لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش پیش نیازهای علم داده - Numpy، Matplotlib و Pandas در پایتون [ویدئو]
Data Science Prerequisites - Numpy, Matplotlib, and Pandas in Python [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
به دوره ای خوش آمدید که در آن با پشته NumPy در پایتون آشنا خواهید شد، که پیش نیاز مهمی برای یادگیری عمیق، یادگیری ماشین و علم داده است.
در این دوره آموزشی، نحوه استفاده از NumPy، Matplotlib، Pandas، و SciPy را برای انجام وظایف حیاتی مرتبط با علم داده و یادگیری ماشین یاد خواهید گرفت. این شامل انجام محاسبات عددی و نمایش داده ها، تجسم داده ها با نمودارها، بارگذاری و دستکاری داده ها با استفاده از DataFrames، انجام آمار و احتمال، و ساخت مدل های یادگیری ماشین برای طبقه بندی و رگرسیون است.
در این دوره ابتدا با NumPy شروع می کنیم. ما مزایای آرایه NumPy را درک خواهیم کرد و سپس به برخی از عملیات ماتریس پیچیده مانند محصولات، معکوس ها، تعیین کننده ها و حل سیستم های خطی نگاه خواهیم کرد.
سپس به Matplotlib می پردازیم. در این بخش به بررسی برخی نمودارهای رایج یعنی نمودار خطی، نمودار پراکندگی و هیستوگرام می پردازیم. همچنین نحوه نمایش تصاویر با استفاده از Matplotlib را بررسی خواهیم کرد.
در ادامه در مورد پانداها صحبت خواهیم کرد. ما بررسی خواهیم کرد که بارگذاری یک مجموعه داده با استفاده از Pandas در مقابل تلاش برای انجام دستی آن چقدر آسان تر است. سپس به برخی از عملیات چارچوب داده مفید در یادگیری ماشین نگاه خواهیم کرد، مانند فیلتر کردن بر اساس ستون، فیلتر کردن بر اساس ردیف و تابع اعمال.
بعداً با SciPy آشنا خواهید شد. در این بخش، نحوه انجام محاسبات آماری رایج از جمله دریافت مقدار PDF، مقدار CDF، نمونه برداری از یک توزیع و تست آماری را یاد خواهید گرفت.
در نهایت، برخی از اصول یادگیری ماشینی را نیز پوشش خواهیم داد که به ما کمک میکند سفر یادگیری عمیق خود را شروع کنیم.
در پایان دوره، ما می توانیم با اطمینان از پشته NumPy در یادگیری عمیق و علم داده استفاده کنیم.
تمام نوت بوک های مورد استفاده در این دوره در دسترس هستند: https://github.com/PacktPublishing/Data-Science-Prerequisites---Numpy-Matplotlib-and-Pandas-in-Python درک یادگیری ماشینی نظارت شده با مثال های دنیای واقعی
درک و کدنویسی با استفاده از پشته NumPy
برای پیاده سازی الگوریتم های عددی از NumPy، SciPy، Matplotlib و Pandas استفاده کنید.
مزایا و معایب مدل های مختلف یادگیری ماشین را درک کنید
یک مقدمه مختصر در مورد طبقه بندی و رگرسیون دریافت کنید
یاد بگیرید چگونه PDF و CDF را تحت توزیع عادی محاسبه کنید این دوره برای کسانی طراحی شده است که به علم داده و یادگیری ماشین علاقه مند هستند، پایتون را می شناسند و می خواهند قدم بعدی را در کتابخانه های پایتون برای علم داده بردارند، یا علاقه مند به دستیابی به ابزارهایی برای پیاده سازی الگوریتم های یادگیری ماشینی
برای این دوره، فرد باید مهارت های برنامه نویسی پایتون مناسب و درک اولیه جبر خطی و احتمالات را داشته باشد. اصول یادگیری ماشین را مطالعه کنید و نحوه استفاده از پشته NumPy را برای یادگیری عمیق در علم داده یاد بگیرید * نحوه استفاده از NumPy، Matplotlib، Pandas و SciPy را برای کارهای مهم در علم داده و یادگیری ماشین یاد بگیرید * انجام محاسبات عددی، تجسم داده ها، بارگذاری و مجموعه داده ها را با استفاده از پانداها دستکاری کنید
سرفصل ها و درس ها
خوش آمدید و لجستیک
Welcome and Logistics
مقدمه و طرح کلی
Introduction and Outline
منابع دوره
Course Resources
NumPy
NumPy
معرفی بخش NumPy
NumPy Section Introduction
آرایه ها در مقابل لیست ها
Arrays Versus Lists
محصول نقطه ای
Dot Product
تست سرعت
Speed Test
ماتریس ها
Matrices
حل سیستم های خطی
Solving Linear Systems
تولید داده ها
Generating Data
تمرین NumPy
NumPy Exercise
NumPy از کجا بیشتر بیاموزیم
Where to Learn More NumPy
صندوق پیشنهادات
Suggestion Box
Matplotlib
Matplotlib
مقدمه بخش Matplotlib
Matplotlib Section Introduction
نمودار خطی
Line Chart
طرح پراکنده
Scatterplot
هیستوگرام
Histogram
ترسیم تصاویر
Plotting Images
تمرین Matplotlib
Matplotlib Exercise
کجا بیشتر بدانیم Matplotlib
Where to Learn More Matplotlib
پانداها
Pandas
معرفی بخش پانداها
Pandas Section Introduction
در حال بارگذاری در داده ها
Loading in Data
انتخاب سطر و ستون
Selecting Rows and Columns
تابع apply().
The apply() Function
نقشه کشیدن با پانداها
Plotting with Pandas
تمرین پانداها
Pandas Exercise
پانداها کجا بیشتر بیاموزیم
Where to Learn More Pandas
SciPy
SciPy
معرفی بخش SciPy
SciPy Section Introduction
PDF و CDF
PDF and CDF
پیچیدگی
Convolution
تمرین SciPy
SciPy Exercise
SciPy از کجا بیشتر بیاموزیم
Where to Learn More SciPy
مبانی یادگیری ماشین
Machine Learning Basics
یادگیری ماشینی: بخش مقدمه
Machine Learning: Section Introduction
طبقه بندی چیست؟
What Is Classification?
طبقه بندی در کد
Classification in Code
رگرسیون چیست؟
What Is Regression?
رگرسیون در کد
Regression in Code
وکتور ویژگی چیست؟
What Is a Feature Vector?
یادگیری ماشین چیزی جز هندسه نیست.
Machine Learning Is Nothing but Geometry.
همه داده ها یکسان هستند
All Data Is the Same
مقایسه مدل های مختلف یادگیری ماشین
Comparing Different Machine Learning Models
یادگیری ماشین و یادگیری عمیق: موضوعات آینده
Machine Learning and Deep Learning: Future Topics
یادگیری ماشین: خلاصه بخش
Machine Learning: Section Summary
نمایش نظرات
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
برنامه نویس تنبل، یک معلم آنلاین برجسته، دارای مدرک کارشناسی ارشد دوگانه در مهندسی کامپیوتر و آمار، با یک دهه تخصص در یادگیری ماشین، تشخیص الگو، و یادگیری عمیق است که در آن دوره های پیشگامی را تألیف کرده است. سفر حرفه ای او شامل افزایش تبلیغات آنلاین و رسانه های دیجیتال، به ویژه افزایش نرخ کلیک و درآمد است. به عنوان یک مهندس نرم افزار همه کاره تمام پشته، او در Python، Ruby on Rails، C++ و غیره برتری دارد. دانش گسترده او حوزه هایی مانند بیوانفورماتیک و تجارت الگوریتمی را پوشش می دهد و مجموعه مهارت های متنوع او را به نمایش می گذارد. او که به ساده کردن موضوعات پیچیده اختصاص دارد، به عنوان یک چهره محوری در آموزش آنلاین ایستاده است و دانش آموزان را به طرز ماهرانه ای از طریق تفاوت های ظریف علم داده و هوش مصنوعی هدایت می کند.
نمایش نظرات