آموزش علم داده، تحلیل و هوش مصنوعی برای کسب و کار و دنیای واقعی™ - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• هیجان علم داده The Data Science Hype

• درباره مطالعات موردی ما About Our Case Studies

• چرا داده‌ها نفت جدید هستند Why Data is the new Oil

• تعریف مسائل تجاری برای تفکر تحلیلی و تصمیم‌گیری داده‌محور Defining Business Problems for Analytic Thinking & Data Driven Decision making

• ۱۰ پروژه علم داده که هر کسب‌وکاری باید انجام دهد! 10 Data Science Projects every Business should do!

• یادگیری عمیق چگونه همه چیز را تغییر می‌دهد How Deep Learning is Changing Everything

• مسیرهای شغلی دانشمند داده The Career paths of a Data Scientist

• رویکرد علم داده به مسائل The Data Science Approach to Problems

راه‌اندازی (Google Colab) و دانلود کد Setup (Google Colab) & Download Code

• دانلود و اجرای کد شما Downloading and Running Your Code

• راه‌اندازی Colab Colab Setup

مقدمه‌ای بر پایتون Introduction to Python

• چرا از پایتون برای علم داده استفاده کنیم؟ Why use Python for Data Science?

• مقدمه پایتون - بخش ۱ - متغیرها Python Introduction - Part 1 - Variables

• پایتون - متغیرها (لیست‌ها و دیکشنری‌ها) Python - Variables (Lists and Dictionaries)

• اطلاعات بیشتر درباره elif More information on elif

• پایتون - دستورات شرطی Python - Conditional Statements

• پایتون - حلقه‌ها Python - Loops

• پایتون - توابع Python - Functions

• پایتون - کلاس‌ها Python - Classes

Pandas Pandas

• مقدمه Pandas Pandas Introduction

• Pandas 1 - سری داده Pandas 1 - Data Series

• Pandas 2A - DataFrame ها - Index, Slice, Stats, یافتن سلول‌های خالی Pandas 2A - DataFrames - Index, Slice, Stats, Finding Empty cells

• Pandas 2B - DataFrame ها - Index, Slice, Stats, یافتن سلول‌های خالی و فیلتر کردن Pandas 2B - DataFrames - Index, Slice, Stats, Finding Empty cells & Filtering

• Pandas 3A - پاکسازی داده - تغییر ستون‌ها/ردیف‌ها، داده‌های گمشده و عملیات رشته‌ای Pandas 3A - Data Cleaning - Alter Colomns/Rows, Missing Data & String Operations

• Pandas 3B - پاکسازی داده - تغییر ستون‌ها/ردیف‌ها، داده‌های گمشده و عملیات رشته‌ای Pandas 3B - Data Cleaning - Alter Colomns/Rows, Missing Data & String Operations

• Pandas 4 - تجمیع داده - GroupBy, Map, Pivot, توابع تجمیعی Pandas 4 - Data Aggregation - GroupBy, Map, Pivot, Aggreate Functions

• Pandas 5 - مهندسی ویژگی، Lambda و Apply Pandas 5 - Feature Engineer, Lambda and Apply

• Pandas 6 - الحاق، ادغام و اتصال Pandas 6 - Concatenating, Merging and Joinining

• Pandas 7 - داده‌های سری زمانی Pandas 7 - Time Series Data

• Pandas 8 - عملیات پیشرفته - Iterows, Vectorization و Numpy Pandas 8 - ADVANCED Operations - Iterows, Vectorization and Numpy

• Pandas 9 - عملیات پیشرفته - Map, Filter, Apply Pandas 9 - ADVANCED Operations - Map, Filter, Apply

• Pandas 10 - عملیات پیشرفته - پردازش موازی Pandas 10 - ADVANCED Operations - Parallel Processing

• نمودارهای نقشه با Plotly - نقشه‌های رنگی از ابتدا - آمریکا و جهان Map Visualizations with Plotly - Cloropeths from Scratch - USA and World

• نمودارهای نقشه با Plotly - نقشه‌های حرارتی، نمودارهای پراکندگی و خطی Map Visualizations with Plotly - Heatmaps, Scatter Plots and Lines

آمار و مصورسازی Statistics & Visualizations

• مقدمه‌ای بر آمار Introduction to Statistics

• آمار توصیفی - چرا دانش آماری بسیار مهم است Descriptive Statistics - Why Statistical Knowledge is so Important

• آمار توصیفی ۱ - تحلیل اکتشافی داده (EDA) و مصورسازی Descriptive Statistics 1 - Exploratory Data Analysis (EDA) & Visualizations

• آمار توصیفی ۲ - تحلیل اکتشافی داده (EDA) و مصورسازی Descriptive Statistics 2 - Exploratory Data Analysis (EDA) & Visualizations

• نمونه‌گیری، میانگین‌ها و واریانس و چگونه با آمار دروغ بگوییم و گمراه کنیم Sampling, Averages & Variance And How to lie and Mislead with Statistics

• نمونه‌گیری - اندازه‌های نمونه و فواصل اطمینان - به چه چیزی می‌توانید اعتماد کنید؟ Sampling - Sample Sizes & Confidence Intervals - What Can You Trust?

• انواع متغیرها - کمی و کیفی Types of Variables - Quantitive and Qualitative

• توزیع‌های فراوانی Frequency Distributions

• شکل‌های توزیع فراوانی Frequency Distributions Shapes

• تحلیل توزیع‌های فراوانی - بهترین نوع شراب چیست؟ قرمز یا سفید؟ Analyzing Frequency Distributions - What is the Best Type of WIne? Red or White?

• میانگین، نما و میانه - آنطور که فکر می‌کنید ساده نیستند Mean, Mode and Median - Not as Simple As You'd Think

• واریانس، انحراف معیار و تصحیح بسل Variance, Standard Deviation and Bessel’s Correction

• کوواریانس و همبستگی - آیا آمازون و گوگل شما را بهتر از هر کسی می‌شناسند؟ Covariance & Correlation - Do Amazon & Google know you better than anyone else?

• دروغ با همبستگی‌ها – نرخ طلاق در مین که ناشی از مصرف مارگارین است Lying with Correlations – Divorce Rates in Maine caused by Margarine Consumption

• توزیع نرمال و قضیه حد مرکزی The Normal Distribution & the Central Limit Theorem

• نمرات Z Z-Scores

نظریه احتمال Probability Theory

• مقدمه‌ای بر احتمال Introduction to Probability

• تخمین احتمال Estimating Probability

• قانون جمع Addition Rule

• قضیه بیز Bayes Theorem

آزمون فرضیه Hypothesis Testing

• مقدمه‌ای بر آزمون فرضیه Introduction to Hypothesis Testing

• اهمیت آماری Statistical Significance

• آزمون فرضیه – مقدار P Hypothesis Testing – P Value

• آزمون فرضیه – همبستگی پیرسون Hypothesis Testing – Pearson Correlation

آزمون A/B - یک مثال کاربردی A/B Testing - A Worked Example

• درک مسئله + تحلیل اکتشافی داده و مصورسازی Understanding the Problem + Exploratory Data Analysis and Visualizations

• تحلیل نتایج آزمون A/B A/B Test Result Analysis

• آزمون A/B یک مثال واقعی کاربردی - طراحی آزمون A/B A/B Testing a Worked Real Life Example - Designing an A/B Test

• توان آماری و اهمیت Statistical Power and Significance

• تحلیل نتایج آزمون A/B Analysis of A/B Test Resutls

داشبوردهای داده - Google Data Studio Data Dashboards - Google Data Studio

• مقدمه Google Data Studio Intro to Google Data Studio

• باز کردن Google Data Studio و آپلود داده‌ها Opening Google Data Studio and Uploading Data

• اولین داشبورد شما قسمت ۱ Your First Dashboard Part 1

• اولین داشبورد شما قسمت ۲ Your First Dashboard Part 2

• ایجاد فیلدهای جدید Creating New Fields

• افزودن فیلتر به جداول Adding Filters to Tables

• مصورسازی KPIهای کارت امتیازی Scorecard KPI Visalizations

• کارت‌های امتیازی با مقایسه زمانی Scorecards with Time Comparison

• نمودارهای میله‌ای (افقی، عمودی و پشته‌ای) Bar Charts (Horizontal, Vertical & Stacked)

• نمودارهای خطی Line Charts

• نمودارهای دایره‌ای، دونات و درخت نقشه Pie Charts, Donut Charts and Tree Maps

• نمودارهای سری زمانی و مقایسه‌ای سری زمانی Time Series and Comparitive Time Series Plots

• نمودارهای پراکندگی Scatter Plots

• نمودارهای جغرافیایی Geographic Plots

• نمودارهای خطی و منطقه‌ای Bullet and Line Area Plots

• اشتراک‌گذاری و نتیجه‌گیری نهایی Sharing and Final Conclusions

• داشبورد فروش اجرایی ما Our Executive Sales Dashboard

یادگیری ماشین Machine Learning

• مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

• چگونه یادگیری ماشین به کامپیوترها امکان یادگیری می‌دهد How Machine Learning enables Computers to Learn

• مدل یادگیری ماشین چیست؟ What is a Machine Learning Model?

• انواع یادگیری ماشین Types of Machine Learning

• رگرسیون خطی – مقدمه‌ای بر توابع هزینه و نزول گرادیان Linear Regression – Introduction to Cost Functions and Gradient Descent

• رگرسیون خطی در پایتون از ابتدا و با استفاده از Sklearn Linear Regressions in Python from Scratch and using Sklearn

• رگرسیون خطی چندمتغیره و چندجمله‌ای Polynomial and Multivariate Linear Regression

• رگرسیون لجستیک Logistic Regression

• ماشین‌های بردار پشتیبان (SVMs) Support Vector Machines (SVMs)

• درختان تصمیم و جنگل‌های تصادفی و شاخص جینی Decision Trees and Random Forests & the Gini Index

• K-نزدیکترین همسایه (KNN) K-Nearest Neighbors (KNN)

• ارزیابی عملکرد – ماتریس سردرگمی، دقت و بازیابی Assessing Performance – Confusion Matrix, Precision and Recall

• درک منحنی ROC و AUC Understanding the ROC and AUC Curve

• چه چیزی یک مدل خوب را می‌سازد؟ تنظیم، بیش‌برازش، تعمیم و نقاط پرت What Makes a Good Model? Regularization, Overfitting, Generalization & Outliers

• مقدمه‌ای بر شبکه‌های عصبی Introduction to Neural Networks

• انواع الگوریتم‌های یادگیری عمیق CNNs، RNNs و LSTMs Types of Deep Learning Algoritms CNNs, RNNs & LSTMs

یادگیری عمیق Deep Learning

• مرور فصل شبکه‌های عصبی Neural Networks Chapter Overview

• مرور یادگیری ماشین Machine Learning Overview

• شبکه‌های عصبی توضیح داده شده Neural Networks Explained

• انتشار رو به جلو Forward Propagation

• توابع فعال‌سازی Activation Functions

• آموزش بخش ۱ – توابع زیان Training Part 1 – Loss Functions

• آموزش بخش ۲ – پس‌انتشار و نزول گرادیان Training Part 2 – Backpropagation and Gradient Descent

• پس‌انتشار و نرخ یادگیری – یک مثال کاربردی Backpropagation & Learning Rates – A Worked Example

• تنظیم، بیش‌برازش، تعمیم و مجموعه داده‌های آزمون Regularization, Overfitting, Generalization and Test Datasets

• دوره‌ها، تکرارها و اندازه‌های دسته‌ای Epochs, Iterations and Batch Sizes

• اندازه‌گیری عملکرد و ماتریس سردرگمی Measuring Performance and the Confusion Matrix

• بازبینی و بهترین شیوه‌ها Review and Best Practices

یادگیری بدون نظارت - خوشه‌بندی Unsupervised Learning - Clustering

• مقدمه‌ای بر یادگیری بدون نظارت Introduction to Unsupervised Learning

• خوشه‌بندی K-Means K-Means Clustering

• انتخاب K Choosing K

• Kmeans - روش آرنج و سیلوئت Kmeans - Elbow and Silhoutte Method

• خوشه‌بندی سلسله مراتبی تجمعی Agglomerative Hierarchical Clustering

• خوشه‌بندی Mean Shift Mean Shift Clustering

• DBSCAN (خوشه‌بندی مکانی مبتنی بر چگالی با نویز) DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

• DBSCAN در پایتون DBSCAN in Python

• خوشه‌بندی Expectation–Maximization (EM) با استفاده از مدل‌های مخلوط گاوسی (GMM) Expectation–Maximization (EM) Clustering using Gaussian Mixture Models (GMM)

کاهش ابعاد Dimensionality Reduction

• تحلیل مولفه‌های اصلی Principal Component Analysis

• t-Distributed Stochastic Neighbor Embedding (t-SNE) t-Distributed Stochastic Neighbor Embedding (t-SNE)

• PCA و t-SNE در پایتون با مقایسه‌های مصورسازی PCA & t-SNE in Python with Visualization Comparisons

سیستم‌های توصیه‌گر Recommendation Systems

• مقدمه‌ای بر موتورهای توصیه‌گر Introduction to Recommendation Engines

• قبل از توصیه کردن، چگونه اقلام را رتبه‌بندی یا بررسی می‌کنیم؟ Before recommending, how do we rate or review Items?

• فیلترینگ مشارکتی کاربر و فیلترینگ مبتنی بر اقلام/محتوا User Collaborative Filtering and Item/Content-based Filtering

• جایزه نتفلیکس و تجزیه ماتریس و یادگیری عمیق به عنوان عامل پنهان The Netflix Prize and Matrix Factorization and Deep Learning as Latent-Factor Me

پردازش زبان طبیعی Natural Language Processing

• مقدمه‌ای بر پردازش زبان طبیعی Introduction to Natural Language Processing

• مدل‌سازی زبان – مدل Bag of Words Modeling Language – The Bag of Words Model

• نرمال‌سازی، حذف کلمات توقف، لماتیزه کردن/ریشه‌یابی Normalization, Stop Word Removal, Lemmatizing/Stemming

• TF-IDF Vectorizer (فرکانس ترم – فرکانس معکوس سند) TF-IDF Vectorizer (Term Frequency — Inverse Document Frequency)

• Word2Vec - تخمین کارآمد نمایش کلمات در فضای برداری Word2Vec - Efficient Estimation of Word Representations in Vector Space

داده‌های بزرگ Big Data

• مقدمه‌ای بر داده‌های بزرگ Introduction to Big Data

• چالش‌ها در داده‌های بزرگ Challenges in Big Data

• Hadoop, MapReduce و Spark Hadoop, MapReduce and Spark

• مقدمه‌ای بر PySpark Introduction to PySpark

• RDDها، تبدیل‌ها، عملیات، نمودارهای تبار و وظایف RDDs, Transformations, Actions, Lineage Graphs & Jobs

پیش‌بینی انتخابات ۲۰۲۰ ایالات متحده Predicting the US 2020 Election

• درک داده‌های نظرسنجی Understanding Polling Data

• پاکسازی و کاوش مجموعه داده ما Cleaning & Exploring our Dataset

• دستکاری داده‌های ما Data Wrangling our Dataset

• درک سیستم انتخاباتی ایالات متحده Understanding the US Electoral System

• مصورسازی داده‌های نظرسنجی ما Visualizing our Polling Data

• تحلیل آماری داده‌های نظرسنجی Statistical Analysis of Polling Data

• شبیه‌سازی‌های نظرسنجی Polling Simulations

• تحلیل نتایج شبیه‌سازی نظرسنجی Polling Simulation Result Analysis

• مصورسازی نتایج ما بر روی نقشه ایالات متحده Visualizing our results on a US Map

پیش‌بینی موارد دیابت Predicting Diabetes Cases

• درک و آماده‌سازی داده‌های بهداشتی ما Understanding and Preparing Our Healthcare Data

• اولین تلاش - امتحان یک مدل ساده First Attempt - Trying a Naive Model

• آزمایش مدل‌های مختلف و مقایسه نتایج Trying Different Models and Comparing the Results

تحلیل سبد خرید Market Basket Analysis

• درک مجموعه داده ما Understanding our Dataset

• آماده‌سازی داده Data Preparation

• مصورسازی مجموعه‌های پرتکرار ما Visualizing Our Frequent Sets

پیش‌بینی قهرمان جام جهانی (فوتبال) Predicting the World Cup Winner (Soccer/Football)

• درک و آماده‌سازی مجموعه داده‌های فوتبال ما Understanding and Preparing Our Soccer Datasets

• درک و آماده‌سازی مجموعه داده‌های فوتبال ما Understanding and Preparing Our Soccer Datasets

• پیش‌بینی نتایج بازی با مدل ما Predicting Game Outcomes with our Model

• شبیه‌سازی نتیجه جام جهانی با مدل ما Simulating the World Cup Outcome with Our Model

تحلیل داده‌های Covid-19 و مصورسازی نمودار میله‌ای رقابتی Flourish Covid-19 Data Analysis and Flourish Bar Chart Race Visualization

• درک داده‌های Covid-19 ما Understanding Our Covid-19 Data

• تحلیل آخرین داده‌ها Analysis of the most Recent Data

• مصورسازی‌های جهانی World Visualizations

• تحلیل موارد تایید شده در هر کشور Analyzing Confirmed Cases in each Country

• نقشه‌برداری موارد Covid-19 Mapping Covid-19 Cases

• انیمیشن‌سازی نقشه‌های ما Animating our Maps

• مقایسه کشورها و قاره‌ها Comparing Countries and Continents

• نمودار میله‌ای رقابتی Flourish - ۱ Flourish Bar Chart Race - 1

• نمودار میله‌ای رقابتی Flourish - ۲ Flourish Bar Chart Race - 2

تحلیل برندگان المپیک Analyzing Olmypic Winners

• درک مجموعه داده‌های المپیک ما Understanding our Olympic Datasets

• دریافت مدال‌ها به ازای هر کشور Getting The Medals Per Country

• تحلیل داده‌های المپیک زمستانی و مشاهده مدال‌های کسب شده در طول زمان Analyzing the Winter Olympic Data and Viewing Medals Won Over Time

آیا مزیت خانگی در فوتبال و بسکتبال واقعی است؟ Is Home Advantage Real in Soccer and Basketball?

• درک مجموعه داده ما و EDA Understanding Our Dataset and EDA

• نسبت اختلاف گل در خانه در مقابل خارج از خانه Goal Difference Ratios Home versus Away

• چگونه مزیت خانگی در طول زمان تکامل یافته است How Home Advantage Has Evolved Over. Time

تحلیل داده‌های IPL Cricket IPL Cricket Data Analysis

• بارگیری و درک مجموعه داده‌های کریکت ما Loading and Understanding our Cricket Datasets

• تحلیل مرد سال مسابقه و استادیوم Man of Match and Stadium Analysis

• آیا برندگان قرعه بیشتر برنده می‌شوند؟ و مقایسه تیم به تیم Do Toss Winners Win More? And Team vs Team Comparisons

سرویس‌های پخش (Netflix، Hulu، Disney Plus و Amazon Prime) - تحلیل فیلم Streaming Services (Netflix, Hulu, Disney Plus and Amazon Prime) - Movie Analysi

• درک مجموعه داده ما Understanding our Dataset

• EDA و مصورسازی‌ها EDA and Visualizations

• بهترین فیلم‌ها بر اساس ژانر و مقایسه پلتفرم‌ها Best Movies Per Genre Platform Comparisons

تحلیل داده‌های میکرو آبجوسازی و میخانه Micro Brewery and Pub Data Analysis

• EDA، مصورسازی‌ها و نقشه EDA, Visualizations and Map

تحلیل داده‌های رستوران پیتزا Pizza Resturant Data Analysis

• EDA و مصورسازی‌ها EDA and Visualizations

• تحلیل بر اساس ایالت Analysis Per State

• نقشه‌های پیتزا Pizza Maps

تحلیل داده‌های زنجیره تامین Supply Chain Data Analysis

• درک مجموعه داده ما Understanding our Dataset

• مصورسازی‌ها و EDA Visualizations and EDA

• مصورسازی‌های بیشتر More Visualizations

تحلیل نتایج انتخابات هند Indian Election Result Analysis

• مقدمه Intro

• مصورسازی نتایج انتخابات Visualizations of Election Results

• مصورسازی مشارکت جنسیتی Visualizing Gender Turnout

تحلیل داده‌های بحران اقتصادی آفریقا Africa Economic Crisis Data Analysis

• درک مجموعه داده اقتصادی Economic Dataset Understanding

• مصورسازی‌ها و همبستگی‌ها Visualizations and Correlations

پیش‌بینی اینکه کدام کارمندان ممکن است ترک کنند Predicting Which Employees May Quit

• فهمیدن اینکه کدام کارمندان ممکن است ترک کنند – درک مسئله و EDA Figuring Out Which Employees May Quit –Understanding the Problem & EDA

• پاکسازی و آماده‌سازی داده‌ها Data Cleaning and Preparation

• مدل‌سازی یادگیری ماشین + یادگیری عمیق Machine Learning Modeling + Deep Learning

فهمیدن اینکه کدام مشتریان ممکن است کنار بروند Figuring Out Which Customers May Leave

• درک مسئله Understanding the Problem

• تحلیل اکتشافی داده و مصورسازی‌ها Exploratory Data Analysis & Visualizations

• پیش‌پردازش داده Data Preprocessing

• مدل‌سازی یادگیری ماشین + یادگیری عمیق Machine Learning Modeling + Deep Learning

برای کمک‌های مالی به چه کسانی هدف قرار دهیم؟ Who to Target For Donations?

• درک مسئله Understanding the Problem

• تحلیل اکتشافی داده و مصورسازی‌ها Exploratory Data Analysis & Visualizations

• آماده‌سازی مجموعه داده ما برای یادگیری ماشین Preparing our Dataset for Machine Learning

• مدل‌سازی با استفاده از جستجوی شبکه‌ای برای یافتن بهترین پارامترها Modeling using Grid Search for finding the best parameters

پیش‌بینی حق بیمه Predicting Insurance Premiums

• درک مسئله + تحلیل اکتشافی داده و مصورسازی‌ها Understanding the Problem + Exploratory Data Analysis and Visualizations

• آماده‌سازی داده و مدل‌سازی یادگیری ماشین Data Preparation and Machine Learning Modeling

پیش‌بینی قیمت‌های Airbnb Predicting Airbnb Prices

• درک مسئله + تحلیل اکتشافی داده و مصورسازی‌ها Understanding the Problem + Exploratory Data Analysis and Visualizations

• مدل‌سازی یادگیری ماشین Machine Learning Modeling

• استفاده از مدل ما برای تخمین ارزش برای مشتریان جدید Using our Model for Value Estimation for New Clients

شناسایی کلاهبرداری کارت اعتباری Detecting Credit Card Fraud

• درک مجموعه داده ما Understanding our Dataset

• تحلیل اکتشافی Exploratory Analysis

• استخراج ویژگی Feature Extraction

• ایجاد و اعتبارسنجی مدل ما Creating and Validating Our Model

تحلیل نرخ تبدیل در کمپین‌های بازاریابی Analyzing Conversion Rates in Marketing Campaigns

• تحلیل اکتشافی درک نرخ تبدیل بازاریابی Exploratory Analysis of Understanding Marketing Conversion Rates

پیش‌بینی تعامل تبلیغاتی Predicting Advertising Engagement

• درک مسئله + تحلیل اکتشافی داده و مصورسازی‌ها Understanding the Problem + Exploratory Data Analysis and Visualizations

• آماده‌سازی داده و مدل‌سازی یادگیری ماشین Data Preparation and Machine Learning Modeling

تحلیل فروش محصول Product Sales Analysis

• مسئله و برنامه حمله Problem and Plan of Attack

• تحلیل فروش و درآمد Sales and Revenue Analysis

• تحلیل بر اساس کشور، مشتریان تکراری و اقلام Analysis per Country, Repeat Customers and Items

تعیین با ارزش‌ترین مشتریان شما Determing Your Most Valuable Customers

• درک مسئله + تحلیل اکتشافی داده و مصورسازی‌ها Understanding the Problem + Exploratory Data Analysis and Visualizations

• مدل‌سازی ارزش طول عمر مشتری Customer Lifetime Value Modeling

خوشه‌بندی مشتری (K-means، سلسله مراتبی) - قطار مسافران Customer Clustering (K-means, Hierarchial) - Train Passenger

• کاوش و توصیف داده Data Exploration & Description

• تحلیل اکتشافی ساده داده و مصورسازی‌ها Simple Exploratory Data Analysis and Visualizations

• مهندسی ویژگی Feature Engineering

• خوشه‌بندی K-Means داده‌های مشتری K-Means Clustering of Customer Data

• تحلیل خوشه‌ها Cluster Analysis

ساخت سیستم توصیه‌گر محصول Build a Product Recommendation System

• توصیف مجموعه داده و پاکسازی داده Dataset Description and Data Cleaning

• ساخت ماتریس مشتری-قلم Making a Customer-Item Matrix

• ماتریس کاربر-کاربر - دریافت اقلام توصیه‌شده User-User Matrix - Getting Recommended Items

• فیلترینگ مشارکتی قلم-قلم - یافتن شبیه‌ترین اقلام Item-Item Collaborative Filtering - Finding the Most Similar Items

سیستم توصیه‌گر فیلم - LiteFM Movie Recommendation System - LiteFM

• مقدمه Intro

سیستم توصیه‌گر یادگیری عمیق Deep Learning Recommendation System

• درک مجموعه داده فیلم ویکی‌پدیا ما Understanding Our Wikipedia Movie Dataset

• ایجاد مجموعه داده ما Creating Our Dataset

• تعبیه‌های یادگیری عمیق و آموزش Deep Learning Embeddings and Training

• دریافت توصیه‌ها بر اساس شباهت فیلم Getting Recommendations based on Movie Similarity

پیش‌بینی قیمت نفت برنت Predicting Brent Oil Prices

• درک مجموعه داده ما و ماهیت سری زمانی آن Understanding our Dataset and it's Time Series Nature

• ایجاد مدل پیش‌بینی ما Creating our Prediction Model

• انجام پیش‌بینی‌های آینده Making Future Predictions

معامله سهام با استفاده از یادگیری تقویتی Stock Trading using Reinforcement Learning

• مقدمه‌ای بر یادگیری تقویتی Introduction to Reinforcement Learning

• استفاده از Q-Learning و یادگیری تقویتی برای ساخت ربات معامله‌گر Using Q-Learning and Reinforcement Learning to Build a Trading Bot

پیش‌بینی فروش/تقاضا Sales/Demand Forecasting

• مسئله و برنامه حمله Problem and Plan of Attack

شناسایی احساسات در توییت‌ها Detecting Sentiment in Tweets

• درک مجموعه داده ما و ابر کلمات Understanding our Dataset and Word Clouds

• مصورسازی‌ها و استخراج ویژگی Visualizations and Feature Extraction

• آموزش مدل ما Training our Model

شناسایی هرزنامه یا ایمیل عادی Spam or Ham Detection

• بارگیری و درک مجموعه داده اسپم/عادی ما Loading and Understanding our Spam/Ham Dataset

• آموزش آشکارساز هرزنامه ما Training our Spam Detector

کاوش داده با PySpark و پیش‌بینی بقای تایتانیک Explore Data with PySpark and Titanic Surival Prediction

• تحلیل اکتشافی مجموعه داده تایتانیک ما Exploratory Analysis of our Titantic Dataset

• عملیات تبدیل Transformation Operations

• یادگیری ماشین با PySpark Machine Learning with PySpark

طبقه‌بندی عناوین روزنامه‌ها با استفاده از PySpark Newspaper Headline Classification using PySpark

• بارگیری و درک مجموعه داده ما Loading and Understanding our Dataset

• ساخت مدل ما با PySpark Building our Model with PySpark

استقرار در تولید Deployment into Production

• مقدمه‌ای بر سیستم‌های استقرار در تولید Introduction to Production Deployment Systems

• ایجاد مدل Creating the Model

• مقدمه‌ای بر Flask Introduction to Flask

• درباره WebApp ما About our WebApp

• استقرار WebApp ما در Heroku Deploying our WebApp on Heroku