لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش Python for Data Science and Machine Learning Essential Training قسمت 1
Python for Data Science and Machine Learning Essential Training Part 1
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
Python for Data Science and Machine Learning Essential Training یکی از محبوب ترین دوره های علوم داده در LinkedIn Learning است. اکنون به روز شده و به دو قسمت گسترش یافته است و تجربه عملی و واقعی تری از پایتون به شما می دهد. در بخش اول، مربی لیلیان پیرسون شما را گام به گام از طریق یک پروژه علم داده و یادگیری ماشین راهنمایی می کند: یک اسکراپر وب که داده ها را از وب دانلود و تجزیه و تحلیل می کند. در طول راه، او تکنیک هایی را برای پاکسازی، قالب بندی مجدد، تبدیل و توصیف داده های خام معرفی می کند. ایجاد تجسم؛ حذف نقاط پرت؛ انجام تجزیه و تحلیل ساده داده ها؛ و نمودارهای مبتنی بر وب را با استفاده از Streamlit تولید کنید. در پایان این دوره، شما تجربه اولیه کدنویسی را کسب خواهید کرد که می توانید آن را در سازمان خود ببرید و به سرعت در پروژه های علم داده سفارشی و یادگیری ماشین خود اعمال کنید.
این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با استفاده از GitHub Codespaces، میتوانید در هر زمان و در هر زمانی از ابزاری استفاده کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، ویدیوی "استفاده از فضاهای کد GitHub با این دوره" را بررسی کنید.
سرفصل ها و درس ها
معرفی
Introduction
هک های زندگی علم داده
Data science life hacks
آنچه شما باید بدانید
What you should know
نحوه استفاده از Codespace در این دوره
How to use Codespaces with this course
1. مقدمه ای بر حرفه های داده
1. Introduction to the Data Professions
مشاغل علم داده: شناسایی مکان و چگونگی پیشرفت
Data science careers: Identifying where and how you'll thrive
نقشه راه دوره سطح بالا
High-level course road map
چرا باید از پایتون برای تجزیه و تحلیل استفاده کرد؟
Why to use Python for analytics
مقدمه ای بر حرفه های داده
Introduction to the data professions
2. مبانی آماده سازی داده ها
2. Data Preparation Basics
الحاق و دگرگونی
Concatenating and transforming
مقدمه ای بر آماده سازی داده ها
Intro to data preparation
فیلتر کردن و انتخاب
Filtering and selecting
گروه بندی و تجمیع
Grouping and aggregation
حذف موارد تکراری
Removing duplicates
مبانی ناپخت و پانداها
Numpy and pandas basics
درمان ارزش های گمشده
Treating missing values
3. تجسم داده ها 101
3. Data Visualization 101
سه نوع تجسم داده ها
The three types of data visualization
انتخاب گرافیک داده بهینه
Selecting optimal data graphics
اهمیت تجسم در علم داده
Importance of visualization in data science
ارتباط با رنگ و زمینه
Communicating with color and context
4. تجسم داده های عملی
4. Practical Data Visualization
آشنایی با کتابخانه های matplotlib و Seaborn
Introduction to the matplotlib and Seaborn libraries
ایجاد داده های گرافیکی استاندارد
Creating standard data graphics
قالب بندی طرح
Plot formatting
ایجاد گرافیک داده های آماری در Seaborn
Creating statistical data graphics in Seaborn
تجسم سری های زمانی
Visualizing time series
تعریف عناصر یک طرح
Defining elements of a plot
ایجاد برچسب و حاشیه نویسی
Creating labels and annotations
5. تجزیه و تحلیل داده های اکتشافی
5. Exploratory Data Analysis
تحلیل همبستگی پیرسون
Pearson correlation analysis
تجزیه و تحلیل ارزش افراطی برای نقاط پرت
Extreme value analysis for outliers
خلاصه کردن داده های طبقه بندی شده
Summarizing categorical data
حسابی ساده
Simple arithmetic
تجزیه و تحلیل چند متغیره برای نقاط پرت
Multivariate analysis for outliers
تولید آمار خلاصه
Generating summary statistics
همبستگی رتبه اسپیرمن و مجذور کای
Spearman rank correlation and Chi-square
6. شروع به یادگیری ماشین
6. Getting Started with Machine Learning
تبدیل توزیع های مجموعه داده ها
Transforming data set distributions
پاکسازی و درمان متغیرهای طبقه بندی شده
Cleaning and treating categorical variables
یادگیری ماشین کاربردی: مشکل شروع کننده
Applied machine learning: Starter problem
7. منبع یابی داده از طریق Web Scraping
7. Data Sourcing via Web Scraping
خراش دادن وب در عمل
Web scraping in practice
معرفی وب اسکرپینگ
Introduction of web scraping
شیء BeautifulSoup
BeautifulSoup object
خراش دادن ناهمزمان
Asynchronous scraping
تجزیه داده ها
Data parsing
اشیاء NavigableString
NavigableString objects
درخواست های پایتون برای جمع آوری خودکار داده ها
Python requests for automating data collection
8. تجزیه و تحلیل مشترک با Streamlit
8. Collaborative Analytics with Streamlit
مقدمه ای بر Streamlit
Introduction to Streamlit
ایجاد نمودارهای آماری
Create statistical charts
نمودار میله ای و نمودار دایره ای در Streamlit
Bar charts and pie charts in Streamlit
نمودارهای اساسی ایجاد کنید
Create basic charts
راه اندازی محیط
Environment setup
نمودارهای خطی در Streamlit
Line charts in Streamlit
لیلیان پیرسون ، P.E. یک متخصص برجسته در زمینه داده های بزرگ و علوم داده است.
او متخصصان و دانشجویان شاغل را به مهارتهای داده مورد نیاز برای رقابت در اقتصاد مبتنی بر داده محور تجهیز می کند.
لیلیان اخیراً به عنوان مربی علوم داده برای چندین دوره در زمینه آموزش LinkedIn یاد شده است. او همچنین نویسنده چندین کتاب فنی بسیار مرجع توسط انتشارات جان ویلی و پسران ، از جمله شرکت Data Science for Dummies (2017 ، 2015) است و دهه گذشته را در آموزش و مشاوره برای سازمانهای بزرگ فنی در بخش خصوصی گذرانده است. بخش هایی مانند IBM ، BMC ، دل و اینتل و همچنین سازمان های دولتی از نیروی دریایی ایالات متحده تا سطح دولت محلی.
به عنوان بنیانگذار Data-Mania LLC ، لیلیان دوره های آموزشی آنلاین و حضوری و همچنین کارگاه ها و سایر مواد آموزشی را در زمینه داده های بزرگ ، علوم داده و تجزیه و تحلیل داده ها ارائه می دهد.
نمایش نظرات