آموزش پروژه تحلیل داده‌ها با پایتون - آخرین آپدیت

دانلود Data Analysis with Python Project

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: دوره «پروژه تحلیل داده‌ها» دانشجویان را قادر می‌سازد تا دانش و مهارت‌های کسب‌شده در این تخصص را برای اجرای یک پروژه واقعی تحلیل داده‌ها بر اساس علاقه خود به کار بگیرند. شرکت‌کنندگان مسیرهای مختلف تحلیل داده، از جمله یادگیری نظارت‌شده و نظارت‌نشده، رگرسیون، خوشه‌بندی، کاهش ابعاد، قوانین انجمنی و شناسایی داده‌های پرت را بررسی خواهند کرد. در طول این ماژول‌ها، دانشجویان تکنیک‌ها و متدولوژی‌های ضروری تحلیل داده را فرا گرفته و سفری از داده‌های خام تا رسیدن به دانش و هوشمندی را تجربه می‌کنند. با تکمیل این دوره، دانشجویان در تحلیل داده‌ها مهارت یافته و قادر خواهند بود تخصص خود را در پروژه‌های متنوع به کار گرفته و تصمیماتی داده‌محور اتخاذ کنند. در پایان این دوره، دانشجویان قادر خواهند بود: ۱. مفاهیم بنیادی و متدولوژی‌های تحلیل داده در حوزه‌های مختلف از جمله یادگیری نظارت‌شده و نظارت‌نشده، رگرسیون، خوشه‌بندی، کاهش ابعاد، قوانین انجمنی و شناسایی داده‌های پرت را درک کنند. ۲. محدوده و مسیر یک پروژه تحلیل داده را تعریف کرده و تکنیک‌ها و متدهای مناسب برای دستیابی به اهداف پروژه را شناسایی کنند. ۳. الگوریتم‌های مختلف طبقه‌بندی مانند Nearest Neighbors، درخت تصمیم (Decision Trees)، SVM، Naive Bayes و رگرسیون لجستیک را برای مدل‌سازی پیش‌بینانه به کار بگیرند. ۴. تکنیک‌های اعتبارسنجی متقاطع (Cross-validation) و مدل‌های ترکیبی (Ensemble) را برای ارتقای عملکرد و تعمیم‌پذیری مدل‌های طبقه‌بندی پیاده‌سازی کنند. ۵. الگوریتم‌های رگرسیون شامل رگرسیون خطی ساده، خطی چندجمله‌ای و خطی با منظم‌سازی (Regularization) را برای مدل‌سازی و پیش‌بینی نتایج عددی اعمال کنند. ۶. رگرسیون چندمتغیره را اجرا کرده و متدهای اعتبارسنجی متقاطع و مدل‌های ترکیبی را در تحلیل رگرسیون به کار ببرند. ۷. تکنیک‌های خوشه‌بندی شامل روش‌های افرازی، سلسله‌مراتبی، مبتنی بر چگالی و مبتنی بر شبکه را برای کشف الگوها و ساختارهای نهفته در داده‌ها بررسی کنند. ۸. تحلیل مؤلفه‌های اصلی (PCA) را برای کاهش ابعاد جهت ساده‌سازی داده‌های با ابعاد بالا و کمک به بصری‌سازی داده‌ها به کار ببرند. ۹. از الگوریتم‌های Apriori و FPGrowth برای استخراج قوانین انجمنی و کشف ارتباطات جالب بین آیتم‌ها در داده‌های تراکنشی استفاده کنند. ۱۰. متدهای شناسایی داده‌های پرت از جمله Zscore، IQR، OneClassSVM، Isolation Forest، DBSCAN و LOF را برای شناسایی نقاط داده غیرطبیعی و پرت‌های زمینه‌ای به کار گیرند. در طول این دوره، دانشجویان به طور فعال در آموزش‌های گام‌به‌گام، تمرینات عملی و مطالعه موردی پروژه تحلیل داده‌ها مشارکت کرده و تجربه عملی در تکنیک‌های متنوع تحلیل داده کسب می‌کنند. با دستیابی به اهداف یادگیری، شرکت‌کنندگان برای موفقیت در پروژه‌های تحلیل داده و اتخاذ تصمیمات داده‌محور در سناریوهای واقعی کاملاً آماده خواهند بود.

سرفصل ها و درس ها