لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ساده علوم داده: تحلیل عملی با ابزار بدون کد KNIME از Pearson
- آخرین آپدیت
دانلود Data Science Made Easy: Hands-On Analytics with No-Code Software Tool KNIME by Pearson
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
مفاهیم بنیادی، روشها، الگوریتمها و کاربردهای علوم داده را کشف کنید. بهترین متدهای فعلی در این حوزه و نحوه اجرای آنها را با استفاده از ابزار بصری و بدون کد KNIME بیاموزید. در این دوره، دیدگاهی جامع درباره علوم داده، ابزارهای رایج، توسعه مدلهای یادگیری ماشین (ML) با KNIME و رابطه بین علوم داده، هوش مصنوعی و یادگیری ماشین به دست خواهید آورد. همچنین در طول مسیر، مهارتهای ضروری در تحلیل متن و متنکاوی را توسعه خواهید داد.
این دوره توسط Pearson تهیه شده است و ما مفتخریم که این آموزش را در کتابخانه خود میزبانی میکنیم.
سرفصل ها و درس ها
مقدمه
Introduction
علوم داده به زبان ساده: مقدمه
Data science made easy: Introduction
1. overview-علوم داده
1. Data Science Overview
فرآیند علوم داده
Data science process
روشها و الگوریتمهای علوم داده
Data science methods and algorithms
تکامل هوش مصنوعی و یادگیری ماشین
AI/ML evolution
تعاریف، اصطلاحات و طبقهبندی ساده
Definition, terminology, and a simple taxonomy
سرفصلها
Topics
1. ابزارهای علوم داده
1. Data Science Tools
دموی KNIME با مجموعه داده iris، بخش اول
KNIME demo with iris dataset, part 1
آشنایی با KNIME AP
Introduction to KNIME AP
نودها و افزونهها
Nodes and extensions
سرفصلها
Topics
بررسی ابزارهای موجود
Tool landscape
دموی KNIME با مجموعه داده iris، بخش دوم
KNIME demo with iris dataset, part 2
3. توسعه مدل یادگیری ماشین با KNIME
3. ML Model Development with KNIME
ورود و آمادهسازی دادهها، بخش دوم
Data ingestion and preparation, part 2
ارزیابی مقایسهای
Comparative assessment
ساخت و تست مدل یادگیری ماشین
ML model building and testing
ورود و آمادهسازی دادهها، بخش اول
Data ingestion and preparation, part 1
سرفصلها
Topics
4. بهترین متدهای علوم داده و هوش مصنوعی/ML
4. Best Practices in Data Science and AI/ML
سرفصلها
Topics
اعتبارسنجی متقاطع برای توازن میان بایاس و واریانس
Cross-validation for bias-variance trade-off
تجمعات مدل یا مدلهای Ensemble (با Bagging و Boosting)
Model ensembles (with bagging and boosting)
تفسیرپذیری مدل (XAI)
Model explainability (XAI)
متعادلسازی دادهها برای مشکل عدم توازن کلاسها
Data balancing for class imbalance problem
هدف پیرسون این است که به افراد کمک کند تا زندگی خود را از طریق یادگیری درک کنند، با این باور که هر فرصت یادگیری فرصتی برای پیشرفت شخصی است. کارکنان پیرسون متعهد به ایجاد تجربیات یادگیری پر جنب و جوش و غنی هستند که برای تأثیرگذاری در زندگی واقعی طراحی شده اند. آنها در نزدیک به 200 کشور با محتوای دیجیتال، ارزیابی ها، صلاحیت ها و داده ها به مشتریان خدمات ارائه می دهند.
نمایش نظرات