کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش یادگیری جامع علم داده و یادگیری ماشین با R از ابتدا تا انتها - آخرین آپدیت

دانلود Learn Data Science & Machine Learning with R from A-Z

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

کسب درآمد از علم داده با R: تبدیل شدن به دانشمند داده حرفه‌ای

یادگیری علم داده و یادگیری ماشین با زبان برنامه‌نویسی R، تحلیل و بصری‌سازی داده‌ها، ساخت اپلیکیشن‌های وب و موارد دیگر.

چرا R را برای علم داده انتخاب کنیم؟

در این دوره جامع، شما به یک دانشمند داده حرفه‌ای، مهندس داده، تحلیلگر داده یا مشاور تبدیل خواهید شد.

  • یادگیری برنامه‌نویسی پیچیده R برای سناریوهای صنعتی کاربردی
  • پاکسازی، پردازش، مرتب‌سازی و دستکاری داده‌ها در R
  • بصری‌سازی داده‌ها با R: ساخت نمودارها، چارت‌ها، هیستوگرام‌ها و ...
  • ساخت رزومه و یافتن شغل اول به عنوان دانشمند داده
  • آموزش گام به گام و عملی زبان برنامه‌نویسی R
  • یادگیری یادگیری ماشین (Machine Learning) و کاربردهای عملی آن
  • ساخت وب‌اپلیکیشن‌ها و داشبوردهای آنلاین تعاملی با R Shiny
  • مدیریت داده‌ها و فایل‌ها در R
  • استفاده از R برای پاکسازی، تحلیل و بصری‌سازی داده‌ها
  • یادگیری پکیج‌های قدرتمند Tidyverse
  • آشنایی با عملگرها، وکتورها، لیست‌ها و کاربرد آن‌ها
  • بصری‌سازی داده‌ها با ggplot2
  • استخراج داده‌ها و وب اسکرپینگ (Web Scraping)
  • توسعه فول-استک علم داده (Full-stack data science)
  • ساخت راه‌حل‌های داده سفارشی
  • اتوماسیون تولید گزارش‌های پویا
  • کاربرد علم داده در کسب و کار (Data science for business)

پیش‌نیازها

مهارت‌های اولیه کامپیوتری

خوش آمدید به دوره جامع یادگیری علم داده و یادگیری ماشین با R

در این دوره عملی و کاربردی، نحوه برنامه‌نویسی در R، تحلیل مؤثر داده‌ها، بصری‌سازی داده‌ها و استفاده عملی از داده‌ها را خواهید آموخت. شما با نحوه نصب و پیکربندی نرم‌افزارهای لازم برای یک محیط برنامه‌نویسی آماری آشنا خواهید شد و مفاهیم کلی زبان برنامه‌نویسی را در یک زبان آماری سطح بالا فرا خواهید گرفت.

هدف اصلی ما ارائه دانشی است که نه تنها درک عمیقی از زبان برنامه‌نویسی R به شما بدهد، بلکه چگونگی تبدیل شدن به یک دانشمند داده حرفه‌ای و یافتن اولین شغل خود را نیز به شما بیاموزد.

این دوره به مسائل عملی در محاسبات آماری می‌پردازد، از جمله برنامه‌نویسی در R، خواندن داده‌ها در R، دسترسی به پکیج‌های R، نوشتن توابع R، اشکال‌زدایی، پروفایل کردن کد R و سازماندهی و کامنت‌گذاری کد R. با تلفیق کار عملی و آموزش نظری قوی، شما را از مبانی برنامه‌نویسی R به سطح استادی می‌رسانیم.

ما می‌دانیم که تئوری برای ایجاد یک پایه محکم مهم است، اما تئوری به تنهایی کافی نیست. به همین دلیل، این دوره مملو از مثال‌های عملی است که می‌توانید آن‌ها را گام به گام دنبال کنید. حتی اگر تجربه کدنویسی دارید یا می‌خواهید درباره ویژگی‌های پیشرفته زبان برنامه‌نویسی R بیاموزید، این دوره برای شما مناسب است!

تجربه کدنویسی R در آگهی‌های شغلی برای دانشمندان داده، مهندسان یادگیری ماشین، مهندسان کلان داده، متخصصان IT، توسعه‌دهندگان پایگاه داده و بسیاری دیگر، یا الزامی است یا توصیه می‌شود. افزودن مهارت کدنویسی R به رزومه شما در هر یک از این تخصص‌های داده که نیازمند تسلط بر تکنیک‌های آماری است، کمک‌کننده خواهد بود.

با هم، دانش بنیادی لازم را به شما می‌دهیم تا نه تنها بدانید چگونه در R کدنویسی کنید، داده‌ها را تحلیل و بصری‌سازی کنید، بلکه چگونه از مهارت‌های برنامه‌نویسی جدید خود کسب درآمد کنید.

محتوای دوره در 6 بخش اصلی:

1: مقدمه‌ای بر علم داده + یادگیری ماشین با R

این بخش مقدمه‌ای کامل بر زبان برنامه‌نویسی R، صنعت و بازار علم داده، فرصت‌های شغلی و حقوق، و نقش‌های شغلی مختلف در علم داده ارائه می‌دهد.

  • مقدمه‌ای بر علم داده و یادگیری ماشین
  • صنعت و بازار علم داده
  • فرصت‌های شغلی در علم داده
  • مقدمه ای بر R
  • شروع کار با R

2: انواع و ساختارهای داده در R

این بخش مقدمه‌ای کامل بر انواع و ساختارهای داده در R با آموزش گام به گام و عملی ارائه می‌دهد.

  • وکتورها (Vectors)
  • ماتریس‌ها (Matrices)
  • لیست‌ها (Lists)
  • دیتا فریم‌ها (Data Frames)
  • عملگرها (Operators)
  • حلقه‌ها (Loops)
  • توابع (Functions)
  • پایگاه‌های داده و موارد دیگر!

3: دستکاری داده‌ها در R

این بخش مقدمه‌ای کامل بر دستکاری داده‌ها در R با آموزش گام به گام و عملی ارائه می‌دهد.

  • داده‌های مرتب (Tidy Data)
  • عملگر Pipe
  • دستورات dplyr: Filter, Select, Mutate, Arrange و ...
  • دستکاری رشته‌ها (String Manipulation)
  • وب اسکرپینگ (Web Scraping)

4: بصری‌سازی داده‌ها در R

این بخش مقدمه‌ای کامل بر بصری‌سازی داده‌ها در R با آموزش گام به گام و عملی ارائه می‌دهد.

  • نگاشت‌های زیبایی‌شناسی (Aesthetics Mappings)
  • نمودارهای تک متغیره
  • نمودارهای دو متغیره
  • فَست‌ها (Facets)، لایه‌بندی و سیستم مختصات

5: یادگیری ماشین (Machine Learning)

این بخش مقدمه‌ای کامل بر یادگیری ماشین با آموزش گام به گام و عملی ارائه می‌دهد.

  • مقدمه‌ای بر یادگیری ماشین
  • پیش‌پردازش داده‌ها
  • رگرسیون خطی (Linear Regression)
  • رگرسیون لجستیک (Logistic Regression)
  • ماشین‌های بردار پشتیبان (Support Vector Machines)
  • خوشه‌بندی K-Means
  • یادگیری گروهی (Ensemble Learning)
  • پردازش زبان طبیعی (Natural Language Processing)
  • شبکه‌های عصبی (Neural Nets)

6: شروع حرفه در علم داده

این بخش مقدمه‌ای کامل بر شروع حرفه به عنوان یک دانشمند داده با آموزش گام به گام و عملی ارائه می‌دهد.

  • ساخت رزومه
  • برندسازی شخصی
  • فریلنسینگ و وب‌سایت‌های فریلنسینگ
  • اهمیت داشتن وب‌سایت
  • شبکه‌سازی (Networking)

با پایان این دوره، شما یک دانشمند داده حرفه‌ای با R خواهید بود و با اطمینان برای مشاغل اقدام خواهید کرد و از مهارت‌ها و دانش لازم برای پشتیبانی از آن‌ها اطمینان خواهید داشت.

سرفصل ها و درس ها

مقدمه دوره علم داده و یادگیری ماشین Data Science and Machine Learning Course Intro

  • مروری بر بخش مقدمه علم داده و یادگیری ماشین Data Science and Machine Learning Intro Section Overview

  • علم داده چیست؟ What is Data Science?

  • مروری بر یادگیری ماشین Machine Learning Overview

  • بازار علم داده و یادگیری ماشین Data Science + Machine Learning Marketplace

  • این دوره برای چه کسانی است؟ Who is This Course For?

  • فرصت‌های شغلی علم داده و یادگیری ماشین Data Science and Machine Learning Job Opportunities

شروع کار با R Getting Started with R

  • شروع کار با R Getting Started with R

  • مبانی R R Basics

  • کار با فایل‌ها Working with Files

  • R Studio R Studio

  • مروری بر Tidyverse Tidyverse Overview

  • منابع اضافی Additional Resources

انواع و ساختارهای داده در R Data Types and Structures in R

  • مروری بر بخش انواع و ساختارهای داده در R Data Types and Structures in R Section Overview

  • انواع پایه Basic Types

  • بردارها بخش اول Vectors Part One

  • بردارها بخش دوم Vectors Part Two

  • بردارها: مقادیر گمشده Vectors: Missing Values

  • بردارها: تبدیل نوع داده Vectors: Coercion

  • بردارها: نام‌گذاری Vectors: Naming

  • بردارها: متفرقه Vectors: Misc.

  • کار با ماتریس‌ها Working with Matrices

  • کار با لیست‌ها Working with Lists

  • مقدمه‌ای بر چارچوب‌های داده (Data Frames) Introduction to Data Frames

  • ایجاد چارچوب‌های داده Creating Data Frames

  • چارچوب‌های داده: توابع کمکی Data Frames: Helper Functions

  • چارچوب‌های داده: تیبل‌ها (Tibbles) Data Frames: Tibbles

R متوسط Intermediate R

  • مقدمه بخش R متوسط Intermedia R Section Introduction

  • عملگرهای رابطه‌ای Relational Operators

  • عملگرهای منطقی Logical Operators

  • دستورات شرطی Conditional Statements

  • کار با حلقه‌ها Working with Loops

  • کار با توابع Working with Functions

  • کار با بسته‌ها Working with Packages

  • کار با فاکتورها Working with Factors

  • تاریخ‌ها و زمان‌ها Dates & Times

  • برنامه‌نویسی تابعی Functional Programming

  • واردات/صادرات داده Data Import/Export

  • کار با پایگاه‌های داده Working with Databases

دستکاری داده در R Data Manipulation in R

  • مقدمه بخش دستکاری داده Data Manipulation Section Intro

  • داده‌های مرتب (Tidy Data) Tidy Data

  • عملگر پایپ (Pipe Operator) The Pipe Operator

  • {dplyr}: دستور Filter {dplyr}: The Filter Verb

  • {dplyr}: دستور Select {dplyr}: The Select Verb

  • {dplyr}: دستور Mutate {dplyr}: The Mutate Verb

  • {dplyr}: دستور Arrange {dplyr}: The Arrange Verb

  • {dplyr}: دستور Summarize {dplyr}: The Summarize Verb

  • چرخش داده: {tidyr} Data Pivoting: {tidyr}

  • دستکاری رشته‌ها: {stringr} String Manipulation: {stringr}

  • وب اسکرپینگ: {rvest} Web Scraping: {rvest}

  • تجزیه JSON: {jsonlite} JSON Parsing: {jsonlite}

مصورسازی داده در R Data Visualization in R

  • مقدمه بخش مصورسازی داده در R Data Visualization in R Section Intro

  • شروع کار با مصورسازی داده در R Getting Started with Data Visualization in R

  • نگاشت‌های زیبایی‌شناختی (Aesthetic Mappings) Aesthetics Mappings

  • نمودارهای تک متغیره Single Variable Plots

  • نمودارهای دو متغیره Two Variable Plots

  • فَست‌ها، لایه‌بندی و سیستم‌های مختصات Facets, Layering, and Coordinate Systems

  • سبک‌دهی و ذخیره‌سازی Styling and Saving

ایجاد گزارش با R Markdown Creating Reports with R Markdown

  • مقدمه‌ای بر R Markdown Introduction to R Markdown

ساخت اپلیکیشن‌های وب با R Shiny Building Webapps with R Shiny

  • مقدمه‌ای بر R Shiny Introduction to R Shiny

  • ساخت یک اپلیکیشن ساده R Shiny Creating A Basic R Shiny App

  • نمونه‌های دیگر با R Shiny Other Examples with R Shiny

مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

  • مقدمه‌ای بر یادگیری ماشین بخش اول Introduction to Machine Learning Part One

  • مقدمه‌ای بر یادگیری ماشین بخش دوم Introduction to Machine Learning Part Two

پیش‌پردازش داده Data Preprocessing

  • مقدمه پیش‌پردازش داده Data Preprocessing Intro

  • پیش‌پردازش داده Data Preprocessing

رگرسیون خطی: یک مدل ساده Linear Regression: A Simple Model

  • مقدمه مدل ساده رگرسیون خطی Linear Regression: A Simple Model Intro

  • یک مدل ساده A Simple Model

تحلیل اکتشافی داده Exploratory Data Analysis

  • مقدمه تحلیل اکتشافی داده Exploratory Data Analysis Intro

  • تحلیل اکتشافی داده عملی Hands-on Exploratory Data Analysis

رگرسیون خطی - یک مدل واقعی Linear Regression - A Real Model

  • مقدمه بخش مدل واقعی رگرسیون خطی Linear Regression - Real Model Section Intro

  • رگرسیون خطی در R - مدل واقعی Linear Regression in R - Real Model

رگرسیون لجستیک Logistic Regression

  • مقدمه‌ای بر رگرسیون لجستیک Introduction to Logistic Regression

  • رگرسیون لجستیک در R Logistic Regression in R

شروع حرفه در علم داده Starting A Career in Data Science

  • مروری بر بخش شروع حرفه در علم داده Starting a Data Science Career Section Overview

  • ساخت رزومه علم داده Creating A Data Science Resume

  • شروع کار فریلنسری Getting Started with Freelancing

  • برترین وب‌سایت‌های فریلنسری Top Freelance Websites

  • برندسازی شخصی Personal Branding

  • بایدها و نبایدهای شبکه‌سازی Networking Do's and Don'ts

  • راه‌اندازی وب‌سایت Setting Up a Website

آموزش گواهینامه هوش مصنوعی مولد: مدل‌های زبانی بزرگ (LLM)، هاگینگ فیس، ChatGPT

آموزش گواهینامه هوش مصنوعی مولد: مدل‌های زبانی بزرگ (LLM)، هاگینگ فیس، ChatGPT

دانلود Generative AI Certification: LLMs, Hugging Face, ChatGPT

Salesforce LWC برای مبتدیان مطلق با تمرین (2024)

Salesforce LWC برای مبتدیان مطلق با تمرین (2024)

دانلود Salesforce LWC for Absolute Beginners with Practice (2024)

آموزش اصول توسعه وب: HTML و CSS

آموزش اصول توسعه وب: HTML و CSS

Web Development Fundamentals: HTML & CSS

نمایش نظرات

آموزش یادگیری جامع علم داده و یادگیری ماشین با R از ابتدا تا انتها
جزییات دوره
28.5 hours
80
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
95,278
4.6 از 5
دارد
دارد
دارد

https://donyad.com/d/bb3ad5

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Juan E. Galvan Juan E. Galvan

کارآفرین دیجیتال | بازاریاب

سلام من خوان هستم. من از دوران دبستان کارآفرین بودم. سابقه من در فضای فناوری از بازاریابی دیجیتال، تجارت الکترونیک، توسعه وب تا برنامه نویسی است. من به آموزش مداوم با بهترین مدرک دانشگاهی بدون تمام جنبه های منفی هزینه های سنگین و روش های ناکارآمد اعتقاد دارم. من مشتاقانه منتظر کمک شما هستم تا مهارت های خود را گسترش دهید.

Ismail Tigrek Ismail Tigrek

مشاور استراتژی داده | دانشمند Full-Stack Data پس از فارغ التحصیلی به عنوان دانشجوی برتر در دانشکده مهندسی و علوم طبیعی ، من در علوم داده فعالیت کردم. در حال حاضر ، من به عنوان مشاور استراتژی داده کار می کنم و از تجربیات و تخصص خود برای کمک به ده ها تجارت در صنایع مختلف از انرژی و دارو گرفته تا بیوتکنولوژی و امور مالی استفاده می کنم. علاقه من ساختن راه حل های داده ای سفارشی ، پایان به پایان و حل مشکلات تجاری خاص صنعت است.