آموزش رویکرد عملی علم داده با پایتون

Data Science practical approach with Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آماده سازی آزمون تجزیه و تحلیل داده ها با پانداها، Numpy، Matplotlib، sklearn، پایتون پاکسازی داده ها انجام تجزیه و تحلیل داده های بزرگ و ارائه مدیریت، شناسایی و پیش بینی ریسک پروژه استفاده از مدل رگرسیون خطی هنگام تجزیه و تحلیل داده ها پیش نیازها: دانش پایه پایتون Google colab یا Jupyter Notebook نصب شده است.

تحلیل داده‌ها فرآیندی ضروری در کسب‌وکارهای امروزی است که به سازمان‌ها در تصمیم‌گیری آگاهانه کمک می‌کند. در این خلاصه، ما از پایتون برای تجزیه و تحلیل یک مجموعه داده و ارائه یافته های خود استفاده خواهیم کرد. مجموعه داده ای که ما بررسی خواهیم کرد مجموعه داده تایتانیک است که حاوی اطلاعات مسافرانی است که در هنگام غرق شدن کشتی تایتانیک سوار شده اند و مجموعه داده Wetland که حاوی اطلاعاتی درباره وضعیت آب و هوایی در یک منطقه خاص است. ما با وارد کردن کتابخانه‌های لازم و بارگیری مجموعه داده در یک Pandas DataFrame شروع می‌کنیم.


این دوره به دنبال اطمینان از این است که فراگیران می توانند از مجموعه داده های موجود برای پیش بینی و تصمیم گیری استفاده کنند. این دوره دارای تکنیک های EDA است که به شما کمک می کند در پروژه علم داده در دانشگاه یا کالج تسلط پیدا کنید.


در این دوره، ما رگرسیون خطی چندگانه و کتابخانه‌های مهم دیگری را پوشش خواهیم داد که می‌توانند به ما کمک کنند تصویر واضحی از آنچه به عنوان خروجی نیاز داریم داشته باشیم. ما در این دوره از Google Colab استفاده خواهیم کرد، اما شما آزاد هستید که از هر IDE مورد نظر خود استفاده کنید.


مزایای تجزیه و تحلیل داده ها و این دوره:


تحلیل داده‌ها فرآیندی ضروری است که به سازمان‌ها کمک می‌کند تا بر اساس داده‌ها تصمیمات آگاهانه بگیرند. تجزیه و تحلیل داده‌ها به سازمان‌ها اجازه می‌دهد تا روندها، الگوها و بینش‌هایی را شناسایی کنند که می‌توانند برای بهبود عملیات تجاری، رضایت مشتری و سودآوری مورد استفاده قرار گیرند.

یکی از مزایای مهم تجزیه و تحلیل داده ها این است که به سازمان ها اجازه می دهد تا مشکلات بالقوه را قبل از تبدیل شدن به مسائل مهم شناسایی کنند. با تجزیه و تحلیل داده‌ها، سازمان‌ها می‌توانند زمینه‌هایی را شناسایی کنند که در آن‌ها می‌توان برای کاهش هزینه‌ها، بهبود بهره‌وری یا افزایش رضایت مشتری، بهبودهایی انجام داد.

تجزیه و تحلیل داده‌ها همچنین به سازمان‌ها اجازه می‌دهد تا بر اساس بینش‌های مبتنی بر داده، تصمیم‌گیری آگاهانه بگیرند. به عنوان مثال، یک کسب و کار می تواند از تجزیه و تحلیل داده ها برای شناسایی ترجیحات مشتری استفاده کند و محصولات یا خدمات خود را متناسب با این اولویت ها تنظیم کند. به طور مشابه، تجزیه و تحلیل داده ها می تواند برای شناسایی روندهای بازار استفاده شود، که می تواند برای اطلاع رسانی استراتژی های توسعه محصول و بازاریابی مورد استفاده قرار گیرد.

تحلیل داده‌ها همچنین در صنایعی مانند مراقبت‌های بهداشتی و مالی ضروری است، جایی که تصمیم‌گیری‌ها می‌توانند پیامدهای تغییر دهنده زندگی داشته باشند. در مراقبت های بهداشتی، تجزیه و تحلیل داده ها را می توان برای شناسایی روندها در نتایج بیمار و توسعه برنامه های درمانی موثرتر مورد استفاده قرار داد. در امور مالی، تجزیه و تحلیل داده ها را می توان برای شناسایی تقلب بالقوه یا پیش بینی روندهای بازار مورد استفاده قرار داد، که می تواند برای تصمیم گیری سرمایه گذاری استفاده شود.

علاوه بر ارائه بینش و شناسایی روندها، تجزیه و تحلیل داده ها همچنین نقش مهمی در اندازه گیری موفقیت طرح های تجاری ایفا می کند. با تجزیه و تحلیل داده‌ها، سازمان‌ها می‌توانند اثربخشی کمپین‌های بازاریابی، راه‌اندازی محصول و سایر ابتکارات خود را اندازه‌گیری کنند. این به سازمان‌ها اجازه می‌دهد تا زمینه‌های بهبود را شناسایی کرده و استراتژی‌های خود را بر اساس آن تنظیم کنند.

تحلیل داده‌ها برای هر سازمانی که می‌خواهد بر اساس بینش‌های داده‌محور تصمیمات آگاهانه بگیرد، ضروری است. تجزیه و تحلیل داده ها به سازمان ها اجازه می دهد تا روندها، الگوها و بینش هایی را شناسایی کنند که می توانند برای بهبود عملیات تجاری، رضایت مشتری و سودآوری مورد استفاده قرار گیرند. علاوه بر این، تجزیه و تحلیل داده‌ها در صنایعی مانند مراقبت‌های بهداشتی و مالی بسیار مهم است، جایی که تصمیم‌ها می‌توانند پیامدهای تغییر دهنده زندگی داشته باشند.


سرفصل ها و درس ها

معرفی Introduction

  • دانلود پایتون و آناکوندا Downloading Python and Anaconda

  • نصب و راه اندازی آناکوندا و افتتاح Jupyter Anaconda Installation and Opening Jupyter

  • نصب کتابخانه Library Installation

  • فایل های منبع آموزشی را دانلود کنید Download the Learning Resource files

  • وارد کردن فایل های csv با نوت بوک Jupyter importing csv files with Jupyter Notebook

  • باز کردن Google Colab Opening Google Colab

جلسه عملی تجزیه و تحلیل داده ها------------------1 Data Analysis Practical Session------------------1

  • کتابخانه ها و مجموعه داده ها Libraries and Dataset

  • خواندن مجموعه داده Reading Dataset

  • پاک کردن داده ها قسمت 1 Data Cleaning Part 1

  • پاک کردن داده ها قسمت 2 Data Cleaning Part 2

جلسه عملی تحلیل داده ها---------------2 Data Analysis Practical Session---------------2

  • تحلیل 1 Analysis 1

  • تحلیل 2 Analysis 2

  • تحلیل 3 Analysis 3

جلسه عملی تحلیل داده ها--------3 Data Analysis Practical Session--------3

  • وارد کردن کتابخانه ها و مجموعه داده ها importing libraries and dataset

  • Pandas Dataframe و بازرسی Pandas Dataframe and inspection

  • پاکسازی داده ها Data Cleaning

  • تجزیه و تحلیل آماری توصیفی و تفسیر داده ها Descriptive Statistical Analysis and Data Interpretation

جلسه عملی مفهومی مدل رگرسیون خطی ------------ 4 Linear Regression Model Concept Practical Session ------------ 4

  • همبستگی داده ها Correlation of data

  • رگرسیون خطی قسمت 1 Linear Regression part 1

  • رگرسیون خطی قسمت 2 Linear Regression part 2

  • رگرسیون خطی قسمت 3 Linear Regression part 3

  • پیش بینی رگرسیون خطی Linear Regression Predict

جلسه عملی مدل رگرسیون خطی چندگانه------------ 5 Multiple Linear Regression Model Practical Session----------- 5

  • معرفی Introduction

  • رگرسیون خطی چندگانه Multiple Linear Regression

نمایش نظرات

آموزش رویکرد عملی علم داده با پایتون
جزییات دوره
2 hours
24
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
7
4.7 از 5
دارد
ندارد
ندارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Fanuel Mapuwei Fanuel Mapuwei

دانشمند کامپیوتر | دانشمند داده | تحلیلگر در امور مالی