آموزش راهنمای کامل هوش مصنوعی و علوم داده برای SQL: از مبتدی تا پیشرفته

سرفصل ها و درس ها

مقدمه Introduction

• با استفاده از پرونده های تمرینی دوره Using the course exercise files

• آنچه باید بدانید What you should know

• هوش مصنوعی و علوم داده: مقدمه AI and data science: Introduction

1. مقدمه ای بر علوم داده 1. Introduction to Data Science

• چالش: داده ها Challenge: Data

• برنامه های دنیای واقعی Real-world applications

• مهارت های لازم برای علوم داده Necessary skills for data science

• داده یا اطلاعات: تفاوت چیست؟ Data or information: What's the difference?

• مقایسه نقش داده ها Comparing data roles

• علم داده توضیح داد Data science explained

• راه حل: داده ها Solution: Data

• تأثیر روزافزون داده ها Data's increasing influence

2. AI ، ML و DL 2. AI, ML, and DL

• طبقه بندی مشکل یادگیری ماشین Machine learning problem classifications

• چالش: هوش مصنوعی Challenge: AI

• رویکردهای یادگیری ماشین برای سناریوهای تجاری Machine learning approaches for business scenarios

• چهره در حال تحول هوش مصنوعی The evolving face of artificial intelligence

• راه حل: AI Solution: AI

3. مقدمه ای بر آمار و احتمال 3. Introduction to Stats and Probability

• انواع آمار Types of statistics

• راه حل: آمار Solution: Statistics

• طرز فکر آماری Statistical mindset

• آمار تعریف شده Statistics defined

• آمار استنباطی (احتمال) Inferential statistics (probability)

• چالش: آمار Challenge: Statistics

• آمار توصیفی Descriptive statistics

• پیتون Python

4. مبانی تحلیل رگرسیون 4. The Foundations of Regression Analysis

• با رگرسیون وارد یادگیری ماشین شوید Dive Into machine learning with regression

• تکمیل مدل خود: ارزیابی و اعتبار سنجی Perfecting your model: Evaluation and validation

• درک ملزومات رگرسیون خطی Understanding the essentials of linear regression

• رمزگشایی اسرار خط رگرسیون Decoding the secrets of the regression line

• پیمایش در دنیای رگرسیون چندگانه Navigating the world of multiple regression

5. تکنیک های پیشرفته و پالایش مدل 5. Advanced Techniques and Model Refinement

• تجزیه و تحلیل رگرسیون: یک کاربرد عملی Regression Analysis: A Practical Application

• ضربه زدن به یادداشت درست-تجارت تعصب-واریانس Hitting the Right Note - The Bias-Variance Trade-off

• تنظیم دقیق مدل های خود Fine-Tuning Your Models

• ریمیکس کردن داده ها با bootstrapping Remixing Data with Bootstrapping

• از پیش بینی تا درک From Predicting to Understanding

• ظرافت در مدل های یادگیری ماشین Crafting Elegance in Machine Learning Models

• تجزیه روابط داده با رگرسیون Breaking Down Data Relationships with Regression

6. برنامه های کاربردی و فراتر از آن 6. Practical Applications and Beyond

• تشخیص مدل و آزمایش فرض Model Diagnostics and Assumption Testing

• مسیرها و تعامل های چند جمله ای Polynomial Paths and Interactions

• روشهای رگرسیون غیر پارامتری Non-parametric Regression Methods

• باز کردن اسرار در پشت ضرایب Unlocking the Secrets Behind Coefficients

• فراتر از اصول - معیارهای ارزیابی مدل پیشرفته Beyond the Basics - Advanced Model Evaluation Metrics

• مطالعات موردی در تجزیه و تحلیل رگرسیون Case Studies in Regression Analysis

• تعادل با تکنیک های منظم Striking a Balance with Regularization Techniques

7. پیش بینی قیمت خانه با رگرسیون خطی 7. Predicting House Prices with Linear Regression

• تنظیم محیط زیست پایتون Python environment setup

• رویکرد پروژه Project approach

• تنظیم محیط SQL SQL environment setup

• هدف پروژه Project goal

• مراحل پروژه Project steps

8. تهیه و اکتشاف داده ها 8. Data Preparation and Exploration

• بررسی توزیع متغیرها Checking the distribution of the variables

• بررسی اطلاعات داده Checking the data info

• استفاده از تحول log و توزیع مجدد Applying log transformation and re-checking distribution

• بارگیری داده ها Loading the data

• خلاصه آمار مجموعه داده Summary statistics of the dataset

• چالش: آماده سازی Challenge: Preparation

• وارد کردن کتابخانه های لازم و نمای کلی مجموعه داده ها Importing necessary libraries and dataset overview

• راه حل: آماده سازی Solution: Preparation

9. تجسم و اکتشاف داده ها 9. Data Visualization and Exploration

• تجزیه و تحلیل دو متغیره: نقشه گرما Bivariate analysis: Heat-map

• تجسم روابط: سایر جفت متغیرها Visualizing relationships: Other pairs of variables

• راه حل: تجسم Solution: Visualization

• تجسم روابط: سن خانه ها و فاصله با کار Visualizing relationships: Age of homes and distance to work

• چالش: تجسم Challenge: Visualization

• تجسم روابط: دسترسی به بزرگراه و مالیات بر دارایی Visualizing relationships: Highway access and property tax

• بررسی همبستگی پس از برداشتن فضای باز Checking correlation after removing outliers

10. پیش پردازش داده ها 10. Data Preprocessing

• چالش: پیش پردازش Challenge: Preprocessing

• بررسی چند قطبی با استفاده از VIF Checking for multicollinearity using VIF

• راه حل: پیش پردازش Solution: Preprocessing

• حذف چند قطبی با رها کردن ویژگی مالیاتی Removing multicollinearity by dropping the tax feature

• تقسیم مجموعه داده ها به مجموعه های قطار و تست Splitting the dataset into train and test sets

11. مدل سازی و ارزیابی 11. Model Building and Evaluation

• فرض 2: بررسی همسایه ای Assumption 2: Checking homoscedasticity

• فرض 4: بررسی عادی بودن اصطلاحات خطا Assumption 4: Checking normality of error terms

• چالش: ساختمان مدل Challenge: Model building

• مقایسه عملکرد مدل در داده های قطار و آزمون Model performance comparison on train and test data

• فرض 1: بررسی میانگین باقیمانده Assumption 1: Checking for mean residuals

• ایجاد مدل رگرسیون خطی و خلاصه مدل: قسمت 3 Creating the linear regression model and model summary: Part 3

• فرض 3: بررسی خطی بودن Assumption 3: Checking linearity

• راه حل: ساختمان مدل Solution: Model building

• رها کردن متغیرهای ناچیز و ایجاد مجدد مدل Dropping insignificant variables and re-creating the model

• بررسی فرضیات برای رگرسیون خطی Checking assumptions for linear regression

• طرح Q-Q برای بررسی عادی بودن اصطلاحات خطا Q-Q plot for checking the normality of error terms

• استفاده از اعتبار و ارزیابی متقابل Applying cross-validation and evaluation

• ایجاد مدل رگرسیون خطی و خلاصه مدل: قسمت 1 Creating the linear regression model and model summary: Part 1

• ایجاد مدل رگرسیون خطی و خلاصه مدل: قسمت 2 Creating the linear regression model and model summary: Part 2

12. تفسیر و گزارش مدل 12. Model Interpretation and Reporting

• چالش: تفسیر Challenge: Interpretation

• نوشتن معادله و ضرایب رگرسیون خطی Writing the linear regression equation and coefficients

• نتیجه گیری و توصیه های تجاری Conclusions and business recommendations

• استخراج و ایجاد DataFrame از ضرایب Extracting and creating a DataFrame of coefficients

• راه حل: تفسیر Solution: Interpretation

13. 13. Final Capstone Project

• جزئیات نهایی پروژه سنگفرش Final capstone project details

• راه حل راه حل نهایی پروژه Capstone Final capstone project solution walkthrough

پایان Conclusion

• مراحل بعدی Next steps