آموزش علم داده برای مبتدیان - پایتون، Azure ML و Tableau - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه دوره Introduction to Course

• معرفی Udemy و محل پرسیدن سوال Introduction to Udemy and Where to Ask a Question

• نقش دانشمند داده The Data Scientist Role

مقدمه پایتون برای علم داده Introduction to Python for Data Science

• راه‌اندازی محیط پایتون با Anaconda و Jupyter Notebook Setting Up Your Python Environment with Anaconda and Jupyter Notebook

• مرور کلی Jupyter Notebook Jupyter Notebook Overview

• دانلود تمام نوت‌بوک‌ها در اینجا Download All Notebooks Here

• درک متغیرها در پایتون Understanding Variables in Python

• انواع داده‌ها و اهمیت آن‌ها Data Types and Their Importance

• کار با لیست‌ها Working with Lists

• بررسی دیکشنری‌ها Exploring Dictionaries

• تاپل‌ها و مجموعه‌ها Tuples and Sets

• مقدمه‌ای بر عملگرهای حسابی و مقایسه‌ای Introduction to Arithmetic and Comparison Operators

• دستورات شرطی در پایتون Conditional Statements in Python

• استفاده از حلقه‌های For Using For Loops

• ترکیب حلقه‌های For با دستورات شرطی Combining For Loops with Conditional Statements

• تعریف توابع در پایتون Defining Functions in Python

• دانش خود را بیازمایید: مبانی پایتون پرسش و پاسخ Test your Knowledge: Python Basics Q & A

مبانی آمار برای علم داده Statistics Fundamentals for Data Science

• آمار توصیفی: میانگین، میانه و مد تشریح شده Descriptive Statistics: Mean, Median, and Mode Explained

• اندازه‌گیری پراکندگی: انحراف معیار و واریانس Measuring Spread: Standard Deviation and Variance

• درک تکنیک‌های نمونه‌گیری در علم داده Understanding Sampling Techniques in Data Science

• درک متغیرها Understanding Variables

• توزیع فراوانی: سازماندهی داده‌ها برای بینش Frequency Distribution: Organizing Data for Insights

• دانش خود را بیازمایید: مبانی آمار Test your Knowledge: Statistics Fundamentals

Pandas برای علم داده Pandas for Data Science

• خواندن فایل‌های CSV با Pandas Reading CSV Files with Pandas

• استفاده از Describe برای خلاصه کردن داده‌ها Using Describe to Summarize Data

• عملیات جبری در Pandas Algebraic Operations in Pandas

• تغییر نام ستون‌ها Renaming Columns

• مدیریت مقادیر گمشده Handling Missing Values

• شمارش مقادیر: درک توزیع داده‌ها Counting Values: Understanding Data Distribution

• گروه‌بندی داده‌ها: تجمیع بینش Grouping Data: Aggregating Insights

• فیلتر کردن داده‌ها در Pandas Filtering Data in Pandas

• اعمال توابع بر روی داده‌ها Applying Functions to Data

• تبدیل تاریخ‌ها در Pandas Converting Dates in Pandas

• ترسیم داده‌ها با Pandas Plotting Data with Pandas

• دانش خود را بیازمایید: Pandas پرسش و پاسخ Test your Knowledge: Pandas Q & A

استفاده از ChatGPT به عنوان دستیار در علم داده Using ChatGPT as an Assistant in Data Science

• مقدمه: ثبت نام در ChatGPT Introduction: Signing Up for ChatGPT

• تعیین نقش برای ChatGPT Assigning a Role for ChatGPT

• تنظیم دستورالعمل‌های مؤثر برای ChatGPT Crafting Effective Instructions for ChatGPT

• بهبود پاسخ‌ها با ارائه زمینه Enhancing Responses by Providing Context

• بهبود پاسخ‌ها با مثال‌های کم‌تعداد Improving Responses with Few-Shot Examples

• محدودیت‌ها و ملاحظات هنگام استفاده از ChatGPT Limitations and Considerations When Using ChatGPT

• تحلیل داده‌های عملی با ChatGPT (بخش ۱) Practical Data Analysis with ChatGPT (Part 1)

• تحلیل داده‌های عملی با ChatGPT (بخش ۲) Practical Data Analysis with ChatGPT (Part 2)

تجسم داده‌ها در پایتون برای علم داده Data Visualization in Python for Data Science

• مقدمه‌ای بر نمودارهای خطی Introduction to Line Plots

• ایجاد هیستوگرام Creating Histograms

• شخصی‌سازی اندازه نمودار (Figsize) Customizing Plot Size (Figsize)

• قالب‌بندی نمودارهای شما Formatting Your Plots

• همبستگی تشریح شده Correlation Explained

• ایجاد نمودارهای پراکندگی پایه Building Basic Scatter Plots

• ایجاد زیرنمودارها Creating Subplots

• نمودارهای جعبه‌ای برای پراکندگی داده‌ها و داده‌های پرت Box Plots for Data Spread and Outliers

• استفاده از نمودارهای ویولن برای توزیع Using Violin Plots for Distribution

• تجسم داده‌های دسته‌ای با نمودارهای میله‌ای Visualizing Categorical Data with Bar Plots

• نمودارهای پراکندگی پیشرفته با Seaborn Advanced Scatter Plots with Seaborn

• نقشه‌های حرارتی همبستگی Correlation Heatmaps

• استفاده از نمودارهای جفت برای روابط چند متغیره Using Pair Plots for Multi-Variable Relationships

• دانش خود را بیازمایید: Seaborn و Matplotlib پرسش و پاسخ Test Your Knowledge: Seaborn and Matplotlib Q & A

مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

• درک چرخه عمر یادگیری ماشین Understanding the Machine Learning Lifecycle

• یادگیری نظارت شده و بدون نظارت Supervised and Unsupervised Learning

• یادگیری نظارت شده تشریح شده Supervised Learning Explained

• یادگیری بدون نظارت تشریح شده Unsupervised Learning Explained

• مثال عملی رگرسیون خطی در پایتون - بخش ۱ Practical Example of Linear Regression in Python - Part 1

• مثال عملی رگرسیون خطی در پایتون - بخش ۲ Practical Example of Linear Regression in Python - Part 2

• دانش خود را بیازمایید: یادگیری ماشین Test Your Knowledge: Machine Learning

پروژه عملی پایتون: تحلیل و مدل‌سازی داده‌های مسکن کالیفرنیا Hands-On Python Project: California Housing Data Analysis and Modeling

• وارد کردن داده‌ها و تحلیل اولیه Data Import and Initial Analysis

• آماده‌سازی داده‌های دسته‌ای با One-Hot Encoding Preparing Categorical Data with One-Hot Encoding

• ترسیم داده‌های جغرافیایی با طول و عرض جغرافیایی Mapping Geographic Data with Longitude and Latitude

• مقیاس‌بندی داده‌ها با تبدیل لگاریتمی Scaling Data with Log Transformation

• مهندسی ویژگی Feature Engineering

• درک هم‌خطی چندگانه Understanding Multicollinearity

• تشخیص هم‌خطی چندگانه با نقشه حرارتی Detecting Multicollinearity with a Heatmap

• آموزش مدل رگرسیون Training the Regression Model

• ارزیابی عملکرد مدل با R-Squared Evaluating Model Performance with R-Squared

• درک خطای میانگین مربعات (MSE) Understanding Mean Squared Error (MSE)

• مقدمه‌ای بر جنگل‌های تصادفی Introduction to Random Forests

• اعمال جنگل تصادفی بر پروژه مسکن Applying Random Forest to the Housing Project

• بررسی اهمیت ویژگی در جنگل‌های تصادفی Exploring Feature Importance in Random Forests

آزمون فرضیه در علم داده Hypothesis Testing in Data Science

• مقدمه‌ای بر آزمون فرضیه Introduction to Hypothesis Testing

• درک فرضیه‌های صفر و جایگزین Understanding Null and Alternative Hypotheses

• بررسی t-Tests و z-Tests Exploring t-Tests and z-Tests

• درک مقدار P Understanding the P-Value

• مثال عملی آزمون فرضیه با پایتون Practical Example of Hypothesis Testing with Python

پروژه یادگیری ماشین Azure: ساخت مدل طبقه‌بندی تایید وام Azure Machine Learning Project: Build a Loan Approval Classification Model

• ثبت نام و شروع کار با Azure Signing Up and Getting Started with Azure

• بهینه‌سازی و مدیریت هزینه‌های Azure Optimizing and Managing Azure Costs

• راه‌اندازی فضای کاری و محیط محاسباتی شما Setting Up Your Workspace and Compute Environment

• ایجاد و وارد کردن دارایی‌های داده Creating and Importing Data Assets

• طراحی مدل در طراح یادگیری ماشین Azure Design the Model in Azure Machine Learning Designer

• تفسیر ماتریس سردرگمی برای ارزیابی مدل Interpreting the Confusion Matrix for Model Evaluation

• اندازه‌گیری دقت و AUC مدل Measuring Model Accuracy and AUC

• ارزیابی دقت، بازیابی و امتیاز F1 مدل Evaluating Model Precision, Recall, and F1 Score

• ارزیابی نهایی مدل و بینش‌ها Final Model Evaluation and Insights

ساخت و مقایسه مدل‌ها در طراح Azure ML Building and Comparing Models in Azure ML Designer

• راه‌اندازی پایپ‌لاین مدل در طراح Azure ML: بخش ۱ Setting Up the Model Pipeline in Azure ML Designer: Part 1

• راه‌اندازی پایپ‌لاین مدل رگرسیون در طراح Azure ML: بخش ۲ Setting Up the Regression Model Pipeline in Azure ML Designer: Part 2

• ارزیابی و مقایسه مدل‌های رگرسیون Evaluating and Comparing the Regression Models

• استقرار پایپ‌لاین استنتاج در طراح Azure ML Deploying an Inference Pipeline in Azure ML Designer

پروژه یادگیری ماشین خودکار (AutoML) در Azure Automated Machine Learning (AutoML) Project in Azure

• مرور کلی مجموعه داده Dataset Overview

• راه‌اندازی یک شغل AutoML Setting Up an AutoML Job

• ارزیابی بهترین الگوریتم عملکردی Evaluating the Best Performing Algorithm

پردازش زبان طبیعی با Azure Language Studio Natural Language Processing with Azure Language Studio

• ایجاد گروه منابع در Azure Creating a Resource Group in Azure

• راه‌اندازی منبع زبان در Azure Setting Up a Language Resource in Azure

• مقدمه‌ای بر مفاهیم پردازش زبان طبیعی Introduction to Natural Language Processing Concepts

• استخراج اطلاعات کلیدی با استفاده از Azure Language Studio Extracting Key Information Using Azure Language Studio

• تحلیل احساسات و خلاصه کردن متن Analyzing Sentiment and Summarizing Text

• پروژه عملی: آموزش مدل طبقه‌بندی متن با داده‌های خودمان Hands-On Project: Training a Text Classification Model with Our Own Data

• پروژه عملی: آزمایش و ارزیابی مدل طبقه‌بندی متن ما Hands-On Project: Testing and Evaluating Our Text Classification Model

پروژه تحلیل و پیش‌بینی ریزش مشتری بانک Bank Churn Analysis and Prediction Project

• مقدمه پروژه و راه‌اندازی نوت‌بوک Project Introduction and Notebook Setup

• بررسی ویژگی‌ها: تحقیق در مورد داده‌های مشتری Exploring Features: Investigate the Customer Data

• تحلیل اکتشافی داده ۱: درک ویژگی‌های گسسته و دسته‌ای Exploratory Data Analysis 1: Understanding the Discrete and Categorical Features

• تحلیل اکتشافی داده ۲: درک ویژگی‌های پیوسته Exploratory Data Analysis 2: Understanding the Continuous Features

• تحلیل اکتشافی داده ۳: ایجاد نمودارهای جعبه‌ای و شمارشی برای تحلیل Exploratory Data Analysis 3: Creating Box and Count Plots for Analysis

• آماده‌سازی داده‌ها: آماده کردن داده‌ها برای مدل‌سازی Data Preparation: Getting the Data Ready for Modeling

• ساخت مدل رگرسیون لجستیک برای پیش‌بینی ریزش مشتری Building a Logistic Regression Model to Predict Customer Churn

• ساخت مدل رگرسیون لجستیک برای پیش‌بینی ریزش مشتری و مقایسه Building a Logistic Regression Model to Predict Customer Churn and Compare

• اعمال الگوریتم XGBoost بر روی مدل ما Applying the XGBoost Algorithm to Our Model

• بهبود عملکرد مدل با نمونه‌برداری تصادفی بیش از حد Enhancing Model Performance with Random Over-Sampling

• خلاصه‌سازی نتایج مدل و نتیجه‌گیری Summarizing Model Results and Drawing Conclusions

داشبورد ریزش مشتری بانک در Tableau Bank Churn Dashboard in Tableau

• دانلود Tableau و اتصال به داده‌ها Download Tableau and Connect to Data

• ایجاد کارت برای معیارهای کلیدی Creating Cards for Key Metrics

• محاسبه نرخ ریزش Calculating the Churn Rate

• بررسی هیستوگرام‌ها در Tableau Exploring Histograms in Tableau

• تجسم امتیازات اعتباری با نمودار میله‌ای افقی Visualizing Credit Scores with a Horizontal Bar Chart

• گروه‌بندی و تحلیل ریزش بر اساس سن با نمودار میله‌ای Grouping and Analyzing Churn by Age with a Bar Chart

• ایجاد نمودار دونات Creating a Donut Chart

• استفاده از نمودار آبشاری برای تجسم طول دوره خدمت Using a Waterfall Chart to Visualize Tenure

• ایجاد جدولی برای تحلیل ریزش بر اساس محصولات نگهداری شده توسط مشتری Creating a Table to Analyze Churn by Products Held Per Customer

• ساخت داشبورد ریزش مشتری بانک شما: بخش ۱ Building Your Bank Churn Dashboard: Part 1

• ساخت داشبورد ریزش مشتری بانک شما: بخش ۲ Building Your Bank Churn Dashboard: Part 2

• افزودن فیلترها و انتشار داشبورد شما Adding Filters and Publishing Your Dashboard