• تمرین شماره 1 [اختیاری] Exercise #1 [Optional]

• وظیفه کدنویسی شماره 2 - طرح تک و چند خطی Coding Task #2 - Plot Single & Multiple LinePlots

• تمرین شماره 2 [اختیاری] Exercise #2 [Optional]

• وظیفه کدنویسی شماره 3 - نمودارهای پراکنده را ترسیم کنید Coding Task #3 - Plot Scatterplots

• تمرین شماره 3 [اختیاری] Exercise #3 [Optional]

• وظیفه کدگذاری شماره 4 - نمودارهای هیستوگرام را رسم کنید Coding Task #4 - Plot Histograms

• تمرین شماره 4 [اختیاری] Exercise #4 [Optional]

• وظیفه کدنویسی شماره 5 - Searborn قسمت 1 Coding Task #5 - Searborn Part 1

• تمرین شماره 5 [اختیاری] Exercise #5 [Optional]

• وظیفه کدنویسی شماره 6 - Searborn قسمت 2 Coding Task #6 - Searborn Part 2

• تمرین شماره 6 [اختیاری] Exercise #6 [Optional]

• نمای کلی پروژه Capstone نهایی Final Capstone Project Overview

• راه حل نهایی پروژه Capstone Final Capstone Project Solution

• روز شماره 2 نتیجه گیری Day #2 Conclusion

روز سوم: تحلیل رگرسیون در علم داده Day 3: Regression Analysis in Data Science

• روز شماره 3 پیام خوش آمد گویی Day #3 Welcome Message

• بررسی اجمالی پروژه و نتایج کلیدی یادگیری Project Overview and Key Learning Outcomes

• رگرسیون چیست؟ What is Regression?

• XGBoost چیست؟ و چرا؟ What is XGBoost? and Why?

• وظیفه کدگذاری شماره 1 - وارد کردن کتابخانه ها و مجموعه داده ها Coding Task #1 - Import Libraries and Datasets

• تمرین شماره 1 [اختیاری] Exercise #1 [Optional]

• وظیفه کدگذاری شماره 2 - تجزیه و تحلیل داده های اکتشافی (EDA) و تجسم Coding Task #2 - Exploratory Data Analysis (EDA) & Visualization

• تمرین شماره 2 [اختیاری] Exercise #2 [Optional]

• کدنویسی کار شماره 3 - داده ها را قبل از آموزش مدل آماده کنید Coding Task #3 - Prepare The Data Before Model Training

• تمرین شماره 3 [اختیاری] Exercise #3 [Optional]

• وظیفه کدنویسی شماره 4 - یک مدل XG-Boost را آموزش دهید Coding Task #4 - Train an XG-Boost Model

• تمرین شماره 4 [اختیاری] Exercise #4 [Optional]

• نمای کلی پروژه Capstone نهایی Final Capstone Project Overview

• راه حل نهایی پروژه Capstone Final Capstone Project Solution

• روز سوم نتیجه گیری Day #3 Conclusion

روز چهارم: تجزیه و تحلیل طبقه بندی در علم داده Day 4: Classification Analysis in Data Science

• روز چهارم پیام خوش آمد گویی Day #4 Welcome Message

• معرفی و بررسی اجمالی پروژه Introduction & Project Overview

• KPIهای مدل های طبقه بندی Classification Models KPIs

• وظیفه کدگذاری شماره 1 - وارد کردن کتابخانه ها و مجموعه داده ها Coding Task #1 - Import Libraries and Datasets

• تمرین شماره 1 [اختیاری] Exercise #1 [Optional]

• وظیفه کدنویسی شماره 2 - تجسم داده ها را انجام دهید Coding Task #2 - Perform Data Visualization

• تمرین شماره 2 [اختیاری] Exercise #2 [Optional]

• وظیفه کدنویسی شماره 3 - اهمیت ویژگی طرح Coding Task #3 - Plot Feature Importance

• وظیفه کدگذاری شماره 4 - یک مدل طبقه‌بندی‌کننده رگرسیون لجستیک را آموزش و ارزیابی کنید Coding Task #4 - Train & Evaluate a Logistic Regression Classifier Model

• تمرین شماره 3 [اختیاری] Exercise #3 [Optional]

• وظیفه کدنویسی شماره 5 - ماشین‌های بردار پشتیبانی را آموزش و ارزیابی کنید Coding Task #5 - Train & Evaluate Support Vector Machines

• وظیفه کدگذاری شماره 6 - آموزش و ارزیابی مدل طبقه‌بندی‌کننده تصادفی جنگل Coding Task #6 - Train & Evaluate Random Forest Classifier Model

• وظیفه کدنویسی شماره 7 - طبقه بندی کننده K-Nearest Neighbors را آموزش و ارزیابی کنید Coding Task #7 - Train & Evaluate K-Nearest Neighbors Classifier

• تمرین شماره 4 [اختیاری] Exercise #4 [Optional]

• وظیفه کدنویسی شماره 8 - یک مدل طبقه بندی کننده ساده بیز را آموزش و ارزیابی کنید Coding Task #8 - Train & Evaluate a Naïve Bayes Classifier Model

• تمرین شماره 5 [اختیاری] Exercise #5 [Optional]

• کدنویسی کار شماره 9 - مقایسه مدل های طبقه بندی کننده Coding Task #9 - Compare Classifier Models

• وظیفه کدگذاری شماره 10 - نکات پایانی Coding Task #10 - Concluding Remarks

• پروژه نهایی Capstone Final Capstone Project

• راه حل نهایی پروژه Capstone قسمت شماره 1 Final Capstone Project Solution Part #1

• راه حل نهایی پروژه Capstone قسمت شماره 2 Final Capstone Project Solution Part #2

• راه حل نهایی پروژه Capstone قسمت شماره 3 Final Capstone Project Solution Part #3

• روز چهارم نتیجه گیری Day #4 Conclusion

روز پنجم: علم داده در خلبان خودکار Day 5: Data Science on Autopilot

• روز پنجم پیام خوش آمد گویی Day #5 Welcome Message

• معرفی و بررسی اجمالی پروژه Introduction and Project Overview

• AutoGluon چیست؟ What is AutoGluon?

• وظیفه کدگذاری شماره 1 - وارد کردن AutoGluon، کتابخانه های کلیدی و مجموعه داده ها Coding Task #1 - Import AutoGluon, Key Libraries & Datasets

• تمرین شماره 1 [اختیاری] Exercise #1 [Optional]

• وظیفه کدگذاری شماره 2 - انجام تجزیه و تحلیل داده های اکتشافی (EDA) Coding Task #2 - Perform Exploratory Data Analysis (EDA)

• تمرین شماره 2 [اختیاری] Exercise #2 [Optional]

• وظیفه کدنویسی شماره 3 - تجسم داده ها را انجام دهید Coding Task #3 - Perform Data Visualization

• تمرین شماره 3 [اختیاری] Exercise #3 [Optional]

• وظیفه کدگذاری شماره 4 - مدل های رگرسیون قطار در خلبان خودکار Coding Task #4 - Train Regression Models on Autopilot

• وظیفه کدگذاری شماره 5 - مدل های رگرسیون آموزش دیده را ارزیابی کنید Coding Task #5 - Evaluate Trained Regression Models

• تمرین شماره 4 [اختیاری] Exercise #4 [Optional]

• نمای کلی پروژه Capstone نهایی Final Capstone Project Overview

• راه حل نهایی پروژه Capstone Final Capstone Project Solution

• روز پنجم نتیجه گیری Day #5 Conclusion

روز ششم: بهینه سازی مدل ها Day 6: Models Optimization

• پیام خوش آمد گویی روز ششم Day #6 Welcome Message

• بررسی اجمالی پروژه Project Overview

• فراپارامترهای 101 Hyperparameters 101

• استراتژی های بهینه سازی Optimization Strategies

• وظیفه کدگذاری شماره 1 - وارد کردن کتابخانه ها و مجموعه داده ها Coding Task #1 - Import Libraries and Datasets

• تمرین شماره 1 [اختیاری] Exercise #1 [Optional]

• وظیفه کدنویسی شماره 2 - پاکسازی داده ها را انجام دهید Coding Task #2 - Perform Data Cleaning

• وظیفه کدنویسی شماره 3 - تجسم داده ها را انجام دهید Coding Task #3 - Perform Data Visualization

• تمرین شماره 2 [اختیاری] Exercise #2 [Optional]

• وظیفه کدگذاری شماره 4 - داده ها را قبل از آموزش مدل آماده کنید Coding Task #4 - Prepare the Data Before Model Training

• وظیفه کدنویسی شماره 5 - آموزش الگوریتم XG-Boost (بدون بهینه سازی) Coding Task #5 - Train an XG-Boost Algorithm (Without Optimization)

• تمرین شماره 3 [اختیاری] Exercise #3 [Optional]

• وظیفه کدنویسی شماره 6 - بهینه سازی GridSearchCV Coding Task #6 - GridSearchCV Optimization

• تمرین شماره 4 [اختیاری] Exercise #4 [Optional]

• وظیفه کدنویسی شماره 7 - بهینه سازی جستجوی تصادفی Coding Task #7 - Random Search Optimization

• وظیفه کدنویسی شماره 8 - بهینه سازی جستجوی بیزی Coding Task #8 - Bayesian Search Optimization

• سوال نهایی پروژه Capstone Final Capstone Project Question

• راه حل نهایی پروژه Capstone Final Capstone Project Solution

• روز ششم نتیجه گیری Day #6 Conclusion

روز هفتم: یادگیری عمیق Day 7: Deep Learning

• وظیفه شماره 1. بررسی اجمالی پروژه Task #1. Project Overview

• وظیفه شماره 2. داده ها را آپلود و کاوش کنید Task #2. Upload and Explore the Data

• وظیفه شماره 3. مدل شبکه عصبی عمیق قطار Task #3. Train Deep Neural Network Model

• وظیفه شماره 4. هوش مصنوعی قابل توضیح و درک مدل Task #4. Explainable AI and Model Understanding

ضمیمه و محتوای اختیاری برای بخش "رگرسیون در DS". Appendix & Optional Content for "Regression in DS" Section

• ریاضی رگرسیون Regression Math

• حداقل مجموع مربع ها Least Sum of Squares

• Scikit Learn Scikit Learn

• XG-Boost Fundaments XG-Boost Fundaments

• XG-Boost Deep Dive XG-Boost Deep Dive

• تقویت چیست؟ What is Boosting?

• آموزش گروهی Ensemble Learning

پیوست و محتوای اختیاری برای بهینه سازی مدل ها Appendix & Optional Content for Models Optimization

• مبادله واریانس تعصب Bias Variance Tradeoff

• تنظیم L2 (ریج) L2 regularization (Ridge)

• منظم سازی L1 (کند) L1 regularization (Lasso)

محتوای ویژه special content

• تست test

تبریک می گویم!! جایزه خود را فراموش نکنید :) Congratulations!! Don't forget your Prize :)

• جایزه: مهارت های ابری برای ML و AI (کوپن داخل) BONUS: Cloud Skills for ML & AI (COUPON inside)