آموزش پایتون برای علم داده و یادگیری ماشین: صفر تا قهرمان

Python for Data Science & Machine Learning: Zero to Hero

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: کارشناسی ارشد علم داده و یادگیری ماشین در پایتون: Numpy، Pandas، Matplotlib، Scikit-Learn، یادگیری ماشین و موارد دیگر! آشنایی با پانداها، ابزاری برای تجزیه و تحلیل داده‌ها، تئوری رگرسیون خطی پایه و چندگانه را درک کنید مشکلات رگرسیون را به راحتی حل کنید منطق پشت درخت‌های تصمیم را کشف کنید با الگوریتم‌های مختلف خوشه‌بندی آشنا شوید پیش نیازها: توانایی انجام ریاضیات ساده بدون تجربه برنامه‌نویسی نیازی به هیچ دانش قبلی در علم داده، آمادگی، انعطاف و اشتیاق برای یادگیری نیست

این دوره آموزشی ماشینی، اصول اولیه نحوه استفاده شرکت‌هایی مانند گوگل، آمازون و حتی Udemy از یادگیری ماشین و هوش مصنوعی (AI) را برای جمع‌آوری معنا و بینش از مجموعه داده‌های عظیم به شما ارائه می‌دهد. Glassdoor و Indeed هر دو گزارش می دهند که میانگین حقوق یک دانشمند داده 120000 دلار است. این استاندارد است، نه استثنا.

دانشمندان در حال حاضر کاملاً مطلوب هستند. در بازار کار فشرده امروز، نگه داشتن آنها در کارمندان دشوار است. کمبود شدید افرادی که ترکیب نادری از آموزش علمی، تخصص رایانه و استعدادهای تحلیلی را دارند، وجود دارد.

دانشمندان داده امروزی با همان استانداردهای «کوانت»های وال استریت در دهه 80 و 90 نگهداری می شوند. زمانی که نیاز به الگوریتم‌ها و رویکردهای داده‌ای نوآورانه ایجاد شد، فیزیکدانان و ریاضیدانان به بانک‌های سرمایه‌گذاری و صندوق‌های تامینی هجوم آوردند.

بنابراین، جای تعجب نیست که علم داده به عنوان یک مسیر شغلی امیدوارکننده در روزگار مدرن به شهرت رسیده است. تمرکز آن تحلیلی است، توسط کد هدایت می شود و بر روی کامپیوتر انجام می شود. در نتیجه، این که تقاضا برای دانشمندان داده در چند سال گذشته به طور پیوسته در محل کار در حال رشد بوده است، نباید شوک باشد.

از سوی دیگر، در دسترس بودن کم بوده است. کسب آموزش و تجربه لازم برای استخدام به عنوان یک دانشمند داده کار دشواری است. و به همین دلیل است که ما این دوره را در وهله اول ساختیم!

هر مبحث به زبان انگلیسی ساده توضیح داده شده است، و این دوره تمام تلاش خود را می کند تا از نمادهای ریاضی و اصطلاحات تخصصی اجتناب کند. هنگامی که به کد منبع دسترسی پیدا کردید، می توانید آن را آزمایش کرده و آن را بهبود بخشید. یادگیری و بکارگیری این الگوریتم‌ها در دنیای واقعی، به‌جای یک محیط نظری یا دانشگاهی، تمرکز این دوره است.

هر ویدیو دیدگاه جدیدی را برای شما به ارمغان می‌آورد که می‌توانید فوراً آن را اجرا کنید!

اگر سابقه ای در زمینه آمار ندارید، اجازه ندهید که شما را از ثبت نام در این دوره باز دارد. ما پذیرای دانش آموزان همه سطوح هستیم.


سرفصل ها و درس ها

معرفی Introduction

  • به بوت کمپ Python for Data Science و ML خوش آمدید! Welcome to the Python for Data Science & ML bootcamp!

  • پایتون: مروری کوتاه Python: A Brief Overview

  • مراحل نصب پایتون The Python Installation Procedure

  • ژوپیتر چیست؟ What Jupyter is?

  • آناکوندا را در سیستم عامل های مختلف راه اندازی کنید Set up Anaconda on Different Operating Systems

  • چگونه پایتون را در Jupyter ادغام کنیم؟ How to integrate Python into Jupyter?

  • مدیریت دایرکتوری ها در نوت بوک Jupyter Handling Directories in Jupyter Notebook

  • ورودی خروجی Input & Output

  • کار با انواع داده های مختلف Working with different datatypes

  • متغیرها Variables

  • عملگرهای حسابی Arithmetic Operators

  • اپراتورهای مقایسه Comparison Operators

  • عملگرهای منطقی Logical Operators

  • اظهارات مشروط Conditional statements

  • حلقه ها Loops

  • دنباله ها قسمت 1: فهرست ها Sequences Part 1: Lists

  • دنباله ها قسمت 2: دیکشنری ها Sequences Part 2: Dictionaries

  • سکانس ها قسمت 3: تاپل ها Sequences Part 3: Tuples

  • توابع قسمت 1: توابع داخلی Functions Part 1: Built-in Functions

  • توابع قسمت 2: توابع تعریف شده توسط کاربر Functions Part 2: User-defined Functions

  • مواد درسی Course Materials

کتابخانه های علم داده پایتون که باید وجود داشته باشد The Must-Have Python Data Science Libraries

  • تکمیل راه اندازی کتابخانه Completing Library Setup

  • واردات کتابخانه Library Importing

  • پانداها: کتابخانه علم داده Pandas: A Data Science Library

  • NumPy: کتابخانه علم داده NumPy: A Data Science Library

  • NumPy در مقابل پانداها NumPy vs. Pandas

  • کتابخانه Matplotlib برای علوم داده Matplotlib Library for Data Science

  • کتابخانه Seaborn برای علوم داده Seaborn Library for Data Science

NumPy Mastery: هر آنچه که باید در مورد NumPy بدانید NumPy Mastery: Everything you need to know about NumPy

  • مقدمه ای بر آرایه های NumPy Intro to NumPy arrays

  • ایجاد آرایه های NumPy Creating NumPy arrays

  • نمایه سازی آرایه های NumPy Indexing NumPy arrays

  • شکل آرایه Array shape

  • تکرار بر روی آرایه های NumPy Iterating Over NumPy Arrays

  • آرایه های پایه NumPy: zeros() Basic NumPy arrays: zeros()

  • آرایه های پایه NumPy: ones() Basic NumPy arrays: ones()

  • آرایه های پایه NumPy: full() Basic NumPy arrays: full()

  • افزودن اسکالر Adding a scalar

  • تفریق یک اسکالر Subtracting a scalar

  • ضرب در یک اسکالر Multiplying by a scalar

  • تقسیم بر یک اسکالر Dividing by a scalar

  • بالا بردن به یک قدرت Raise to a power

  • جابجا شود Transpose

  • علاوه بر عنصر Element-wise addition

  • تفریق از نظر عنصر Element-wise subtraction

  • ضرب عنصری Element-wise multiplication

  • تقسیم عنصری Element-wise division

  • ضرب ماتریس Matrix multiplication

  • آمار Statistics

DataFrames و Series در Pandas پایتون DataFrames and Series in Python's Pandas

  • دیتا فریم پایتون پاندا چیست؟ What is a Python Pandas DataFrame?

  • سری پانداهای پایتون چیست؟ What is a Python Pandas Series?

  • DataFrame vs Series DataFrame vs Series

  • ایجاد یک DataFrame با استفاده از لیست ها Creating a DataFrame using lists

  • ایجاد DataFrame با استفاده از دیکشنری Creating a DataFrame using a dictionary

  • بارگیری داده های CSV در پایتون Loading CSV data into python

  • تغییر ستون شاخص Changing the Index Column

  • درجا Inplace

  • بررسی DataFrame: Head & Tail Examining the DataFrame: Head & Tail

  • خلاصه آماری DataFrame Statistical summary of the DataFrame

  • برش سطرها با استفاده از عملگرهای براکت Slicing rows using bracket operators

  • نمایه سازی ستون ها با استفاده از عملگرهای براکت Indexing columns using bracket operators

  • لیست بولی Boolean list

  • فیلتر کردن ردیف ها Filtering Rows

  • فیلتر کردن ردیف ها با استفاده از & و | اپراتورها Filtering rows using & and | operators

  • فیلتر کردن داده ها با استفاده از loc() Filtering data using loc()

  • فیلتر کردن داده ها با استفاده از iloc() Filtering data using iloc()

  • افزودن و حذف سطرها و ستون ها Adding and deleting rows and columns

  • مرتب سازی مقادیر Sorting Values

  • صادرات و ذخیره DataFrames پانداها Exporting and saving pandas DataFrames

  • الحاق DataFrames Concatenating DataFrames

  • دسته بندی بر اساس() groupby()

تکنیک های پاکسازی داده ها برای داده های بهتر Data Cleaning Techniques for Better Data

  • مقدمه ای بر پاکسازی داده ها Introduction to Data Cleaning

  • کیفیت داده ها Quality of Data

  • نمونه هایی از ناهنجاری ها Examples of Anomalies

  • تشخیص ناهنجاری مبتنی بر میانه Median-based Anomaly Detection

  • تشخیص ناهنجاری مبتنی بر میانگین Mean-based anomaly detection

  • تشخیص ناهنجاری مبتنی بر امتیاز Z Z-score-based Anomaly Detection

  • محدوده بین چارکی برای تشخیص ناهنجاری Interquartile Range for Anomaly Detection

  • مقابله با ارزش های گمشده Dealing with missing values

  • عبارات با قاعده Regular Expressions

  • مقیاس بندی ویژگی ها Feature Scaling

تجزیه و تحلیل داده های اکتشافی در پایتون Exploratory Data Analysis in Python

  • معرفی Introduction

  • تجزیه و تحلیل داده های اکتشافی چیست؟ What is Exploratory Data Analysis?

  • تحلیل تک متغیره Univariate Analysis

  • تحلیل تک متغیره: داده های پیوسته Univariate Analysis: Continuous Data

  • تجزیه و تحلیل تک متغیره: داده های طبقه ای Univariate Analysis: Categorical Data

  • تحلیل دو متغیره: پیوسته و پیوسته Bivariate analysis: Continuous & Continuous

  • تجزیه و تحلیل دو متغیره: طبقه بندی و طبقه بندی Bivariate analysis: Categorical & Categorical

  • تحلیل دو متغیره: پیوسته و مقوله ای Bivariate analysis: Continuous & Categorical

  • تشخیص نقاط پرت Detecting Outliers

  • تبدیل متغیر طبقه ای Categorical Variable Transformation

پایتون برای تجزیه و تحلیل سری های زمانی: یک آغازگر Python for Time-Series Analysis: A Primer

  • مقدمه ای بر سری زمانی Introduction to Time Series

  • دریافت اطلاعات سهام با استفاده از yfinance Getting stock data using yfinance

  • تبدیل یک مجموعه داده به سری زمانی Converting a Dataset into Time Series

  • کار با سری زمانی Working with Time Series

  • تجسم داده های سری زمانی با پایتون Time Series Data Visualization with Python

پایتون برای تجسم داده ها: منابع کتابخانه و نمودارهای نمونه Python for Data Visualization: Library Resources, and Sample Graphs

  • معرفی Introduction

  • راه اندازی Matplotlib Setting Up Matplotlib

  • رسم نمودارهای خط با استفاده از Matplotlib Plotting Line Plots using Matplotlib

  • عنوان، برچسب ها و افسانه Title, Labels & Legend

  • ترسیم هیستوگرام ها Plotting Histograms

  • ترسیم نمودارهای میله ای Plotting Bar Charts

  • ترسیم نمودارهای پای Plotting Pie Charts

  • ترسیم پلات های پراکنده Plotting Scatter Plots

  • توطئه های ورود به سیستم Plotting Log Plots

  • ترسیم توطئه های قطبی Plotting Polar Plots

  • رسیدگی به تاریخ ها Handling Dates

  • ایجاد چندین طرح فرعی در یک شکل Creating multiple subplots in one figure

مبانی یادگیری ماشینی The Basics of Machine Learning

  • چرا به یادگیری ماشین نیاز داریم؟ Why do we need machine learning?

  • موارد استفاده از یادگیری ماشین Machine Learning Use Cases

  • رویکردهای یادگیری ماشینی Approaches to Machine Learning

  • یادگیری تحت نظارت چیست؟ What is Supervised learning?

  • یادگیری بدون نظارت چیست؟ What is Unsupervised learning?

  • یادگیری تحت نظارت در مقابل یادگیری بدون نظارت Supervised learning vs Unsupervised learning

رگرسیون خطی ساده با پایتون Simple Linear Regression with Python

  • مقدمه ای بر رگرسیون Introduction to regression

  • رگرسیون خطی چگونه کار می کند؟ How Does Linear Regression Work?

  • نمایندگی خط Line representation

  • پیاده سازی در پایتون: وارد کردن کتابخانه ها و مجموعه داده ها Implementation in python: Importing libraries & datasets

  • پیاده سازی در پایتون: توزیع داده ها Implementation in python: Distribution of the data

  • پیاده سازی در پایتون: ایجاد یک شی رگرسیون خطی Implementation in python: Creating a linear regression object

رگرسیون خطی چندگانه با پایتون Multiple Linear Regression with Python

  • درک رگرسیون خطی چندگانه Understanding Multiple linear regression

  • کاوش مجموعه داده Exploring the dataset

  • رمزگذاری داده های طبقه بندی شده Encoding Categorical Data

  • تقسیم داده ها به مجموعه های قطار و تست Splitting data into Train and Test Sets

  • آموزش مدل روی مجموعه آموزشی Training the model on the Training set

  • پیش بینی نتایج مجموعه تست Predicting the Test Set results

  • ارزیابی عملکرد مدل رگرسیون Evaluating the performance of the regression model

  • ریشه میانگین مربعات خطا در پایتون Root Mean Squared Error in Python

الگوریتم‌های طبقه‌بندی: K-نزدیک‌ترین همسایه‌ها Classification Algorithms: K-Nearest Neighbors

  • مقدمه ای بر طبقه بندی Introduction to classification

  • الگوریتم K-Nearest Neighbors K-Nearest Neighbors algorithm

  • نمونه ای از KNN Example of KNN

  • K-نزدیکترین همسایگان (KNN) با استفاده از پایتون K-Nearest Neighbours (KNN) using python

  • واردات کتابخانه های مورد نیاز Importing required libraries

  • وارد کردن مجموعه داده Importing the dataset

  • تقسیم داده ها به مجموعه های قطار و تست Splitting data into Train and Test Sets

  • مقیاس بندی ویژگی ها Feature Scaling

  • وارد کردن طبقه بندی کننده KNN Importing the KNN classifier

  • پیش‌بینی نتایج و ماتریس سردرگمی Results prediction & Confusion matrix

الگوریتم های طبقه بندی: درخت تصمیم Classification Algorithms: Decision Tree

  • مقدمه ای بر درختان تصمیم گیری Introduction to decision trees

  • آنتروپی چیست؟ What is Entropy?

  • کاوش مجموعه داده Exploring the dataset

  • ساختار درخت تصمیم Decision tree structure

  • وارد کردن کتابخانه ها و مجموعه داده ها Importing libraries & datasets

  • رمزگذاری داده های طبقه بندی شده Encoding Categorical Data

  • تقسیم داده ها به مجموعه های قطار و تست Splitting data into Train and Test Sets

  • پیش بینی و دقت نتایج Results Prediction & Accuracy

الگوریتم های طبقه بندی: رگرسیون لجستیک Classification Algorithms: Logistic regression

  • معرفی Introduction

  • مراحل پیاده سازی Implementation steps

  • وارد کردن کتابخانه ها و مجموعه داده ها Importing libraries & datasets

  • تقسیم داده ها به مجموعه های قطار و تست Splitting data into Train and Test Sets

  • پیش پردازش Pre-processing

  • آموزش مدل Training the model

  • پیش‌بینی نتایج و ماتریس سردرگمی Results prediction & Confusion matrix

  • رگرسیون لجستیک در مقابل رگرسیون خطی Logistic Regression vs Linear Regression

خوشه بندی Clustering

  • مقدمه ای بر خوشه بندی Introduction to clustering

  • موارد استفاده کنید Use cases

  • الگوریتم خوشه بندی K-Means K-Means Clustering Algorithm

  • روش آرنج Elbow method

  • مراحل روش آرنج Steps of the Elbow method

  • پیاده سازی در پایتون Implementation in python

  • خوشه بندی سلسله مراتبی Hierarchical clustering

  • خوشه بندی مبتنی بر چگالی Density-based clustering

  • پیاده سازی خوشه بندی k-means در پایتون Implementation of k-means clustering in python

  • وارد کردن مجموعه داده Importing the dataset

  • تجسم مجموعه داده Visualizing the dataset

  • تعریف طبقه بندی کننده Defining the classifier

  • تجسم سه بعدی خوشه ها 3D Visualization of the clusters

  • تجسم سه بعدی مقادیر پیش بینی شده 3D Visualization of the predicted values

  • تعداد خوشه های پیش بینی شده Number of predicted clusters

سیستم توصیه کننده Recommender System

  • معرفی Introduction

  • فیلتر مشارکتی در سیستم های توصیه کننده Collaborative Filtering in Recommender Systems

  • سیستم توصیه کننده مبتنی بر محتوا Content-based Recommender System

  • وارد کردن کتابخانه ها و مجموعه داده ها Importing libraries & datasets

  • ادغام مجموعه داده ها در یک دیتافریم Merging datasets into one dataframe

  • مرتب سازی بر اساس عنوان و رتبه Sorting by title and rating

  • هیستوگرام تعداد رتبه‌بندی‌ها را نشان می‌دهد Histogram showing number of ratings

  • توزیع فرکانس Frequency distribution

  • طرح مشترک رتبه‌بندی‌ها و تعداد رتبه‌بندی‌ها Jointplot of the ratings and number of ratings

  • پیش پردازش داده ها Data pre-processing

  • مرتب سازی فیلم های دارای بیشترین امتیاز Sorting the most-rated movies

  • گرفتن امتیاز برای دو فیلم Grabbing the ratings for two movies

  • همبستگی بین فیلم های دارای بیشترین امتیاز Correlation between the most-rated movies

  • مرتب سازی داده ها بر اساس همبستگی Sorting the data by correlation

  • فیلتر کردن فیلم ها Filtering out movies

  • مرتب سازی مقادیر Sorting values

  • تکرار این روند برای یک فیلم دیگر Repeating the process for another movie

نتیجه Conclusion

  • نتیجه Conclusion

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 پایتون برای علم داده و یادگیری ماشین: صفر تا قهرمان
جزییات دوره
6 hours
186
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
23,910
4.4 از 5
دارد
دارد
دارد
Meta Brains
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Meta Brains Meta Brains

بیایید با هم ابر جهان را کدنویسی و بسازیم! Meta Brains یک برند آموزشی حرفه ای است که توسط تیمی از توسعه دهندگان نرم افزار و متخصصان امور مالی که به امور مالی، کدنویسی و اکسل علاقه دارند، توسعه یافته است. ما تجارب حرفه‌ای و آموزشی را برای ایجاد برنامه‌های آموزشی در سطح جهانی که برای همه قابل دسترسی است، گرد هم می‌آوریم. در حال حاضر، ما بر انقلاب بزرگ بعدی در محاسبات متمرکز هستیم: متاورس. هدف نهایی ما این است که نسل بعدی استعدادها را آموزش دهیم تا بتوانیم با هم متاورز را کدنویسی و بسازیم!