آموزش Data Science 2022: علم داده و یادگیری ماشین کامل

Data Science 2022 : Complete Data Science & Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری و تسلط بر علوم داده، پایتون برای یادگیری ماشین، ریاضیات برای یادگیری ماشین، آمار برای علوم داده مجموعه مهارت های کامل علوم داده مورد نیاز برای دانشمند داده شدن با تمام مفاهیم پیشرفته استاد برنامه نویسی پایتون از مبانی تا پیشرفت در صورت نیاز برای علم داده و یادگیری ماشینی ریاضیات کامل جبر خطی، حساب دیفرانسیل و انتگرال، بردارها، ماتریس برای علم داده و یادگیری ماشین را بیاموزید. در آمار شامل آمار توصیفی و استنباطی متخصص شوید. یاد بگیرید چگونه داده ها را با استفاده از تجسم داده ها با تمام نمودارها و نمودارهای لازم تجزیه و تحلیل کنید. انجام پردازش داده ها با استفاده از Pandas و ScikitLearn Master Regression با تمام پارامترها و فرضیات آن. رگرسیون، درخت تصمیم، جنگل تصادفی، ماشین‌های بردار پشتیبان با یادگیری انتخاب ویژگی و کاهش ابعاد، درک کاملی از یادگیری عمیق با استفاده از Keras و Tensorflow دریافت کنید. من درست از اصول اولیه در پایتون تا Advanced Deep Learning Passion برای مقابله با تجزیه و تحلیل داده ها را آموزش خواهم داد

علوم داده و یادگیری ماشین داغ ترین مهارت های مورد تقاضا هستند اما یادگیری آنها چالش برانگیز است. آیا دوست داشتید یک دوره برای علم داده و یادگیری ماشین وجود داشته باشد که همه چیز را از ریاضی برای یادگیری ماشین، آمار پیشرفته برای علم داده، پردازش داده، یادگیری ماشین A-Z، یادگیری عمیق و موارد دیگر پوشش دهد؟

خب، شما به جای درست آمده اید. این دوره علم داده و یادگیری ماشین دارای 11 پروژه، 250+ سخنرانی، بیش از 25 ساعت محتوا، یک پروژه مسابقه Kaggle با امتیاز صدک برتر، الگوهای کد و آزمون‌های مختلف است.

ما پروژه‌های واقعی زیر را اجرا می‌کنیم،

  • پیش‌بینی تقاضای دوچرخه Kaggle از رقابت Kaggle

  • اتوماسیون فرآیند تایید وام

  • طبقه بندی معروف IRIS

  • پیش‌بینی‌های درآمد بزرگسالان از مجموعه داده‌های سرشماری ایالات متحده

  • پیش‌بینی‌های بازاریابی تلفنی بانک

  • پیش‌بینی‌های سرطان سینه

  • پیش‌بینی دیابت با استفاده از مجموعه داده‌های دیابت هندی Prima

امروزه علم داده و یادگیری ماشین تقریباً در همه صنایع از جمله خودرو، بانکداری، مراقبت های بهداشتی، رسانه، مخابرات و سایر صنایع استفاده می شود.

به‌عنوان متخصص علم داده و یادگیری ماشین، باید تحقیق کنید و فراتر از مشکلات عادی نگاه کنید، ممکن است نیاز به پردازش گسترده داده‌ها داشته باشید. داده ها را با استفاده از ابزارهای پیشرفته آزمایش کنید و راه حل های شگفت انگیزی برای تجارت بسازید. با این حال، کجا و چگونه می خواهید این مهارت های مورد نیاز برای علم داده و یادگیری ماشین را بیاموزید؟

علوم داده و یادگیری ماشین نیاز به دانش عمیق از موضوعات مختلف دارد. علم داده فقط به دانستن بسته ها/کتابخانه های خاص و یادگیری نحوه به کارگیری آنها نیست. علم داده و یادگیری ماشین نیاز به درک عمیق از مهارت های زیر دارد،

  • درک چشم انداز کلی علم داده و یادگیری ماشین

  • انواع مختلف تجزیه و تحلیل داده، معماری داده، ویژگی های استقرار پروژه های علم داده و یادگیری ماشین

  • مهارت های برنامه نویسی پایتون که محبوب ترین زبان برای علم داده و یادگیری ماشین است

  • ریاضیات برای یادگیری ماشین از جمله جبر خطی، حساب دیفرانسیل و انتگرال و نحوه استفاده از آن در الگوریتم های یادگیری ماشین و همچنین علم داده

  • آمار و تجزیه و تحلیل آماری برای علم داده

  • تجسم داده برای علم داده

  • پردازش و دستکاری داده ها قبل از اعمال یادگیری ماشینی

  • یادگیری ماشین

  • ریج (L2)، کمند (L1) و رگرسیون شبکه الاستیک/منظم‌سازی برای یادگیری ماشین

  • انتخاب ویژگی و کاهش ابعاد برای مدل‌های یادگیری ماشین

  • انتخاب مدل یادگیری ماشین با استفاده از اعتبارسنجی متقاطع و تنظیم فراپارامتر

  • تحلیل خوشه ای برای یادگیری ماشینی بدون نظارت

  • یادگیری عمیق با استفاده از محبوب ترین ابزارها و فناوری های امروزی.

این دوره آموزشی علم داده و یادگیری ماشین با در نظر گرفتن تمام جنبه های فوق طراحی شده است، دوره A-Z علم داده واقعی و یادگیری ماشین. در بسیاری از دوره های علم داده و یادگیری ماشین، الگوریتم ها بدون آموزش پایتون یا زبان برنامه نویسی این چنینی آموزش داده می شوند. با این حال، درک ساختار زبان برای اجرای هر رشته ای از جمله علم داده و یادگیری ماشین بسیار مهم است.

همچنین، بدون درک ریاضیات و آمار، درک نحوه عملکرد برخی از الگوریتم‌ها و تکنیک‌های علم داده و یادگیری ماشین غیرممکن است.

علوم داده و یادگیری ماشین مجموعه پیچیده ای از موضوعات است که به هم مرتبط هستند. با این حال، ما کاملاً به آنچه اینشتین زمانی گفته بود،

اعتقاد داریم

"اگر نمی توانید آن را به سادگی توضیح دهید، به اندازه کافی آن را درک نکرده اید."

من به عنوان یک مربی، همیشه سعی می‌کنم در سطح خود به این اصل عمل کنم. این یک دوره جامع در مورد علم داده و یادگیری ماشین است که هر آنچه را که برای یادگیری علم داده و یادگیری ماشین لازم است با استفاده از ساده ترین مثال ها با عمق زیاد به شما می آموزد.

همانطور که از سخنرانی های پیش نمایش خواهید دید، برخی از پیچیده ترین موضوعات به زبان ساده توضیح داده شده اند.

برخی از مهارت های کلیدی که خواهید آموخت،

  • برنامه نویسی پایتون

    Python به عنوان زبان شماره 1 برای علم داده و یادگیری ماشین رتبه بندی شده است. استفاده از آن آسان است و با کتابخانه ها و عملکردهای مختلف مورد نیاز برای انجام وظایف مختلف برای علم داده و یادگیری ماشین غنی است. علاوه بر این، این زبان ترجیحی ترین و پیش فرض استفاده برای بسیاری از چارچوب های یادگیری عمیق از جمله Tensorflow و Keras است.


  • ریاضیات پیشرفته برای یادگیری ماشینی

    ریاضیات اساس علم داده به طور کلی و یادگیری ماشین به طور خاص است. بدون درک معانی بردارها، ماتریس ها، عملیات آنها و همچنین درک حساب دیفرانسیل و انتگرال، درک پایه علم داده و یادگیری ماشین ممکن نیست. Gradient Descent که اساس شبکه عصبی و یادگیری ماشینی را تشکیل می دهد، بر اساس اصول حساب دیفرانسیل و انتگرال و مشتقات ساخته شده است.


  • آمارهای پیشرفته برای علم داده

    دانستن تنها میانگین، میانه، حالت و غیره کافی نیست. تکنیک‌های پیشرفته علم داده و یادگیری ماشین مانند انتخاب ویژگی، کاهش ابعاد با استفاده از PCA همگی بر اساس آمار استنباطی پیشرفته توزیع‌ها و اهمیت آماری هستند. همچنین به ما کمک می‌کند تا رفتار داده‌ها را درک کنیم و سپس از یک تکنیک یادگیری ماشینی مناسب استفاده کنیم تا بهترین نتیجه را از تکنیک‌های مختلف علم داده و یادگیری ماشین بگیریم.


  • تجسم داده

    همانطور که می گویند، تصویر هزار کلمه ارزش دارد. تجسم داده ها یکی از تکنیک های کلیدی علم داده و یادگیری ماشین است و برای تجزیه و تحلیل داده های اکتشافی استفاده می شود. در آن، ما داده ها را به صورت بصری تجزیه و تحلیل می کنیم تا الگوها و روندها را شناسایی کنیم. ما می خواهیم یاد بگیریم که چگونه نمودارها و نمودارهای مختلف ایجاد کنیم و همچنین چگونه آنها را برای تمام اهداف عملی تجزیه و تحلیل کنیم. انتخاب ویژگی نقش کلیدی در یادگیری ماشین ایفا می کند و تجسم داده برای آن کلیدی است.


  • پردازش داده

    علوم داده نیاز به پردازش گسترده داده دارد. متخصصان علم داده و یادگیری ماشین بیش از 2/3 از زمان را صرف پردازش و تجزیه و تحلیل داده ها می کنند. داده ها می توانند نویز داشته باشند و هرگز در بهترین شکل و فرم نیستند. پردازش داده یکی از رشته های کلیدی علم داده و یادگیری ماشینی برای گرفتن بهترین نتایج است. ما از Pandas که محبوب ترین کتابخانه برای پردازش داده ها در پایتون و کتابخانه های مختلف دیگر است برای خواندن، تجزیه و تحلیل، پردازش و پاکسازی داده ها استفاده خواهیم کرد.


  • یادگیری ماشینی

    قلب و روح علم داده، توانایی پیش‌بینی است که توسط الگوریتم‌های یادگیری ماشین و یادگیری عمیق ارائه می‌شود. یادگیری ماشینی، رشته کلی علم داده را از دیگران پیشی می‌گیرد. ما همه چیزهایی را که از بخش‌های قبلی یاد گرفته‌ایم ترکیب می‌کنیم و مدل‌های مختلف یادگیری ماشین را می‌سازیم. جنبه های کلیدی یادگیری ماشین فقط در مورد الگوریتم ها نیست، بلکه درک پارامترهای مختلف مورد استفاده توسط الگوریتم های یادگیری ماشینی است. ما تمام پارامترهای کلیدی و چگونگی تاثیر مقادیر آنها بر نتیجه را درک خواهیم کرد تا بتوانید بهترین مدل های یادگیری ماشین را بسازید.


  • انتخاب ویژگی و کاهش ابعاد

    اگر تعجب می‌کنید که چه چیزی یک دانشمند داده خوب را می‌سازد، این بخش پاسخگوست. یک متخصص خوب علم داده و یادگیری ماشین فقط از کتابخانه ها و کدهای چند خطی استفاده نمی کند. او تمام ویژگی های داده ها را به طور عینی تجزیه و تحلیل می کند و بر اساس تجزیه و تحلیل آماری مرتبط ترین آنها را انتخاب می کند. ما یاد خواهیم گرفت که چگونه تعداد ویژگی‌ها را کاهش دهیم و همچنین چگونه می‌توانیم ارزش داده‌ها را هنگام تمرین و ساختن مدل‌های مختلف یادگیری ماشین پس از اعمال اصول انتخاب ویژگی و کاهش ابعاد با استفاده از PCA حفظ کنیم.


  • یادگیری عمیق

    اگر ندانید چگونه شبکه عصبی قدرتمند بسازید، نمی‌توانید یک متخصص علوم داده و یادگیری ماشین خوبی شوید. می توان گفت که یادگیری عمیق نوع دیگری از یادگیری ماشینی با قدرت و انعطاف پذیری بسیار زیاد است. پس از یادگیری ماشین یادگیری، ما قصد داریم برخی از اصول کلیدی یادگیری عمیق را بیاموزیم و ابتدا یک پایه محکم بسازیم. سپس از Keras و Tensorflow که محبوب ترین چارچوب های یادگیری عمیق در جهان هستند استفاده خواهیم کرد.


  • پروژه Kaggle

    به‌عنوان یک دانشمند مشتاق داده، ما همیشه می‌خواهیم روی پروژه Kaggle برای یادگیری ماشین کار کنیم و به نتایج خوبی برسیم. من تلاش و زمان زیادی را صرف اطمینان از درک فرآیند کلی اجرای یک پروژه واقعی علم داده و یادگیری ماشین کرده‌ام. این یک چالش یادگیری ماشین خوب برای شما خواهد بود.


پیشنهاد شما از این دوره،

  1. تجربه عملی کامل با تعداد زیادی پروژه و تمرینات علم داده و یادگیری ماشین

  2. تکنیک های پیشرفته مورد استفاده در علم داده و یادگیری ماشین را بیاموزید

  3. گواهی تکمیل برای بیشترین مهارت در علم داده و یادگیری ماشین

  4. همه سوالات در کوتاه ترین زمان ممکن پاسخ داده شد.

  5. همه به‌روزرسانی‌های آینده براساس به‌روزرسانی‌های کتابخانه‌ها، بسته‌ها

  6. پیشرفت های مستمر و افزودن مطالب دوره یادگیری ماشینی در آینده

  7. همه دانش علم داده و یادگیری ماشین با کسری از هزینه

این دوره آموزشی علم داده و یادگیری ماشین با ضمانت بازگشت 30 روزه Udemy و بدون سوال ارائه می شود.

پس منتظر چه چیزی هستید؟ دکمه "اکنون خرید" را فشار دهید و بدون صرف زمان زیاد، سفر علم داده و یادگیری ماشین خود را شروع کنید.

من خیلی مشتاقم که شما را در داخل دوره ببینم.


سلب مسئولیت: همه تصاویر استفاده شده در این دوره تحت مجوز ارائه دهنده، عمدتاً از Shutterstock یا Pixabay، ایجاد یا خریداری یا دانلود می شوند.


سرفصل ها و درس ها

معرفی Introduction

  • معرفی دوره Course Introduction

  • چگونه هدیه رایگان خود را مطالبه کنیم How to Claim your FREE Gift

معرفی Introduction

  • معرفی دوره Course Introduction

  • چگونه هدیه رایگان خود را مطالبه کنیم How to Claim your FREE Gift

  • دانلود مطالب درسی Download Course Material

  • دانلود مطالب درسی Download Course Material

  • نظرات Udemy - پیام مهم Udemy Reviews - Important Message

  • نظرات Udemy - پیام مهم Udemy Reviews - Important Message

-- قسمت 1: برنامه نویسی ضروری پایتون -- -- Part 1: Essential Python Programming --

  • Anaconda، Spyder را نصب کنید Install Anaconda, Spyder

  • Hands On - سلام پایتون و محیط را بشناسید Hands On - Hello Python and Know the environment

  • Hands On - انواع و اپراتورهای متغیر Hands On - Variable Types and Operators

  • Hands On - در حالی که حلقه ها Hands On - While Loops

  • Hands On - برای حلقه ها Hands On - For Loops

  • Hands On - لیست عملیات اساسی Hands On - Lists Basic Operations

  • Hands On - لیست عملیات قسمت 2 Hands On - Lists Operations Part 2

  • Hands On - برش لیست های چند بعدی Hands On - Slicing Multidimensional lists

  • Hands On - به داده های دیکشنری دسترسی پیدا کنید Hands On - Access the Dictionary Data

  • Hands On - دیکشنری روش ها و توابع Hands On - Dictionary Methods and functions

  • پردازش فایل - پردازش داده ها با استفاده از حلقه ها File Processing - Process Data using Loops

  • پروژه 1 - محاسبه میانگین دمای هر شهر Project 1 - Calculate the average temperature per city

  • برنامه نویسی ضروری پایتون Essential Python Programming

-- قسمت 1: برنامه نویسی ضروری پایتون -- -- Part 1: Essential Python Programming --

  • Anaconda، Spyder را نصب کنید Install Anaconda, Spyder

  • میانبر صفحه کلید - برای مبتدیان باید مشاهده شود Keyboard Shortcut - Must view for beginners

  • میانبر صفحه کلید - برای مبتدیان باید مشاهده شود Keyboard Shortcut - Must view for beginners

  • Hands On - سلام پایتون و محیط را بشناسید Hands On - Hello Python and Know the environment

  • Hands On - انواع و اپراتورهای متغیر Hands On - Variable Types and Operators

  • دست در دست - تصمیم گیری - اگر-دیگر Hands On - Decision Making - If-Else

  • دست در دست - تصمیم گیری - اگر-دیگر Hands On - Decision Making - If-Else

  • حلقه های پایتون توضیح داد Python Loops explained

  • حلقه های پایتون توضیح داد Python Loops explained

  • Hands On - در حالی که حلقه ها Hands On - While Loops

  • Hands On - برای حلقه ها Hands On - For Loops

  • لیست های پایتون توضیح داده شد Python Lists Explained

  • لیست های پایتون توضیح داده شد Python Lists Explained

  • Hands On - لیست عملیات اساسی Hands On - Lists Basic Operations

  • Hands On - لیست عملیات قسمت 2 Hands On - Lists Operations Part 2

  • لیست های چند بعدی توضیح داده شد Multidimensional Lists Explained

  • لیست های چند بعدی توضیح داده شد Multidimensional Lists Explained

  • Hands On - برش لیست های چند بعدی Hands On - Slicing Multidimensional lists

  • Hands On - Python Tuples Hands On - Python Tuples

  • Hands On - Python Tuples Hands On - Python Tuples

  • دیکشنری پایتون توضیح داده شد Python Dictionary Explained

  • دیکشنری پایتون توضیح داده شد Python Dictionary Explained

  • Hands On - به داده های دیکشنری دسترسی پیدا کنید Hands On - Access the Dictionary Data

  • Hands On - دیکشنری روش ها و توابع Hands On - Dictionary Methods and functions

  • پردازش فایل - باز کردن و خواندن فایل ها File processing - Open and Read files

  • پردازش فایل - باز کردن و خواندن فایل ها File processing - Open and Read files

  • پردازش فایل - پردازش داده ها و نوشتن در فایل ها File Processing - Process Data and Write to Files

  • پردازش فایل - پردازش داده ها و نوشتن در فایل ها File Processing - Process Data and Write to Files

  • پردازش فایل - پردازش داده ها با استفاده از حلقه ها File Processing - Process Data using Loops

  • پروژه 1 - محاسبه میانگین دمای هر شهر Project 1 - Calculate the average temperature per city

  • راه حل - پروژه 1 میانگین دمای هر شهر را محاسبه می کند Solution - Project 1 calculate the average temperature per city

  • راه حل - پروژه 1 میانگین دمای هر شهر را محاسبه می کند Solution - Project 1 calculate the average temperature per city

  • برنامه نویسی ضروری پایتون Essential Python Programming

-- قسمت 2: ریاضیات اساسی -- -- Part 2: Essential Mathematics --

  • در این قسمت چه خواهید آموخت؟ What you will learn in this Part?

  • کارکرد Functions

  • مبانی جبر Algebra Foundations

  • نرخ تغییر و محدودیت Rate of Change and Limits

  • قوانین مشتق و عملیات Derivative Rules and Operations

  • مشتقات دوگانه و یافتن ماکسیما Double Derivatives and finding Maxima

  • مثال مشتقات دوگانه Double Derivatives example

  • مشتقات جزئی و نزول گرادیان Partial Derivatives and Gradient Descent

  • حساب دیفرانسیل و انتگرال Calculus

  • جبر خطی Linear Algebra

  • بنیاد احتمال Probability Foundation

-- قسمت 2: ریاضیات اساسی -- -- Part 2: Essential Mathematics --

  • در این قسمت چه خواهید آموخت؟ What you will learn in this Part?

  • معادلات جبری Algebraic Equations

  • معادلات جبری Algebraic Equations

  • نماها و گزارش ها Exponents and Logs

  • نماها و گزارش ها Exponents and Logs

  • معادلات چند جمله ای Polynomial Equations

  • معادلات چند جمله ای Polynomial Equations

  • فاکتورینگ Factoring

  • فاکتورینگ Factoring

  • معادلات درجه دوم Quadratic Equations

  • معادلات درجه دوم Quadratic Equations

  • کارکرد Functions

  • مبانی جبر Algebra Foundations

  • بنیاد حساب دیفرانسیل و انتگرال Calculus Foundation

  • بنیاد حساب دیفرانسیل و انتگرال Calculus Foundation

  • نرخ تغییر و محدودیت Rate of Change and Limits

  • تمایز و مشتقات Differentiation and Derivatives

  • تمایز و مشتقات Differentiation and Derivatives

  • قوانین مشتق و عملیات Derivative Rules and Operations

  • مشتقات دوگانه و یافتن ماکسیما Double Derivatives and finding Maxima

  • مثال مشتقات دوگانه Double Derivatives example

  • مشتقات جزئی و نزول گرادیان Partial Derivatives and Gradient Descent

  • ادغام و مساحت زیر منحنی Integration and Area Under the Curve

  • ادغام و مساحت زیر منحنی Integration and Area Under the Curve

  • حساب دیفرانسیل و انتگرال Calculus

  • مبانی بردار - بردار و عملیات بردار چیست Vector Basics - What is a Vector and vector operations

  • مبانی بردار - بردار و عملیات بردار چیست Vector Basics - What is a Vector and vector operations

  • وکتور حساب Vector Arithmetic

  • وکتور حساب Vector Arithmetic

  • بنیاد ماتریکس Matrix Foundation

  • بنیاد ماتریکس Matrix Foundation

  • حساب ماتریسی Matrix Arithmetic

  • حساب ماتریسی Matrix Arithmetic

  • ماتریس هویت، معکوس، تعیین کننده و جابجایی Identity, Inverse, Determinant and Transpose Matrix

  • ماتریس هویت، معکوس، تعیین کننده و جابجایی Identity, Inverse, Determinant and Transpose Matrix

  • تبدیل ماتریسی Matrix Transformation

  • تبدیل ماتریسی Matrix Transformation

  • تغییر مبنا و محور با استفاده از تبدیل ماتریس Change of Basis and Axis using Matrix Transformation

  • تغییر مبنا و محور با استفاده از تبدیل ماتریس Change of Basis and Axis using Matrix Transformation

  • مقادیر ویژه و بردارهای ویژه Eigenvalues and Eigenvectors

  • مقادیر ویژه و بردارهای ویژه Eigenvalues and Eigenvectors

  • جبر خطی Linear Algebra

  • درک احتمال به زبان ساده Understanding probability in simple terms

  • درک احتمال به زبان ساده Understanding probability in simple terms

  • شرایط احتمال Probability Terms

  • شرایط احتمال Probability Terms

  • احتمال شرطی Conditional Probability

  • احتمال شرطی Conditional Probability

  • فرآیندهای تصادفی و متغیرهای تصادفی Random Processes and Random Variables

  • فرآیندهای تصادفی و متغیرهای تصادفی Random Processes and Random Variables

  • بنیاد احتمال Probability Foundation

علم داده و یادگیری ماشین چیست؟ What is Data Science and Machine Learning?

  • رمزگشایی علم داده و یادگیری ماشین Decoding Data Science and Machine Learning

  • چرخه حیات پروژه علم داده قسمت 4 Data Science Project Lifecycle Part 4

  • دانشمند داده چه می کند و مهارت های مورد نیاز چیست؟ What does a Data Scientist do and the skills required?

  • مبانی علم داده Data Science Basics

علم داده و یادگیری ماشین چیست؟ What is Data Science and Machine Learning?

  • نیاز به علم داده و یادگیری ماشین Need for Data Science and Machine Learning

  • نیاز به علم داده و یادگیری ماشین Need for Data Science and Machine Learning

  • انواع تجزیه و تحلیل Types of Analytics

  • انواع تجزیه و تحلیل Types of Analytics

  • رمزگشایی علم داده و یادگیری ماشین Decoding Data Science and Machine Learning

  • چرخه حیات پروژه علم داده قسمت 1 Data Science Project Lifecycle Part 1

  • چرخه حیات پروژه علم داده قسمت 1 Data Science Project Lifecycle Part 1

  • چرخه حیات پروژه علم داده قسمت 2 Data Science Project Lifecycle Part 2

  • چرخه حیات پروژه علم داده قسمت 2 Data Science Project Lifecycle Part 2

  • چرخه حیات پروژه علم داده قسمت 3 Data Science Project Lifecycle Part 3

  • چرخه حیات پروژه علم داده قسمت 3 Data Science Project Lifecycle Part 3

  • چرخه حیات پروژه علم داده قسمت 4 Data Science Project Lifecycle Part 4

  • دانشمند داده چه می کند و مهارت های مورد نیاز چیست؟ What does a Data Scientist do and the skills required?

  • مبانی علم داده Data Science Basics

-- قسمت 3: آمار اساسی -- -- Part 3: Essential Statistics --

  • در این قسمت چه خواهید آموخت؟ What you will learn in this part?

-- قسمت 3: آمار اساسی -- -- Part 3: Essential Statistics --

  • در این قسمت چه خواهید آموخت؟ What you will learn in this part?

آمار توصیفی Descriptive Statistics

  • دیتا چیست؟ شناخت داده ها و عناصر آن What is Data? Understanding the Data and its elements.

  • اندازه گیری گرایش مرکزی با استفاده از میانگین، میانه، حالت Measure of Central Tendency using Mean, Median, mode

  • دست در دست - دریافت خلاصه آماری Hands on - Get Statistical Summary

آمار توصیفی Descriptive Statistics

  • دیتا چیست؟ شناخت داده ها و عناصر آن What is Data? Understanding the Data and its elements.

  • اندازه گیری گرایش مرکزی با استفاده از میانگین، میانه، حالت Measure of Central Tendency using Mean, Median, mode

  • اندازه گیری پراکندگی با استفاده از انحراف استاندارد و واریانس Measure of Dispersion using Standard Deviation and variance

  • اندازه گیری پراکندگی با استفاده از انحراف استاندارد و واریانس Measure of Dispersion using Standard Deviation and variance

  • دست در دست - دریافت خلاصه آماری Hands on - Get Statistical Summary

  • اندازه گیری پراکندگی با استفاده از درصد، محدوده و IQR Measure of Dispersion using Percentile, Range and IQR

  • اندازه گیری پراکندگی با استفاده از درصد، محدوده و IQR Measure of Dispersion using Percentile, Range and IQR

تجسم داده ها Data Visualization

  • اهمیت تجسم داده ها Importance of Data Visualization

  • درک Boxplot برای داده های عددی Understanding Boxplot for Numerical Data

  • پلات چیست؟ What is a Plot?

  • Hands On - ایجاد طرح های خط Hands On - Create Line Plots

  • Hands On - منوی شکل نمودار را درک کنید Hands On - Understand Plot Figure Menu

  • Hands On - اولین نمودار نواری خود را ایجاد کنید Hands On - Create your first Bar Chart

  • Hands On - ایجاد هیستوگرام داده ها Hands On - Create Histogram of Data

  • Hands On - Plotting Boxplot Hands On - Plotting Boxplot

  • تجسم داده ها برای داده های طبقه بندی شده Data Visualization for Categorical Data

  • Hands On - Pie Charts قسمت 2 Hands On - Pie Charts Part 2

  • Hands On - تصاویر MatplotLib برای ایجاد نمودارهای متعدد Hands On - MatplotLib Figures for creating multiple plots

  • Hands On - سفارشی سازی عناصر طرح قسمت 2 Hands On - Customization of Plot elements Part 2

  • Hands On - سفارشی سازی عناصر طرح قسمت 3 Hands On - Customization of Plot elements Part 3

  • Hands On - سفارشی سازی عناصر طرح قسمت 4 Hands On - Customization of Plot elements Part 4

  • اکنون پاداش خود را مطالبه کنید. Claim your reward now.

تجسم داده ها Data Visualization

  • اهمیت تجسم داده ها Importance of Data Visualization

  • تجسم داده ها - جدول فرکانس، هیستوگرام و نمودار میله ای Data Visualization - Frequency Table, Histogram and Bar Chart

  • تجسم داده ها - جدول فرکانس، هیستوگرام و نمودار میله ای Data Visualization - Frequency Table, Histogram and Bar Chart

  • درک Boxplot برای داده های عددی Understanding Boxplot for Numerical Data

  • پلات چیست؟ What is a Plot?

  • Hands On - ایجاد طرح های خط Hands On - Create Line Plots

  • Hands On - منوی شکل نمودار را درک کنید Hands On - Understand Plot Figure Menu

  • Hands On - اولین نمودار نواری خود را ایجاد کنید Hands On - Create your first Bar Chart

  • Hands On - ایجاد هیستوگرام داده ها Hands On - Create Histogram of Data

  • Hands On - Plotting Boxplot Hands On - Plotting Boxplot

  • تجسم داده ها برای داده های طبقه بندی شده Data Visualization for Categorical Data

  • Hands On - Pie Charts قسمت 1 Hands On - Pie Charts Part 1

  • Hands On - Pie Charts قسمت 1 Hands On - Pie Charts Part 1

  • Hands On - Pie Charts قسمت 2 Hands On - Pie Charts Part 2

  • Hands On - Scatter Plots Hands On - Scatter Plots

  • Hands On - Scatter Plots Hands On - Scatter Plots

  • Hands On - تصاویر MatplotLib برای ایجاد نمودارهای متعدد Hands On - MatplotLib Figures for creating multiple plots

  • Hands On - طرح های فرعی برای ترسیم چند قطعه در یک شکل Hands On - Subplots for plotting multiple plots in one figure

  • Hands On - طرح های فرعی برای ترسیم چند قطعه در یک شکل Hands On - Subplots for plotting multiple plots in one figure

  • Hands On - سفارشی سازی عناصر طرح قسمت 1 Hands On - Customization of Plot elements Part 1

  • Hands On - سفارشی سازی عناصر طرح قسمت 1 Hands On - Customization of Plot elements Part 1

  • Hands On - سفارشی سازی عناصر طرح قسمت 2 Hands On - Customization of Plot elements Part 2

  • Hands On - سفارشی سازی عناصر طرح قسمت 3 Hands On - Customization of Plot elements Part 3

  • Hands On - سفارشی سازی عناصر طرح قسمت 4 Hands On - Customization of Plot elements Part 4

  • اکنون پاداش خود را مطالبه کنید. Claim your reward now.

آمار استنباطی، توزیع ها و فرضیه ها Inferential Statistics, Distributions and Hypothesis

  • جمعیت در مقابل نمونه ها را درک کنید Understand Population Vs Samples

  • تعصب نمونه چیست؟ What is a Sample Bias?

  • همبستگی و علیت چیست؟ What is Correlation and Causality?

  • کوواریانس و ماتریس کوواریانس چیست؟ What is Covariance and Covariance Matrix?

  • کوواریانس و ماتریس کوواریانس چیست؟ What is Covariance and Covariance Matrix?

  • تابع چگالی احتمال و توزیع Probability Density Function and Distributions

  • تابع چگالی احتمال و توزیع Probability Density Function and Distributions

  • توزیع های عادی Normal Distributions

  • توزیع های عادی Normal Distributions

  • توزیع های عادی استاندارد Standard Normal Distributions

  • توزیع های نمونه گیری Sampling Distributions

  • توزیع های نمونه گیری Sampling Distributions

  • تئوری حد مرکزی Central Limit Theorem

  • تئوری حد مرکزی Central Limit Theorem

  • فاصله اطمینان - قسمت 1 Confidence Interval - Part 1

  • فاصله اطمینان - قسمت 2 Confidence Interval - Part 2

  • فاصله اطمینان - قسمت 2 Confidence Interval - Part 2

  • فرضیه و فرضیه صفر در مقابل فرضیه جایگزین چیست؟ What is Hypothesis and Null Vs Alternate Hypothesis?

  • فرضیه و فرضیه صفر در مقابل فرضیه جایگزین چیست؟ What is Hypothesis and Null Vs Alternate Hypothesis?

  • اهمیت آماری چیست What is Statistical Significance

  • اهمیت آماری چیست What is Statistical Significance

  • نمونه های تست فرضیه Hypothesis Testing Examples

آمار استنباطی، توزیع ها و فرضیه ها Inferential Statistics, Distributions and Hypothesis

  • جمعیت در مقابل نمونه ها را درک کنید Understand Population Vs Samples

  • تعصب نمونه چیست؟ What is a Sample Bias?

  • همبستگی و علیت چیست؟ What is Correlation and Causality?

  • توزیع های عادی استاندارد Standard Normal Distributions

  • فاصله اطمینان - قسمت 1 Confidence Interval - Part 1

  • نمونه های تست فرضیه Hypothesis Testing Examples

-- قسمت 4: پیش پردازش داده -- -- Part 4: Data Pre-Processing --

  • Hands On - وارد کردن کتابخانه برای خواندن و برش داده ها Hands On - Import Library to Read and Slice the data

  • Hands On - وارد کردن کتابخانه برای خواندن و برش داده ها Hands On - Import Library to Read and Slice the data

  • Hands On - اطلاعاتی را که با آنها سروکار دارید را درک کنید Hands On - Understand the data you are dealing with

  • دست در دست - مدیریت ارزش های گمشده Hands On - Handling Missing Values

  • Label-Encoding برای داده های طبقه بندی شده Label-Encoding for Categorical Data

  • رمزگذاری دست روی برچسب Hands On Label Encoding

  • رمزگذاری دست روی برچسب Hands On Label Encoding

  • رمزگذاری داغ برای داده های طبقه بندی شده توضیح داده شده است Hot-Encoding for Categorical Data Explained

  • رمزگذاری داغ برای داده های طبقه بندی شده توضیح داده شده است Hot-Encoding for Categorical Data Explained

  • Hands On - Hot-Encoding برای داده های طبقه بندی شده Hands On - Hot-Encoding for Categorical Data

  • عادی سازی داده ها - دلایل را درک کنید. Data normalization - Understand the reasons.

  • Hands On - عادی سازی داده ها با استفاده از مقیاس کننده استاندارد Hands On - Data Normalization using Standard Scaler

  • Hands On - عادی سازی داده ها با استفاده از مقیاس کننده استاندارد Hands On - Data Normalization using Standard Scaler

  • Hands On - عادی سازی داده ها با استفاده از minmax Hands On - Data Normalization using minmax

  • Hands On - عادی سازی داده ها با استفاده از minmax Hands On - Data Normalization using minmax

  • Train and Test Data Split توضیح داده شده است Train and Test Data Split explained

  • Hands On - آموزش و آزمایش تقسیم داده ها Hands On - Train and Test Data Split

  • Hands On - آموزش و آزمایش تقسیم داده ها Hands On - Train and Test Data Split

-- قسمت 4: پیش پردازش داده -- -- Part 4: Data Pre-Processing --

  • Hands On - اطلاعاتی را که با آنها سروکار دارید را درک کنید Hands On - Understand the data you are dealing with

  • دست در دست - مدیریت ارزش های گمشده Hands On - Handling Missing Values

  • Label-Encoding برای داده های طبقه بندی شده Label-Encoding for Categorical Data

  • Hands On - Hot-Encoding برای داده های طبقه بندی شده Hands On - Hot-Encoding for Categorical Data

  • عادی سازی داده ها - دلایل را درک کنید. Data normalization - Understand the reasons.

  • Train and Test Data Split توضیح داده شده است Train and Test Data Split explained

-- قسمت 5: رگرسیون -------- -- Part 5: Regression --------

  • در این بخش چه چیزی یاد خواهید گرفت؟ What you will learn in this section?

  • در این بخش چه چیزی یاد خواهید گرفت؟ What you will learn in this section?

-- قسمت 5: رگرسیون -------- -- Part 5: Regression --------

  • در این بخش چه چیزی یاد خواهید گرفت؟ What you will learn in this section?

رگرسیون خطی ساده Simple Linear Regression

  • رگرسیون خطی ساده چیست؟ What is Simple Linear Regression

  • حداقل مربعات معمولی و خطاهای رگرسیون Ordinary Least Square and Regression Errors

  • حداقل مربعات معمولی و خطاهای رگرسیون Ordinary Least Square and Regression Errors

  • پروژه 2 - پردازش داده ها Project 2 - Data Processing

  • پروژه 2 - پردازش داده ها Project 2 - Data Processing

  • پروژه 2 - مدل آموزش و آزمون Project 2 - Train and Test Model

  • مدل را تست کنید و مقادیر Y را پیش بینی کنید Test the model and Predict Y Values

  • مدل را تست کنید و مقادیر Y را پیش بینی کنید Test the model and Predict Y Values

  • پروژه 2 - R-Squared و اهمیت آن Project 2 - R-Squared and its Importance

  • پروژه 2 - امتیاز و ضرایب دریافت کنید Project 2 - Score and Get coefficients

  • پروژه 2 - امتیاز و ضرایب دریافت کنید Project 2 - Score and Get coefficients

  • پروژه 2 - محاسبه RMSE (ریشه میانگین مربعات خطا) Project 2 - Calculate RMSE (Root Mean Squared Error)

  • پروژه 2 - محاسبه RMSE (ریشه میانگین مربعات خطا) Project 2 - Calculate RMSE (Root Mean Squared Error)

  • پروژه 2 - پیش بینی ها را ترسیم کنید Project 2 - Plot the predictions

  • پروژه 2 - پیش بینی ها را ترسیم کنید Project 2 - Plot the predictions

رگرسیون خطی ساده Simple Linear Regression

  • رگرسیون خطی ساده چیست؟ What is Simple Linear Regression

  • پروژه 2 - مدل آموزش و آزمون Project 2 - Train and Test Model

  • پروژه 2 - R-Squared و اهمیت آن Project 2 - R-Squared and its Importance

رگرسیون خطی چندگانه Multiple Linear Regression

  • درک رگرسیون خطی چندگانه Understanding the Multiple Linear Regression

  • درک رگرسیون خطی چندگانه Understanding the Multiple Linear Regression

  • پروژه 3 - پیش بینی های رگرسیون خطی چندگانه Project 3 - Multiple Linear Regression Predictions

  • مسائل مربوط به رگرسیون خطی چندگانه Issues to deal with for Multiple Linear Regression

  • درجه آزادی Degrees of Freedom

  • R-Squared تنظیم شده است Adjusted R-Squared

  • R-Squared تنظیم شده است Adjusted R-Squared

  • مفروضات رگرسیون خطی چندگانه Assumptions of Multiple Linear Regression

  • فرض خطی و چند خطی Linearity and Multicollinearity Assumption

  • فرض خودهمبستگی Assumption of Autocorrelation

  • دست روی - خود همبستگی طرح Hands on - Plot Autocorrelation

  • دست روی - خود همبستگی طرح Hands on - Plot Autocorrelation

  • دست در دست - ایجاد داده های تغییر یافته یا TimeLag Hands on - Create shifted or TimeLag Data

  • فرض درون زایی Endogeneity Assumption

  • نرمال بودن باقیمانده ها Normality of Residuals

  • نرمال بودن باقیمانده ها Normality of Residuals

  • فرض هوموسکاداستیسیته Assumption of Homoscadasticity

  • فرض هوموسکاداستیسیته Assumption of Homoscadasticity

  • دام متغیر ساختگی Dummy Variable trap

  • دام متغیر ساختگی Dummy Variable trap

رگرسیون خطی چندگانه Multiple Linear Regression

  • پروژه 3 - پیش بینی های رگرسیون خطی چندگانه Project 3 - Multiple Linear Regression Predictions

  • مسائل مربوط به رگرسیون خطی چندگانه Issues to deal with for Multiple Linear Regression

  • درجه آزادی Degrees of Freedom

  • مفروضات رگرسیون خطی چندگانه Assumptions of Multiple Linear Regression

  • فرض خطی و چند خطی Linearity and Multicollinearity Assumption

  • فرض خودهمبستگی Assumption of Autocorrelation

  • دست در دست - ایجاد داده های تغییر یافته یا TimeLag Hands on - Create shifted or TimeLag Data

  • فرض درون زایی Endogeneity Assumption

پروژه 4 - پیش بینی تقاضای دوچرخه Kaggle Project 4 - Kaggle Bike Demand Predictions

  • بیایید مشکل را درک کنیم Let's understand the problem

  • بیایید مشکل را درک کنیم Let's understand the problem

  • مراحل لازم برای حل مشکل Steps required to solve the problem

  • داده ها را بخوانید و آماده کنید Read and Prepare Data

  • داده ها را بخوانید و آماده کنید Read and Prepare Data

  • تجزیه و تحلیل پایه داده ها Basic Analysis of Data

  • تجزیه و تحلیل پایه داده ها Basic Analysis of Data

  • تجسم داده ها از متغیرهای پیوسته Data Visualization of the Continuous Variables

  • تجسم داده ها از متغیرهای پیوسته Data Visualization of the Continuous Variables

  • تجسم داده ها از متغیرهای طبقه بندی شده Data Visualization of the Categorical Variables

  • خلاصه کردن یافته های تجسم داده ها Summarize Data Visualization Findings

  • خلاصه کردن یافته های تجسم داده ها Summarize Data Visualization Findings

  • Outliers را بررسی کنید Check for Outliers

  • Outliers را بررسی کنید Check for Outliers

  • فرضیه چند خطی بودن را آزمایش کنید Test the Multicollinearity Assumption

  • تست همبستگی خودکار در تقاضا Test Auto-correlation in Demand

  • تست همبستگی خودکار در تقاضا Test Auto-correlation in Demand

  • حل مشکل نرمال بودن Solving the problem of Normality

  • حل مشکل خودهمبستگی Solving the problem of Autocorrelation

  • حل مشکل خودهمبستگی Solving the problem of Autocorrelation

  • ایجاد متغیرهای ساختگی Create Dummy Variables

  • تقسیم آزمون قطار برای داده های سری زمانی Train-Test Split for the Time-Series Data

  • تقسیم آزمون قطار برای داده های سری زمانی Train-Test Split for the Time-Series Data

  • مدل را ایجاد کرده و RMSE را اندازه گیری کنید Create the Model and measure RMSE

  • RMSLE را برای Kaggle محاسبه و اندازه گیری کنید Calculate and measure RMSLE for Kaggle

  • RMSLE را برای Kaggle محاسبه و اندازه گیری کنید Calculate and measure RMSLE for Kaggle

پروژه 4 - پیش بینی تقاضای دوچرخه Kaggle Project 4 - Kaggle Bike Demand Predictions

  • مراحل لازم برای حل مشکل Steps required to solve the problem

  • تجسم داده ها از متغیرهای طبقه بندی شده Data Visualization of the Categorical Variables

  • فرضیه چند خطی بودن را آزمایش کنید Test the Multicollinearity Assumption

  • حل مشکل نرمال بودن Solving the problem of Normality

  • ایجاد متغیرهای ساختگی Create Dummy Variables

  • مدل را ایجاد کرده و RMSE را اندازه گیری کنید Create the Model and measure RMSE

-- قسمت 6: طبقه بندی --------- -- Part 6: Classification ---------

  • در این بخش چه چیزی یاد خواهید گرفت؟ What you will learn in this section?

  • در این بخش چه چیزی یاد خواهید گرفت؟ What you will learn in this section?

-- قسمت 6: طبقه بندی --------- -- Part 6: Classification ---------

  • در این بخش چه چیزی یاد خواهید گرفت؟ What you will learn in this section?

رگرسیون لجستیک Logistic Regression

  • رگرسیون لجستیک چیست؟ What is Logistic Regression?

  • رگرسیون لجستیک چیست؟ What is Logistic Regression?

  • پروژه 5 - پیش بینی مشکل تصویب وام Project 5 - Predict Loan Approval Problem Understanding

  • پروژه 5 - پیش بینی مشکل تصویب وام Project 5 - Predict Loan Approval Problem Understanding

  • پروژه 5 - پیش بینی تصویب وام قسمت 1 Project 5 - Predict Loan Approval Part 1

  • پروژه 5 - پیش بینی تصویب وام قسمت 2 Project 5 - Predict Loan Approval Part 2

  • پروژه 5 - پیش بینی تصویب وام قسمت 3 Project 5 - Predict Loan Approval Part 3

  • پروژه 5 - پیش بینی تایید وام - ساخت رگرسیور لجستیک Project 5 - Predict Loan Approval - Build Logistic Regressor

  • پروژه 5 - پیش بینی تایید وام - ساخت رگرسیور لجستیک Project 5 - Predict Loan Approval - Build Logistic Regressor

  • پروژه 5 - پیش بینی تایید وام - Confusion Martix Project 5 - Predict Loan Approval - Confusion Martix

  • پروژه 5 - پیش بینی تایید وام - Confusion Martix Project 5 - Predict Loan Approval - Confusion Martix

  • ایجاد و تجزیه و تحلیل ماتریس سردرگمی Create and Analyse Confusion Matrix

  • ایجاد و تجزیه و تحلیل ماتریس سردرگمی Create and Analyse Confusion Matrix

رگرسیون لجستیک Logistic Regression

  • پروژه 5 - پیش بینی تصویب وام قسمت 1 Project 5 - Predict Loan Approval Part 1

  • پروژه 5 - پیش بینی تصویب وام قسمت 2 Project 5 - Predict Loan Approval Part 2

  • پروژه 5 - پیش بینی تصویب وام قسمت 3 Project 5 - Predict Loan Approval Part 3

ماشین‌های بردار پشتیبانی (SVM) Support Vector Machines (SVM)

  • شهود حسی مشترک SVM Common Sensical Intuition of SVM

  • شهود ریاضی SVM قسمت 1 Mathematical Intuition of SVM Part 1

  • شهود ریاضی SVM قسمت 1 Mathematical Intuition of SVM Part 1

  • شهود ریاضی SVM قسمت 2 Mathematical Intuition of SVM Part 2

  • شهود ریاضی SVM قسمت 2 Mathematical Intuition of SVM Part 2

  • دست روی - پیاده سازی ساده SVM Hands on - Simple Implementation of SVM

  • توابع هسته SVM قسمت 1 SVM Kernel Functions Part 1

  • توابع هسته SVM قسمت 1 SVM Kernel Functions Part 1

  • توابع هسته SVM قسمت 2 SVM Kernel Functions Part 2

  • توابع هسته SVM قسمت 2 SVM Kernel Functions Part 2

  • انواع تابع هسته SVM SVM Kernel Function Types

  • پروژه 6 - مشکل طبقه بندی IRIS Project 6 - IRIS Classification Problem

  • پروژه 6 - پردازش داده ها Project 6 - Data Processing

  • پروژه 6 - پردازش داده ها Project 6 - Data Processing

  • پروژه 6 - آموزش و ایجاد مدل Project 6 - Train and create Model

  • پروژه 6 - آموزش و ایجاد مدل Project 6 - Train and create Model

  • پروژه 6 - ایجاد و مقایسه چند مدل Project 6 - Multiple Model Creation and comparison

ماشین‌های بردار پشتیبانی (SVM) Support Vector Machines (SVM)

  • شهود حسی مشترک SVM Common Sensical Intuition of SVM

  • دست روی - پیاده سازی ساده SVM Hands on - Simple Implementation of SVM

  • انواع تابع هسته SVM SVM Kernel Function Types

  • پروژه 6 - مشکل طبقه بندی IRIS Project 6 - IRIS Classification Problem

  • پروژه 6 - ایجاد و مقایسه چند مدل Project 6 - Multiple Model Creation and comparison

درختان تصمیم Decision Trees

  • شهود پشت درختان تصمیم Intuition Behind Decision Trees

  • پروژه 7 - درک مشکل پیش بینی درآمد بزرگسالان Project 7 - Adult Income Prediction Problem Understanding

  • پروژه 7 - پردازش داده ها Project 7 - Data Processing

  • پروژه 7 - تقسیم داده ها و طبقه بندی کننده واردات Project 7 - Split data and Import Classifier

  • پروژه 7 - تقسیم داده ها و طبقه بندی کننده واردات Project 7 - Split data and Import Classifier

  • پروژه 7 - درختان تصمیم - پارامترها قسمت 1 Project 7 - Decision Trees - Parameters Part 1

  • پروژه 7 - درختان تصمیم - پارامترها قسمت 2 Project 7 - Decision Trees - Parameters Part 2

  • پروژه 7 - درختان تصمیم - پارامترها قسمت 2 Project 7 - Decision Trees - Parameters Part 2

  • پروژه 7 - اجرا و ارزیابی مدل Project 7 - Run and Evaluate Model

  • پروژه 7 - اجرا و ارزیابی مدل Project 7 - Run and Evaluate Model

درختان تصمیم Decision Trees

  • شهود پشت درختان تصمیم Intuition Behind Decision Trees

  • پروژه 7 - درک مشکل پیش بینی درآمد بزرگسالان Project 7 - Adult Income Prediction Problem Understanding

  • پروژه 7 - پردازش داده ها Project 7 - Data Processing

  • پروژه 7 - درختان تصمیم - پارامترها قسمت 1 Project 7 - Decision Trees - Parameters Part 1

جنگل تصادفی Random Forest

  • مجموعه یادگیری و جنگل های تصادفی Ensemble Learning and Random Forests

  • کوله بری و تقویت Bagging and Boosting

  • کوله بری و تقویت Bagging and Boosting

  • دست روی - اجرای جنگل تصادفی Hands on - Implement Random Forest

  • دست روی - اجرای جنگل تصادفی Hands on - Implement Random Forest

جنگل تصادفی Random Forest

  • مجموعه یادگیری و جنگل های تصادفی Ensemble Learning and Random Forests

مدل های طبقه بندی را ارزیابی کنید Evaluate Classification Models

  • نیاز به ارزیابی و پارادوکس دقت Need for Evaluation and Accuracy Paradox

  • نیاز به ارزیابی و پارادوکس دقت Need for Evaluation and Accuracy Paradox

  • اقدامات ارزیابی طبقه بندی Classification Evaluation Measures

  • دست در - معیارهای ارزیابی برای پروژه های پیش بینی وام Hands on - Evaluation Metrics for Loan Prediction projects

  • دست در - معیارهای ارزیابی برای پروژه های پیش بینی وام Hands on - Evaluation Metrics for Loan Prediction projects

  • آستانه و تنظیم آستانه چیست What is Threshold and Adjusting Thresholds

  • دست روی - تنظیم آستانه Hands on - Adjusting Thresholds

  • دست روی - تنظیم آستانه Hands on - Adjusting Thresholds

  • Hands On - منحنی AUC ROC با استفاده از پایتون Hands On - AUC ROC Curve using Python

  • Hands On - منحنی AUC ROC با استفاده از پایتون Hands On - AUC ROC Curve using Python

  • رسم منحنی AUC ROC Drawing the AUC ROC Curve

  • رسم منحنی AUC ROC Drawing the AUC ROC Curve

مدل های طبقه بندی را ارزیابی کنید Evaluate Classification Models

  • اقدامات ارزیابی طبقه بندی Classification Evaluation Measures

  • آستانه و تنظیم آستانه چیست What is Threshold and Adjusting Thresholds

-- قسمت 7: انتخاب ویژگی ------ -- Part 7: Feature Selection ------

  • در این قسمت چه خواهید آموخت؟ What You will learn in this Part?

  • در این قسمت چه خواهید آموخت؟ What You will learn in this Part?

-- قسمت 7: انتخاب ویژگی ------ -- Part 7: Feature Selection ------

انتخاب ویژگی تک متغیره Univariate Feature Selection

  • اهمیت انتخاب ویژگی Feature Selection Importance

  • انتخاب ویژگی تک متغیره چیست؟ What is Univariate Feature Selection?

  • انتخاب ویژگی تک متغیره چیست؟ What is Univariate Feature Selection?

  • F-Test برای رگرسیون و طبقه بندی F-Test for Regression and Classification

  • Hands on F-test - بیان مسئله Hands on F-test - Problem Statement

  • تست F Hands On - رگرسیون بدون انتخاب ویژگی Hands On F-test - Regression without feature selection

  • تست F Hands On - رگرسیون بدون انتخاب ویژگی Hands On F-test - Regression without feature selection

  • Hands on F-test - Pvalues ​​را چاپ و تجزیه و تحلیل کنید Hands on F-test - Print and analyse Pvalues

  • Hands on F-test - Pvalues ​​را چاپ و تجزیه و تحلیل کنید Hands on F-test - Print and analyse Pvalues

  • Hands on F-test - مقایسه نتایج با و بدون انتخاب ویژگی Hands on F-test - Compare Results with and without Feature Selection

  • Hands on F-test - مقایسه نتایج با و بدون انتخاب ویژگی Hands on F-test - Compare Results with and without Feature Selection

  • شهود Chi-Squared Chi-Squared Intuition

  • شهود Chi-Squared Chi-Squared Intuition

  • Scikitlearn - تبدیل های انتخاب ویژگی چیست؟ Scikitlearn - What are Feature Selection Transforms

  • دست در دست - SelectKBest قسمت 1 Hands on - SelectKBest Part 1

  • دست در دست - SelectKBest قسمت 1 Hands on - SelectKBest Part 1

  • دست در دست - SelectKBest قسمت 2 Hands on - SelectKBest Part 2

  • دست روی - SelectPercentile Hands on - SelectPercentile

  • Hands on - Generic Univariate Select Hands on - Generic Univariate Select

  • Hands on - Generic Univariate Select Hands on - Generic Univariate Select

انتخاب ویژگی تک متغیره Univariate Feature Selection

  • اهمیت انتخاب ویژگی Feature Selection Importance

  • F-Test برای رگرسیون و طبقه بندی F-Test for Regression and Classification

  • Hands on F-test - بیان مسئله Hands on F-test - Problem Statement

  • Scikitlearn - تبدیل های انتخاب ویژگی چیست؟ Scikitlearn - What are Feature Selection Transforms

  • دست در دست - SelectKBest قسمت 2 Hands on - SelectKBest Part 2

  • دست روی - SelectPercentile Hands on - SelectPercentile

حذف ویژگی بازگشتی Recursive Feature Elimination

  • حذف ویژگی بازگشتی (RFE) چیست؟ What is Recursive Feature Elimination (RFE)?

  • حذف ویژگی بازگشتی (RFE) چیست؟ What is Recursive Feature Elimination (RFE)?

  • پروژه 8 - پیش بینی های بازاریابی تلفنی بانک درک مشکل Project 8 - Bank Telemarketing Predictions Problem Understanding

  • پروژه 8 - ساخت مدل پیش بینی بدون RFE Project 8 - Build Prediction model without RFE

  • پروژه 8 - ساخت مدل پیش بینی بدون RFE Project 8 - Build Prediction model without RFE

  • پروژه 8 - RFE را پیکربندی کنید و نتایج را مقایسه کنید Project 8 - Configure RFE and Compare results

  • پروژه 8 - RFE را پیکربندی کنید و نتایج را مقایسه کنید Project 8 - Configure RFE and Compare results

  • پروژه 8 - امتیاز اهمیت ویژگی را دریافت کنید Project 8 - Get Feature Importance Score

حذف ویژگی بازگشتی Recursive Feature Elimination

  • پروژه 8 - پیش بینی های بازاریابی تلفنی بانک درک مشکل Project 8 - Bank Telemarketing Predictions Problem Understanding

  • پروژه 8 - امتیاز اهمیت ویژگی را دریافت کنید Project 8 - Get Feature Importance Score

-- قسمت 8: کاهش ابعاد -- -- Part 8: Dimensionality Reduction --

  • چرا باید ابعاد و اهمیت PCA را کاهش داد؟ Why to reduce dimensions and Importance of PCA?

  • شهود ریاضی PCA و مراحل محاسبه PCA Mathematical Intuition of PCA and Steps to calculate PCA

  • شهود ریاضی PCA و مراحل محاسبه PCA Mathematical Intuition of PCA and Steps to calculate PCA

  • پروژه 9 - پیاده سازی مدل بدون PCA Project 9 - Model Implementation without PCA

  • پروژه 9 - تبدیل ابعاد به PCA Project 9 - Convert the Dimensions to PCA

  • پروژه 9 - مقایسه نتایج پس از پیاده سازی PCA Project 9 - Compare results after PCA Implementation

  • پروژه 9 - مقایسه نتایج پس از پیاده سازی PCA Project 9 - Compare results after PCA Implementation

-- قسمت 8: کاهش ابعاد -- -- Part 8: Dimensionality Reduction --

  • چرا باید ابعاد و اهمیت PCA را کاهش داد؟ Why to reduce dimensions and Importance of PCA?

  • پروژه 9 - پیاده سازی مدل بدون PCA Project 9 - Model Implementation without PCA

  • پروژه 9 - تبدیل ابعاد به PCA Project 9 - Convert the Dimensions to PCA

---- قسمت 9 - منظم سازی ---- ---- Part 9 - Regularization ----

  • مقدمه منظم سازی Regularization Introduction.

  • Bias Variance Trade off چیست؟ What is Bias Variance Trade-off?

  • رگرسیون ریج یا پنالتی L2 Ridge Regression or L2 Penalty

  • رگرسیون ریج یا پنالتی L2 Ridge Regression or L2 Penalty

  • دست روی - اجرای رگرسیون ریج Hands on - Implement Ridge Regression

  • دست روی - اجرای رگرسیون ریج Hands on - Implement Ridge Regression

  • دست روی - خط رگرسیون ریج طرح Hands on - Plot Ridge Regression Line

  • دست روی - خط رگرسیون ریج طرح Hands on - Plot Ridge Regression Line

  • دست روی - اثر لامبدا/آلفا Hands On - Effect of Lambda/Alpha

  • دست روی - اثر لامبدا/آلفا Hands On - Effect of Lambda/Alpha

  • نکته در مورد کد پیوست Note about attached code

  • نکته در مورد کد پیوست Note about attached code

  • رگرسیون کمند یا پنالتی L1 - دست روی دست Lasso Regression or L1 Penalty - Hands on

  • قسمت 1 - L1 و L2 برای چند خطی بودن و انتخاب ویژگی Part 1 - L1 and L2 for Multicollinearity and Feature Selection

  • قسمت 2 - L1 و L2 برای چند خطی و انتخاب ویژگی Part 2 - L1 and L2 for Multicollinearity and Feature Selection

  • قسمت 2 - L1 و L2 برای چند خطی و انتخاب ویژگی Part 2 - L1 and L2 for Multicollinearity and Feature Selection

  • قسمت 3 - L1 و L2 برای چند خطی و انتخاب ویژگی Part 3 - L1 and L2 for Multicollinearity and Feature Selection

  • قسمت 3 - L1 و L2 برای چند خطی و انتخاب ویژگی Part 3 - L1 and L2 for Multicollinearity and Feature Selection

  • تنظیم شبکه الاستیک Elasticnet Regularization

---- قسمت 9 - منظم سازی ---- ---- Part 9 - Regularization ----

  • مقدمه منظم سازی Regularization Introduction.

  • Bias Variance Trade off چیست؟ What is Bias Variance Trade-off?

  • رگرسیون کمند یا پنالتی L1 - دست روی دست Lasso Regression or L1 Penalty - Hands on

  • قسمت 1 - L1 و L2 برای چند خطی بودن و انتخاب ویژگی Part 1 - L1 and L2 for Multicollinearity and Feature Selection

  • تنظیم شبکه الاستیک Elasticnet Regularization

---- قسمت 10 - انتخاب مدل ----- ---- Part 10 - Model Selection -----

  • معرفی انتخاب مدل Model Selection Introduction

---- قسمت 10 - انتخاب مدل ----- ---- Part 10 - Model Selection -----

  • معرفی انتخاب مدل Model Selection Introduction

اعتبارسنجی متقابل برای انتخاب مدل Cross Validation for Model Selection

  • اعتبار سنجی متقاطع چیست؟ What is Cross Validation?

  • چگونه اعتبار سنجی متقابل کار می کند How Cross Validation Works

  • Hands On - برای اعتبارسنجی متقاطع آماده شوید Hands On - Prepare for Cross Validation

  • Hands On - پارامتر و اجرای Cross Validation Hands On - Parameter and implementation of Cross Validation

  • Hands On - نتایج Cross Validation را درک کنید Hands On - Understand the results of Cross Validation

  • Hands On - نتایج Cross Validation را درک کنید Hands On - Understand the results of Cross Validation

  • Hands On - نتیجه را تجزیه و تحلیل کنید Hands On - Analyse the Result

  • Hands On - نتیجه را تجزیه و تحلیل کنید Hands On - Analyse the Result

اعتبارسنجی متقابل برای انتخاب مدل Cross Validation for Model Selection

  • اعتبار سنجی متقاطع چیست؟ What is Cross Validation?

  • چگونه اعتبار سنجی متقابل کار می کند How Cross Validation Works

  • Hands On - برای اعتبارسنجی متقاطع آماده شوید Hands On - Prepare for Cross Validation

  • Hands On - پارامتر و اجرای Cross Validation Hands On - Parameter and implementation of Cross Validation

تنظیم فراپارامتر برای انتخاب مدل Hyperparameter Tuning for Model Selection

  • تنظیم Hyperparameter چیست؟ What is Hyperparameter Tuning?

  • تنظیم Hyperparameter چیست؟ What is Hyperparameter Tuning?

  • جستجوی شبکه ای و رویکرد جستجوی تصادفی Grid Search and Randomized Search Approach

  • قسمت 1 - پارامترهای GridSearchCV توضیح داده شده است Part 1 - GridSearchCV Parameters Explained

  • قسمت 2 - Object GirdSearchCV را ایجاد کنید Part 2 - Create GirdSearchCV Object

  • قسمت 3 - داده ها را به GridSearchCV برسانید Part 3 - Fit data to GridSearchCV

  • قسمت 4 - نتایج GridSearchCV را درک کنید Part 4 - Understand GridSearchCV Results

  • قسمت 4 - نتایج GridSearchCV را درک کنید Part 4 - Understand GridSearchCV Results

  • قسمت 5 - GridSearchCV با استفاده از رگرسیون لجستیک Part 5 - GridSearchCV using Logistic Regression

  • قسمت 6 - GridSearchCV با استفاده از بردار پشتیبانی Part 6 - GridSearchCV using Support Vector

  • قسمت 7 - بهترین مدل را انتخاب کنید Part 7 - Select Best Model

  • قسمت 7 - بهترین مدل را انتخاب کنید Part 7 - Select Best Model

  • قسمت 8 - جستجوی تصادفی Part 8 - Randomized Search

  • خلاصه انتخاب مدل Model Selection Summary

  • خلاصه انتخاب مدل Model Selection Summary

تنظیم فراپارامتر برای انتخاب مدل Hyperparameter Tuning for Model Selection

  • جستجوی شبکه ای و رویکرد جستجوی تصادفی Grid Search and Randomized Search Approach

  • قسمت 1 - پارامترهای GridSearchCV توضیح داده شده است Part 1 - GridSearchCV Parameters Explained

  • قسمت 2 - Object GirdSearchCV را ایجاد کنید Part 2 - Create GirdSearchCV Object

  • قسمت 3 - داده ها را به GridSearchCV برسانید Part 3 - Fit data to GridSearchCV

  • قسمت 5 - GridSearchCV با استفاده از رگرسیون لجستیک Part 5 - GridSearchCV using Logistic Regression

  • قسمت 6 - GridSearchCV با استفاده از بردار پشتیبانی Part 6 - GridSearchCV using Support Vector

  • قسمت 8 - جستجوی تصادفی Part 8 - Randomized Search

-- قسمت 11: یادگیری عمیق ---- -- Part 11: Deep Learning ----

  • نورون و شبکه عصبی مصنوعی چیست؟ What is Neuron and Artificial Neural Network?

  • شبکه عصبی مصنوعی چگونه کار می کند؟ How Artificial Neural Network works?

  • Keras و Tensorflow چیست؟ What is Keras and Tensorflow?

  • تانسور در تنسورفلو چیست؟ What is a Tensor in Tensorflow?

  • تانسور در تنسورفلو چیست؟ What is a Tensor in Tensorflow?

  • نصب Keras، Backend و Tensorflow Installing Keras, backend and Tensorflow

  • ساختمان و پله های مدل کراس Keras Model Building and Steps

  • ساختمان و پله های مدل کراس Keras Model Building and Steps

  • لایه ها - نمای کلی و پارامترها Layers - Overview and Parameters

  • لایه ها - نمای کلی و پارامترها Layers - Overview and Parameters

  • توابع فعال سازی Activation Functions

  • لایه ها - تابع فعال سازی Softmax Layers - Softmax Activation Function

  • تابع ضرر چیست؟ What is a Loss Function?

  • تابع ضرر چیست؟ What is a Loss Function?

  • توابع از دست دادن آنتروپی متقابل Cross Entropy Loss Functions

  • بهینه سازی - چیست؟ Optimization - What is it?

  • بهینه سازی - چیست؟ Optimization - What is it?

  • بهینه سازی - نزول گرادیان Optimization - Gradient Descent

  • بهینه سازی - نزول گرادیان تصادفی Optimization - Stochastic Gradient Descent

  • بهینه سازی - نزول گرادیان تصادفی Optimization - Stochastic Gradient Descent

  • بهینه سازی - SGD با مومنتوم Optimization - SGD with Momentum

  • بهینه سازی - SGD با میانگین متحرک نمایی Optimization - SGD with Exponential Moving Average

  • بهینه سازی - Adagrad و RMSProp برای کاهش نرخ یادگیری Optimization - Adagrad and RMSProp for Learning rate decay

  • بهینه سازی - آدم Optimization - Adam

  • Initializers - ناپدید شدن و انفجار مشکل گرادیان Initializers - Vanishing and Exploding Gradient Problem

  • لایه ها - Initializers توضیح داده شده است Layers - Initializers explained

  • پروژه 10 - مشکل را درک کنید Project 10 - Understand the Problem

  • پروژه 10 - داده ها را بخوانید و پردازش کنید Project 10 - Read and process the data

  • پروژه 10 - داده ها را بخوانید و پردازش کنید Project 10 - Read and process the data

  • پروژه 10 - مدل شبکه عصبی Keras را تعریف کنید Project 10 - Define the Keras Neural Network Model

  • پروژه 10 - مدل شبکه عصبی Keras را تعریف کنید Project 10 - Define the Keras Neural Network Model

  • پروژه 10 - مدل شبکه عصبی Keras را تدوین کنید Project 10 - Compile the Keras Neural Network Model

  • پروژه 10 - مدل شبکه عصبی Keras را تدوین کنید Project 10 - Compile the Keras Neural Network Model

  • پروژه 10 - نتیجه را ارزیابی کنید Project 10 - Evaluate the result

  • پروژه 10 - نتیجه را ارزیابی کنید Project 10 - Evaluate the result

-- قسمت 11: یادگیری عمیق ---- -- Part 11: Deep Learning ----

  • نورون و شبکه عصبی مصنوعی چیست؟ What is Neuron and Artificial Neural Network?

  • شبکه عصبی مصنوعی چگونه کار می کند؟ How Artificial Neural Network works?

  • Keras و Tensorflow چیست؟ What is Keras and Tensorflow?

  • نصب Keras، Backend و Tensorflow Installing Keras, backend and Tensorflow

  • توابع فعال سازی Activation Functions

  • لایه ها - تابع فعال سازی Softmax Layers - Softmax Activation Function

  • توابع از دست دادن آنتروپی متقابل Cross Entropy Loss Functions

  • بهینه سازی - نزول گرادیان Optimization - Gradient Descent

  • بهینه سازی - SGD با مومنتوم Optimization - SGD with Momentum

  • بهینه سازی - SGD با میانگین متحرک نمایی Optimization - SGD with Exponential Moving Average

  • بهینه سازی - Adagrad و RMSProp برای کاهش نرخ یادگیری Optimization - Adagrad and RMSProp for Learning rate decay

  • بهینه سازی - آدم Optimization - Adam

  • Initializers - ناپدید شدن و انفجار مشکل گرادیان Initializers - Vanishing and Exploding Gradient Problem

  • لایه ها - Initializers توضیح داده شده است Layers - Initializers explained

  • پروژه 10 - مشکل را درک کنید Project 10 - Understand the Problem

---- قسمت 12 - خوشه بندی یا تجزیه و تحلیل خوشه ای ---- ---- Part 12 - Clustering or Cluster Analysis ----

  • خوشه بندی چیست؟ What is Clustering?

  • خوشه بندی چیست؟ What is Clustering?

  • خوشه ها چگونه تشکیل می شوند؟ How the clusters are formed?

  • پروژه 11 - درک مسئله Project 11 - Problem Understanding

  • پروژه 11 - درک مسئله Project 11 - Problem Understanding

  • پروژه 11 - داده ها را دریافت، تجسم و عادی سازی کنید Project 11 - Get, Visualize and Normalize the data

  • پروژه 11 - وارد کردن KMeans و درک پارامترها Project 11 - Import KMeans and Understand Parameters

  • پروژه 11 - وارد کردن KMeans و درک پارامترها Project 11 - Import KMeans and Understand Parameters

  • پروژه 11 - درک روش اولیه سازی KMeans++ Project 11 - Understanding KMeans++ Initialization Method

  • پروژه 11 - ایجاد خوشه Project 11 - Create Clusters

  • پروژه 11 - تجسم و ایجاد تعداد متفاوتی از خوشه ها Project 11 -Visualize and create different number of clusters

  • درک روش آرنج برای تعیین تعداد خوشه Understand Elbow Method to Decide number of Cluster

  • پروژه 11 - روش آرنج را اجرا کنید Project 11 - Implement Elbow Method

  • پروژه 11 - روش آرنج را اجرا کنید Project 11 - Implement Elbow Method

  • چگونه از خوشه بندی برای کسب و کار استفاده کنیم؟ How to use clustering for business?

  • چگونه از خوشه بندی برای کسب و کار استفاده کنیم؟ How to use clustering for business?

---- قسمت 12 - خوشه بندی یا تجزیه و تحلیل خوشه ای ---- ---- Part 12 - Clustering or Cluster Analysis ----

  • خوشه ها چگونه تشکیل می شوند؟ How the clusters are formed?

  • پروژه 11 - داده ها را دریافت، تجسم و عادی سازی کنید Project 11 - Get, Visualize and Normalize the data

  • پروژه 11 - درک روش اولیه سازی KMeans++ Project 11 - Understanding KMeans++ Initialization Method

  • پروژه 11 - ایجاد خوشه Project 11 - Create Clusters

  • پروژه 11 - تجسم و ایجاد تعداد متفاوتی از خوشه ها Project 11 -Visualize and create different number of clusters

  • درک روش آرنج برای تعیین تعداد خوشه Understand Elbow Method to Decide number of Cluster

راه رو به جلو. Way Forward.

  • سخنرانی پاداش و دریافت گواهینامه. Bonus Lecture and Get Certified.

  • سخنرانی پاداش و دریافت گواهینامه. Bonus Lecture and Get Certified.

راه رو به جلو. Way Forward.

نمایش نظرات

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.

آموزش Data Science 2022: علم داده و یادگیری ماشین کامل
جزییات دوره
26 hours
281
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
17,943
4.6 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jitesh Khurkhuriya Jitesh Khurkhuriya

دانشمند داده و مشاور تحول دیجیتال

Python, Data Science   Machine Learning A-Z Team Python, Data Science Machine Learning A-Z Team

کمک به موفقیت در علم داده و یادگیری ماشین.