آموزش علم داده برای حرفه ای ها

Data Science for Professionals

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: وقت آن است که صفحات گسترده را پشت سر بگذارید... دانش آموزان می توانند داده ها را تجزیه و تحلیل، دستکاری، کاوش، تصویرسازی و گزارش دهند به روشی که آنها را از کسانی که از صفحات گسترده و سایر محصولات سنتی آفیس استفاده می کنند متمایز کند. پیش نیازها: بدون نیاز به دانش کدنویسی قبلی

چیست؟

علوم داده برای حرفه ای ها به سادگی بهترین راه برای به دست آوردن یک مجموعه مهارت عمیق و عملی در علم داده است. از طریق ترکیبی از تئوری و عمل عملی، شرکت‌کنندگان دوره درک کاملی از نحوه مدیریت، دستکاری و تجسم داده‌ها در R - محبوب‌ترین زبان علم داده در جهان به دست خواهند آورد.


چه کسی باید این دوره را بگذراند؟

این دوره برای متخصصانی است که از استفاده از صفحات گسترده برای تجزیه و تحلیل خسته شده اند و علاقه جدی به یادگیری نحوه استفاده از کد برای بهبود کیفیت و کارایی کار خود دارند. در پایان این دوره، شرکت کنندگان یک پایه محکم از مبانی زبان R خواهند داشت. شرکت‌کنندگان همچنین دیدگاهی در مورد چشم‌انداز علم داده مدرن و اینکه چگونه می‌توانند از R نه تنها برای تجزیه و تحلیل بهتر داده‌ها، بلکه برای مدیریت بهتر پروژه‌ها، ایجاد ارائه‌های تعاملی و همکاری با تیم‌های دیگر به دست آورند. چه صفحات گسترده، اسناد متنی یا اسلایدها، هر کسی که داده ها را تجزیه و تحلیل، گزارش یا ارائه می کند، از دانش برنامه نویسی علم داده بهره مند خواهد شد.


چه کسانی نباید این دوره را بگذرانند؟

در حالی که این دوره نمونه‌هایی از یادگیری ماشینی را در سخنرانی‌های بعدی پوشش می‌دهد، این یک دوره یادگیری ماشینی یا یک دوره متمرکز بر آمار نیست. این دوره نمونه‌هایی از نحوه استفاده از کد برای استقرار و ارزیابی انواع مختلف مدل‌ها، از جمله الگوریتم‌های یادگیری ماشین را بررسی می‌کند، اما این کار را از منظر کدنویسی انجام می‌دهد و نه از دیدگاه آمار. دلیل آن این است که ریاضیات پشت اکثر الگوریتم‌های یادگیری ماشینی مستحق یک دوره کاملاً مستقل است. دوره های زیادی وجود دارد که ادعاهای مشکوکی مبنی بر تسلط آسان بر یادگیری ماشینی و الگوریتم های یادگیری عمیق دارند - این یکی از آن دوره ها نیست.


نوع متفاوتی از دوره علوم داده

این دوره از چند جهت با اکثر دوره های دیگر متفاوت است:

  • ما از مثال‌های بسیار بزرگ و واقعی برای هدایت فرآیند یادگیری خود استفاده می‌کنیم. این به ما امکان می‌دهد تا جنبه‌های مختلف علم داده را به شیوه‌ای بصری‌تر و آسان‌تر با هم پیوند دهیم.

  • ما با چالش‌ها و باگ‌های مختلفی که از داده‌های ناقص ناشی می‌شوند، مواجه می‌شویم و با آنها مقابله می‌کنیم. اکثر دوره‌ها از مجموعه داده‌های ایده‌آل در مثال‌های خود استفاده می‌کنند، اما اینها در دنیای واقعی رایج نیستند، و حل مسائل مربوط به داده‌ها معمولاً سخت‌ترین و زمان‌برترین بخش علم داده است.

  • ما بر موفقیت بلندمدت شما متمرکز هستیم. کد دوره قابل دانلود ما با یادداشت ها و راهنمایی هایی پر شده است که هدف آن انتقال از یادگیری به کاربردی تا حد امکان راحت است.


سرفصل ها و درس ها

معرفی Introduction

  • اهداف دوره و فرآیند علم داده Course Goals and the Data Science Process

  • چرا از R استفاده کنیم؟ Why Use R?

  • مروری سریع بر زبان R A Quick Overview of the R Language

برپایی Setup

  • دانلود و نصب R Downloading and Installing R

  • RStudio و راه اندازی پروژه RStudio and Project Setup

R Essentials - Data Objects R Essentials - Data Objects

  • نمای کلی بخش Section Overview

  • وکتورها - قسمت 1 Vectors - Part 1

  • دریافت کمک با R Getting Help with R

  • وکتورها - قسمت 2 Vectors - Part 2

  • وکتورها - قسمت 3 Vectors - Part 3

  • وکتورها - قسمت 4 Vectors - Part 4

  • ماتریس ها Matrices

  • فریم های داده Data Frames

  • لیست ها Lists

  • Recap شیء داده Data Object Recap

R Essentials - توابع و حلقه ها R Essentials - Functions and Loops

  • حلقه ها و بیانیه های IF Loops and IF Statements

  • توابع سفارشی Custom Functions

R Essentials - قرار دادن همه چیز با هم! R Essentials - Putting it all Together!

  • چالش The Challenge

  • راه حل The Solution

ژیمناستیک داده Data Gymnastics

  • داده های مرتب Tidy Data

  • مرتب کردن داده هایمان با tidyr Tidying our Data with tidyr

  • دستکاری داده ها با dplyr - قسمت 1 Data Manipulation with dplyr - Part 1

  • دستکاری داده ها با dplyr - قسمت 2 Data Manipulation with dplyr - Part 2

  • دستکاری داده ها با dplyr - قسمت 3 Data Manipulation with dplyr - Part 3

تجسم داده ها Data Visualization

  • آسان کردن گرافیک با ggplot2 - قسمت 1 Making Graphics Easy with ggplot2 - Part 1

  • آسان کردن گرافیک با ggplot2 - قسمت 2 Making Graphics Easy with ggplot2 - Part 2

مدل سازی و یادگیری ماشینی Modelling and Machine Learning

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • آموزش و تست Training and Testing

  • درختان استنتاج و جنگل های تصادفی Inference Trees and Random Forests

  • نتیجه گیری در مورد مشکل فرسایش منابع انسانی Conclusion to the HR Attrition Problem

گزارش پیشرفته با R Advanced Reporting with R

  • RMarkdown و کنترل نسخه Git RMarkdown and Git Version Control

  • برنامه های وب براق Shiny Web Apps

در تماس باش! Keep in Touch!

  • با تشکر برای خرید Thanks for purchasing!

نمایش نظرات

نظری ارسال نشده است.

آموزش علم داده برای حرفه ای ها
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
6.5 hours
33
Udemy (یودمی) udemy-small
09 آذر 1397 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
6,925
4.3 از 5
دارد
دارد
دارد
Gregory Sward

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Gregory Sward Gregory Sward

برنامه نویس

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.