آموزش تسلط بر علم داده: پروژه های مصاحبه با داده 10 در 1 خودنمایی می کنند

سرفصل ها و درس ها

معرفی Introduction

• معرفی Introduction

پروژه 1: تجزیه و تحلیل داده های اکتشافی. Project 1: Exploratory Data Analysis.

• 1. کاوش بصری داده های فروشگاه App Google. 1. Visual Exploring of Google App Store Data.

• 2. پاکسازی داده ها و پیش پردازش داده های Google App Store. 2. Data Cleaning and Preprocessing of Google App Store Data.

• 3. تکنیک های تجسم داده ها. 3. Data Visualization Techniques.

• 4. تجزیه و تحلیل آماری و آزمون فرضیه. 4. Statistical Analysis and Hypothesis Testing.

• 5. داستان سرایی داده. 5. Data Storytelling.

• 6. نتیجه گیری. 6. Conclusion.

• اولین تکلیف برای پروژه 1: Google App Store Data EDA. The First Assignment for Project 1: Google App Store Data EDA.

پروژه 2: تحلیل احساسات. Project 2: Sentiment Analysis.

• 1. مقدمه ای بر تجزیه و تحلیل احساسات و NLP. 1. Introduction to Sentiment Analysis & NLP.

• 2. پیش پردازش متن برای تجزیه و تحلیل احساسات. 2. Text Preprocessing for Sentiment Analysis.

• 3. استخراج ویژگی برای تجزیه و تحلیل احساسات. 3. Feature Extraction for Sentiment Analysis.

• 4. ساخت مدل های تحلیل احساسات. 4. Building Sentiment Analysis Models.

• 5. ارزیابی مدل های تحلیل احساسات. 5. Evaluation of Sentiment Analysis Models.

پروژه 3: مدل سازی پیش بینی. Project 3: Predictive Modeling.

• 1. مقدمه ای بر مدل سازی پیش بینی و یادگیری ماشین. 1. Introduction to Predictive Modeling and Machine Learning.

• 2. کاوش داده ها و پیش پردازش مجموعه داده تایتانیک. 2. Data Exploration and Preprocessing of the Titanic Dataset.

• 3. انتخاب مدل و ارزیابی مجموعه داده تایتانیک. 3. Model Selection and Evaluation of The Titanic Dataset.

• 4. آموزش مدل و تنظیم فراپارامتر مجموعه داده تایتانیک. 4. Model Training and Hyperparameter Tuning of The Titanic Dataset.

• 5. استقرار مدل های پیش بینی مجموعه داده تایتانیک. 5. Deployment of The Predictive Models of The Titanic Dataset.

پروژه 4: تجزیه و تحلیل سری زمانی. Project 4: Time Series Analysis.

• 1. معرفی. 1. Introduction.

• 2. پیش پردازش و تمیز کردن داده ها. 2. Data Preprocessing and Cleaning.

• 3. تجسم داده های سری زمانی. 3. Visualizing Time Series Data.

• 4. ساخت و ارزیابی مدل های پیش بینی. 4. Building and Evaluating Forecasting Models.

• 5. پیش بینی قیمت بیت کوین در آینده. 5. Predicting Future Bitcoin Prices.

پروژه 5: تجزیه و تحلیل داده های بزرگ Project 5: Big Data Analytics

• 1. مقدمه ای بر تجزیه و تحلیل داده های بزرگ و اسپارک آپاچی. 1. Introduction to Big Data Analytics and Apache Spark.

• 2. کاوش و پیش پردازش داده های بزرگ. 2. Big Data Data Exploration and Preprocessing.

• 3. تبدیل کلان داده و مهندسی ویژگی. 3. Big Data Transformation and Feature Engineering.

• 4. تجسم و تجزیه و تحلیل داده های بزرگ. 4. Big Data Visualization and Analysis.

• 5. نتیجه گیری و مراحل بعدی. 5. Conclusion and Next Steps.

پروژه 6: تجزیه و تحلیل جدولی سریال زمین بازی. Project 6: Tabular Playground Series Analysis.

• 1. خواندن و پیش پردازش داده ها. 1. Reading and Preprocessing Data.

• 2. تبدیل و تجسم داده ها. 2. Data Transformation and Visualization.

• 3. Train-Test Split و انتخاب مدل. 3. Train-Test Split and Model Selection.

• 4. آموزش مدل با XGBoost. 4. Model Training with XGBoost.

• 5. پیش بینی و ارسال. 5. Making Predictions and Submission.

پروژه 7: پیش بینی ریزش مشتری. Project 7: Customer Churn Prediction.

• 1. مقدمه ای بر پیش بینی ریزش مشتری. 1. Introduction to Customer Churn Prediction.

• 2. انتخاب ویژگی و ساخت مدل. 2. Feature Selection and Model Building.

• 3. تکنیک های پیشرفته برای پیش بینی ریزش. 3. Advanced Techniques for Churn Prediction.

• 4. روشهای گروه و ارزیابی مدل. 4. Ensemble Methods and Model Evaluation.

• 5. تفسیر مدل، استقرار، و مراحل بعدی. 5. Model Interpretation, Deployment, and Next steps.

پروژه 8: دسته بندی تصاویر گربه ها در مقابل سگ ها. Project 8: Cats vs Dogs Image Classification.

• 1. چگونه داده های Kaggle را در Google Collab دانلود کنیم؟! 1. How to download Kaggle data in Google Collab?!

• 2. ایجاد دایرکتوری ها و داده های تصاویر. 2. Creating Directories & The images data.

• 3. پیش پردازش و تجسم داده های تصویر با پایتون. 3. Image data preprocessing and visualization with Python.

• 4. ایجاد و اعتبارسنجی مدل با استفاده از CNN. 4. Creating and Validating Model using CNN.

پروژه 9: کشف تقلب. Project 9: Fraud Detection.

• 1. معرفی کشف تقلب و انجام تجزیه و تحلیل داده های اکتشافی. 1. Introducing Fraud Detection and Conducting Exploratory Data Analysis.

• 2. ساختمان مدل برای کشف تقلب. 2. Model Building for Fraud Detection.

• 3. تکنیک های پیشرفته برای کشف تقلب. 3. Advanced Techniques for Fraud Detection.

• 4. ارزیابی مدل و تفسیرپذیری. 4. Model Evaluation and Interpretability.

• 5. استقرار مدل. 5. Model Deployment.

پروژه 10: پیش بینی قیمت خانه ها. Project 10: Houses Prices Prediction.

• 1. مقدمه ای بر پیش بینی قیمت مسکن. 1. Introduction to House Prices Prediction.

• 2. پردازش داده ها و تمیز کردن مسکن برای مدل ML. 2. Housing Data Processing & Cleaning For ML Model.

• 3. انجام EDA (تجزیه و تحلیل داده های اکتشافی) با استفاده از تجسم داده ها. 3. Doing EDA (Exploratory Data Analysis) Using Data Visualization.

• 4. مدل ساختمان برای داده های مسکن. 4. Building Model for the Housing Data.

• 5. اعتبارسنجی مدل ما. 5. Validating Our Model.