آموزش کامپتیا دیتکس (DY0-001) - آخرین آپدیت

سرفصل ها و درس ها

بررسی علم داده و منابع DataX Explore Data Science and Resources for DataX

• مقدمه Introduction

• منشأ علم داده چیست؟ The Origin of Data Science?

• علم داده چیست؟ What is Data Science?

• چرخه حیات علم داده و روش‌های یادگیری ماشین Data Science Lifecycle & Machine Learning Approaches

• نمونه‌های کاربردی یادگیری ماشین و علم داده Machine Learning & Data Science Application Examples

• چالش CHALLENGE

شکاف‌های دانشی خود در دیتا ساینس را برای DataX ارزیابی کنید. Assess your Data Science Knowledge Gaps for DataX

• مقدمه Introduction

• پنج حوزه کامپتیا دیتا ایکس The Five CompTIA DataX Domains

• حوزه ۱: ریاضیات و آمار Domain 1: Math & Statistics

• حوزه ۲: مدل‌سازی، تحلیل و پیامدها Domain 2: Modeling, Analysis & Outcomes

• بخش 3.0: یادگیری ماشین Section 3.0: Machine Learning

• حوزه ۴.۰: عملیات و فرآیندها Domain 4.0: Operations & Processes

• حوزه 5.0: کاربردهای تخصصی علم داده Domain 5.0: Specialized Applications of Data Science

• سوالات مرور با پاسخ تشریحی Review Questions with Answers Explained

کاوش ابزارها و چرخه های عمر علم داده Explore Data Science Tools and Lifecycles

• مقدمه Introduction

• پیاده‌سازی بهترین روش‌ها در چرخه عمر علم داده Implementing Best Practices in the Data Science Lifecycle

• CRISP-DM (فرآیند استاندارد بین‌صنعتی برای داده‌کاوی) CRISP-DM (Cross-Industry Standard Process for Data Mining)

• TDSP (Team Data Science Process) – فرآیند علم داده تیمی TDSP (Team Data Science Process)

• SEMMA (نمونه‌برداری، اکتشاف، اصلاح، مدل‌سازی، ارزیابی) SEMMA (Sample, Explore, Modify, Model, Assess)

• چالش CHALLENGE

بررسی سینتکس کد و گردش‌های کار علم داده Examine Data Science Code Syntax and Workflows

• مقدمه Introduction

• کتابخانه‌های پایتون و لایسنس‌های وابستگی برای علم داده Python Libraries & Dependency Licenses for Data Science

• علم داده: ساختارهای دایرکتوری Data Science Directory Structures

• سینتکس پایه پایتون Basic Python Syntax

• سینتکس پایه R Basic R Syntax

• چالش: پاکسازی و پردازش داده‌های فروش CHALLENGE: Clean & Process Sales Data

• آموزش ویدیویی Solution Video

بررسی بهترین روش‌ها، ساختار، و الزامات Review Best Practices, Composition, & Requirements

• مقدمه Introduction

• DAMA و DMBOK DAMA and the DMBOK

• جمع‌آوری الزامات Requirement Gathering

• تحلیل ترکیب نرم‌افزار Software Composition Analysis

• مستندسازی و کیفیت کد Documentation and Code Quality

• یکپارچه‌سازی API API Integration

• چالش 🎉 Challenge 🎉

• ویدئوی راه حل (اختیاری) Solution Video (optional)

کاوش تغییرات با حسابان در علم داده Explore Change Using Calculus for Data Science

• معرفی پایتون Python Introduction

• مشتقات: اندازه‌گیری تغییر Derivatives: Measuring Change

• قاعده زنجیره‌ای: برای توابع تودرتو Chain Rule: For Nested Functions

• مشتقات جزئی: توابع چندمتغیره Partial Derivatives: Multivariable Functions

• یکپارچه سازی: مجموع‌های تجمعی Integration: Accumulating Totals

• چالش 🎉 CHALLENGE 🎉

• ویدئو راه حل Solution Video

کاربرد آمار و احتمال برای علم داده Apply Probability & Statistics for Data Science

• مقدمه Introduction

• توزیع‌های احتمال Probability Distributions

• توزیع‌های گسسته، پیوسته و تجمعی Discrete, Continuous, and Cumulative Distributions

• انواع توزیع‌های پیوسته Types of Continuous Distributions

• قضیه حد مرکزی، شبیه‌سازی‌های مونت کارلو Central Limit Theorem, Monte Carlo Simulations

• چالش 🎉 CHALLENGE 🎉

• راهکار Solution

انجام آزمون‌های آماری برای علم داده Perform Statistical Testing for Data Science

• مقدمه Introduction

• آمار استنباطی Inferential Statistics

• فاصله اطمینان و نمرات Z Confidence Intervals and Z-Scores

• آزمون فرضیه Hypothesis Testing

• آزمون‌های تی تک‌نمونه‌ای، دو‌نمونه‌ای و زوجی One-Sample, Two-Sample, and Paired t-Tests

• آنالیز واریانس، آزمون‌های کای دو، و همبستگی ANOVA, Chi-Squared Tests, and Correlation

• چالش 🎉 Challenge 🎉

کاربرد جبر خطی در مسائل علم داده Apply Linear Algebra to Data Science Problems

• مقدمات Introductions

• اسکالرها، بردارها، ماتریس‌ها و تنسورها Scalars, Vectors, Matrices, and Tensors

• عملیات برداری Vector Operations

• ضرب داخلی و معیارهای فاصله برداری Dot Product & Vector Distance Metrics

• عملیات ماتریسی Matrix Operations

• معکوس ماتریس و حل دستگاه‌های معادلات خطی Inverse & Solving Linear Systems

• چالش 🎉 CHALLENGE 🎉

بررسی منابع کلیدی داده در علم داده Examine Key Data Sources for Data Science

• مقدمه Introduction

• داده تولید شده Generated Data

• سوابق Records

• داده های سنسور Sensor Data

• تراکنش‌ها و آزمایش‌ها Transactions & Experiments

• داده‌های مصنوعی Synthetic Data

• داده‌های عمومی Public Data

• چالش جدید Challenge 🎉

بررسی ورود و ذخیره‌سازی داده برای علم داده Explore Data Ingestion & Storage for Data Science

• مقدمه Introduction

• جذب داده Data Ingestion

• زیرساخت دریافت داده Ingestion Infrastructure

• پایپ‌لاین جذب داده Data Ingestion Pipeline

• ارکستراسیون در مقابل اتوماسیون Orchestration Vs Automation

• ذخیره‌سازی ساختاریافته Structured Storage

• فایل‌های تخت، نیمه‌ساختاریافته، بدون ساختار، و فشرده‌سازی Flat Files, Semi-Structured, Unstructured, and Compression

• چالش 🎉 CHALLENGE 🎉

کاوش در تحلیل داده و متغیرها برای علم داده Explore Data Analysis & Variables for Data Science

• مقدمه Introduction

• مبانی تحلیل اکتشافی داده‌ها Exploratory Data Analysis Basics

• انواع متغیرهای تحلیل Types of Analysis Variables

• تحلیل داده‌های نظرسنجی سلامت Analyzing Health Survey Data

• تحلیل تک‌متغیره Univariate Analysis

• تحلیل دومتغیره Bivariate Analysis

• سناریوهای دنیای واقعی Real-world Scenarios

• چالش Challenge

کاوش در تحلیل چندمتغیره و کیفیت در علم داده Explore Multivariate Analysis and Quality in DS

• مقدمه Introduction

• مرور تحلیل تک‌متغیره و دو‌متغیره (بازیابی فاصله‌دار) Univariate & Bivariate Analysis Review (Spaced Retrieval)

• تحلیل چندمتغیره Multivariate Analysis

• کیفیت داده‌ها Data Quality

• ناخطی Nonlinearity

• چالش Challenge

کاوش تبدیل داده برای علم داده Explore Data Transformation for Data Science

• مقدمه Introduction

• رمزگذاری داده‌های طبقه‌ای Encoding Categorical Data

• رمزگذاری برچسب Label Encoding

• مقیاس‌بندی و نرمال‌سازی Scaling and Normalization

• استانداردسازی Standardization

• توابع تبدیل Transformation Functions

• تحولات ساختاری Structural Transformations

• استخراج ویژگی Feature Extraction

• چالش هیجان‌انگیز! 🎉 Challenge 🎉

• راه‌حل SOLUTION

افزایش و مهندسی ویژگی داده‌ها برای علم داده Augment and Feature Engineer Data for Data Science

• مجموعه داده‌ها را کاوش کنید Explore the Datasets

• تقویت و غنی‌سازی داده Data Augmentation and Enrichment

• برچسب‌گذاری حقیقت مبنا Ground Truth Labeling

• مهندسی ویژگی Feature Engineering

• ادغام و ترکیب داده‌ها با SQL JOINS Merging and Combining Data with SQL JOINS

• جوین‌های چپ، راست، کامل، ضد و فازی (ادامه مبحث جوین‌های SQL) Left, Right, Full, Anti, and Fuzzy Joins (continued SQL JOINS)

• پاکسازی داده Cleaning Data

• درون‌یابی و برون‌یابی Interpolation and Extrapolation

• تشخیص داده پرت Outlier Detection

• چالش 🎉 Challenge 🎉

کاوش مدل‌های آماری و یادگیری ماشین Explore Statistical and Machine Learning Models

• مقدمه Introduction

• مدل‌های رگرسیون Regression Models

• مدل‌های طبقه‌بندی Classification Models

• مدل سازی سری زمانی Modeling Time Series

• تحلیل بقا Survival Analysis

• مطالعات طولی Longitudinal Studies

• استنباط علی و موازنه بایاس-واریانس Causal Inference & Bias-Variance Trade-Off

• توابع زیان و ارزیابی مدل‌ها Loss Functions and Model Evaluations

• چالش جدید Challenge 🎉

اعتبارسنجی مدل‌ها و ارتباط مؤثر داده‌ها Validate Models and Communicate Data Effectively

• مقدمه Introduction

• اعتبارسنجی مدل چیست؟ What is Model Validation?

• معیارهای عملکرد Performance Metrics

• محدودیت‌های طراحی Design Constraints

• رانش داده در مقابل رانش مفهوم Data Drift Vs Concepts Drift

• همسوسازی الزامات کسب و کار Aligning Business Requirements

• الگوبرداری Benchmarking

• اطلاع‌رسانی نتایج به ذی‌نفعان Communicating Results to Stakeholders

• چالش 🎉 CHALLENGE 🎉

تحلیل و بررسی استقرار مدل و MLOps Analyze Model Deployment and MLOps

• مقدمه Introduction

• کانتینرسازی Containerization

• ارکستراسیون کانتینر Container Orchestration

• مجازی‌سازی Virtualization

• استقرار درون سازمانی On-Premises Deployment

• استقرار هیبریدی و لبه‌ای Hybrid & Edge Deployment

• استقرار خوشه‌ای و ابری Cluster & Cloud Deployment

• MLOps: چرخه حیات و مفاهیم MLOps: Lifecycle & Concepts

• MLOps: اتوماسیون و نسخه‌بندی MLOps: Automation & Versioning

• MLOps (ام‌ال‌آپس): تست و نسخه‌بندی MLOps: Testing & Versioning

• چالش 🎉 CHALLENGE 🎉

ساخت مدل رگرسیون یادگیری نظارت شده Build a Supervised Learning Regression Model

• مقدمه Introduction

• یادگیری نظارت شده چیست؟ What is Supervised Learning?

• رگرسیون خطی چیست؟ What is Linear Regression?

• پیش‌بینی بیماری با رگرسیون خطی Predicting Disease with Linear Regression

• پیش‌بینی بیماری: تحلیل اکتشافی داده‌ها (EDA) Predicting Disease: EDA

• پیش‌بینی بیماری: ارزیابی Predicting Disease: Evaluation

• رگرسیون خطی در مقابل رگرسیون لجستیک Linear regression Vs Logistic regression

• چالش 🎉 CHALLENGE 🎉

ساخت مدل طبقه‌بندی یادگیری نظارت‌شده Build a Supervised Learning Classification Model

• مقدمه Introduction

• مقایسه رگرسیون خطی و رگرسیون لجستیک Linear Regression Vs Logistic Regression

• پیاده‌سازی مدل رگرسیون خطی Implement Linear Regression Model

• پیاده‌سازی مدل رگرسیون لجستیک Implement Logistic Regression Model

• تجزیه و تحلیل رگرسیون لجستیک Logistic Regression Breakdown

• چالش 🎉| CHALLENGE 🎉|

• ویدئوی راه حل Solution Video

کاوش تحلیل تشخیص کوادراتیک و خطی Explore Quadratic and Linear Discriminant Analysis

• مقدمه Introduction

• رگرسیون خطی و لجستیک در برابر تحلیل افتراقی (DA) Linear and Logistic Regression Vs. Discriminant Analysis (DA)

• تحلیل تمایزی (DA) چیست؟ What is Discriminant Analysis (DA)?

• تحلیل افتراقی خطی (LDA) چیست؟ What is Linear Discriminant Analysis (LDA)?

• LCA در مقابل PCA LCA Vs. PCA

• تحلیل تفکیک کننده درجه دوم (QDA) چیست؟ What is Quadratic Discriminant Analysis (QDA)?

• بررسی نرمال بودن برای LDA: آزمون شاپیرو-ویلک Checking Normality for LDA: Shapiro-Wilk Test

• چالش 🎉 CHALLENGE 🎉

طبقه‌بندی داده‌ها با الگوریتم نایو بیز Classify Data with the Naive Bayes Algorithm

• مقدمه Introduction

• قضیه بیز Bayes' Theorem

• بایز ساده: بخش "ساده" Naive Bayes: The "Naive" Part

• نایوبیز: بر روی مجموعه داده آیرس Naive Bayes: On the Iris Dataset

• رده‌بندی بیز ساده: روی مجموعه داده تایتانیک Naive Bayes: On the Titanic Dataset

• نایو بیز: مشکل فرکانس صفر Naive Bayes: Zero Frequency Problem

• مدیریت داده‌های پیوسته، با ابعاد بالا و ناقص Handling Continuous, High-Dimensional, and Missing Data

• چالش 🎉 CHALLENGE 🎉

درختان تصمیم و روش‌های گروهی را کاوش کنید Explore Decision Trees and Ensemble Methods

• مقدمه Introduction

• درخت تصمیم چیست؟ What is a Decision Tree?

• ترسیم درخت تصمیم Visualizing Decision Trees

• چگونه درخت های تصمیم گیری رشد می کنند؟ How Do Decision Trees Grow?

• شاخص‌های ناخالصی: ضریب جینی و آنتروپی Impurity Measures: Gini and Entropy

• رشد درخت: گام به گام با ارز دیجیتال Growing the Tree: Step by Step with Cryptocurrency

• یک درخت تصمیم گیری عملی: مجموعه داده ی آیریس A Practical Decision Tree: Iris Dataset

• جنگل تصادفی چیست؟ What is a Random Forest?

• روش‌های اِنسمبل چیست؟ What Are Ensemble Methods?

• چالش 🎉 Challenge 🎉

تحلیل مفاهیم اصلی شبکه‌های عصبی مصنوعی Analyze Core Artificial Neural Network Concepts

• مقدمه Introduction

• شبکه عصبی مصنوعی چیست؟ What is an Artificial Neural Network?

• پروسپترون چیست؟ What is a Perceptron?

• تشریح تابع فعال‌سازی Activation Function Breakdown

• قطعات ANN ANN Components

• توابع فعال‌سازی مختلف Different Activation Functions

• آموزش شبکه‌های عصبی Training Neural Networks

• چالش: ساخت یک شبکه عصبی مصنوعی 🎉 Challenge: Build an ANN 🎉

• راه حل Solution

تکنیک‌های آموزش ANN و نزول گرادیان را کاوش کنید Explore ANN Training Techniques & Gradient Descent

• مقدمه Introduction

• آموزش شبکه‌های عصبی Training Neural Networks

• آموزش شبکه‌های عصبی: توابع زیان (ادامه) Training a Neural Network: Loss Functions (continued)

• آموزش شبکه‌های عصبی: فرمول (ادامه) Training a Neural Network: Formula (continued)

• تکنیک‌های آموزش: تنظیم‌کننده‌ها Training Techniques: Regularization

• چالش Challenge

• راه حل Solution

به کارگیری مفاهیم شبکه‌های عصبی در یادگیری عمیق Apply Neural Network Concepts to Deep Learning

• مقدمه Introduction

• مشکلات گرادیان Gradient Problems

• بهینه سازها در یادگیری عمیق Optimizers in Deep Learning

• یادگیری عمیق چیست؟ What is Deep Learning?

• شبکه‌های عصبی بازگشتی (RNN)، LSTM و GRU Recurrent Neural Networks (RNNs), LSTMS, and GRUs

• معماری ترانسفورمر The Transformer Architecture

• شبکه‌های مولد تخاصمی (GANs)، انتشار (Diffusion)، و تکنیک‌های یادگیری ویژه GANs, Diffusion, and Special Learning Techniques

• چالش 🎉 CHALLENGE 🎉

مقایسه PyTorch و TensorFlow برای یادگیری عمیق Compare PyTorch and TensorFlow for Deep Learning

• مقدمه Introduction

• مقایسه: PyTorch در مقابل TensorFlow Compare: PyTorch Vs. TensorFlow

• طبقه‌بندی‌کننده چندکلاسه تنسورفلو TensorFlow Multiclass Classifier

• طبقه‌بندی‌کننده چندکلاسه PyTorch PyTorch Multiclass Classifier

• چالش 🎉 CHALLENGE 🎉

کاوش در مفاهیم پردازش زبان طبیعی (NLP) Explore Natural Language Processing (NLP) Concepts

• مقدمه Introduction

• NLP چیست؟ What is NLP?

• تحلیل متن چیست؟ (با نام‌های تحلیل متن کاوی و تحلیل داده‌های متنی نیز شناخته می‌شود) What is Text Analysis? (aka Text Mining & Text Analytics)

• تحلیل متن: تطابق مدل‌ها Text Analysis: Matching Models

• تحلیل متن: تطابق معنایی Text Analysis: Semantic Matching

• چالش 🎉 Challenge 🎉

کاوش در توکن‌سازی، هوش مصنوعی مولد، و مدل‌های زبان بزرگ (LLM) در پردازش زبان طبیعی (NLP) Explore Tokenization, Gen AI, and LLMs in NLP

• مقدمه Introduction

• توکن‌سازی چیست؟ (پیش‌پردازش) What is Tokenization? (preprocessing)

• جمله‌بندی و نشانه‌گذاری زیرکلمه‌ای Sentence and Subword Tokenization

• تولید زبان چیست؟ What is Language Generation?

• مدل‌های زبانی بزرگ (LLMs) چیستند؟ What are Large Language Models (LLMs)?

• چالش 🎉 Challenge 🎉

آماده‌سازی متن برای پردازش زبان طبیعی Prepare Text for Natural Language Processing

• مقدمه Introduction

• تهیه و نمایش متن Text Preparation and Representation

• توکن‌سازی با N-gram Tokenization with N-grams

• ریشه‌یابی و لماتیزاسیون Stemming and Lemmatization

• حذف کلمات ایست Removing Stop Words

• چالش 🎉 CHALLENGE 🎉

آماده‌سازی پیشرفته متن برای یادگیری ماشین Use Advanced Text Preparation for Machine Learning

• مقدمه Introduction

• برچسب‌گذاری اجزای کلام (POS Tagging) POS Tagging

• عبارات با قاعده (Regex) Regular Expressions (Regex)

• عادی‌سازی املایی Spelling Normalization

• افزایش داده Data Augmentation

• نمایش‌های متنی Text Representations

• چالش 🎉 Challenge 🎉

کاربرد پردازش زبان طبیعی (NLP): وان هات، کیسه کلمات، TF-IDF، Word2Vec و GloVe Apply NLP: One-Hot, BoW, TF-IDF, Word2Vec & GloVe

• مقدمه Introduction

• وکتور سازی یا عدم وکتور سازی To Vectorize or Not to Vectorize

• رمزگذاری یک-داغ One-Hot Encoding

• کیسه کلمات، TF-IDF و نمایشگر جاسازی تنسورفلو Bag of Words, TF-IDF, and TensorFlow Embedding Projector

• بردارکلمات (Word Embeddings) با Word2Vec Word Embeddings with Word2Vec

• GloVe: بردارهای سراسری برای نمایش کلمات GloVe: Global Vectors for Word Representation

• چالش 🎉 CHALLENGE 🎉

کاوش در مبانی بهینه سازی Explore Foundations of Optimization

• مقدمه Introduction

• بهینه سازی چیست؟ What is Optimization?

• بهینه‌سازی در یادگیری ماشین Optimization in Machine Learning

• متغیرهای تصمیم، توابع هدف و محدودیت‌ها Decision Variables, Objective Functions, and Constraints

• مناطق امکان‌سنجی Feasibility Regions

• بهینه‌سازی مقید و نامقید Constrained and Unconstrained Optimization

• نزول گرادیان در مقابل نزول گرادیان تصادفی Gradient Descent Vs Stochastic Gradient Descent

• چالش 🎉 Challenge 🎉

• تصور کنید در حال تحلیل یک استارتاپ تحویل غذا هستید. وظیفه شما کاهش کل زمان تحویل در تمام مناطق شهری است. شما می‌توانید تا ۱۰ ربات تحویل‌دهنده اختصاص دهید. Imagine you are analyzing a food delivery startup. You are tasked with minimizing the total deliver time across all city zones. You can assign up to 10 delivery robots.

• یک استارتاپ کوچک دو سطح SaaS ارائه می‌دهد: پایه (B) و حرفه‌ای (P). هر طرح پایه ۵۰ دلار درآمد دارد و هر طرح حرفه‌ای ۱۰۰ دلار. تیم پشتیبانی می‌تواند تا ۳۰۰ مشتری را مدیریت کند و تیم حرفه‌ای حداکثر ۱۲۰ مشتری حرفه‌ای را پشتیبانی می‌کند. A small startup sells two SaaS tiers: Basic (B) and Pro (P). Each basic plan earns $50, and each Pro plan earns $100. Support team can handle up to 300 customers, and the Pro team can handle at most 120 Pro clients.

• در این سناریو، شما با استفاده از گرادیان کاهشی، تابع زیان را برای یک مدل رگرسیون کمینه می‌کنید. مجموعه داده شما ۱۰ میلیون ردیف دارد و تکمیل هر تکرار برای شما بسیار زمان‌بر است. In this scenario, you are minimizing a loss function for a regression model using gradient descent. Your dataset has 10 million rows, and each iteration is taking forever to complete—way too long.

مقایسه روش‌های برنامه‌ریزی خطی و غیرخطی Compare Linear and Nonlinear Programming Methods

• مقدمه Introduction

• مفاهیم برنامه‌ریزی خطی Linear Programming Concepts

• برنامه‌ریزی خطی با پایتون Linear Programming with Python

• تجسم ناحیه امکان‌پذیر Visualize the Feasibility Region

• برنامه‌ریزی عدد صحیح Integer Programming

• برنامه‌نویسی خطی در مقابل غیرخطی Linear Vs Nonlinear Programming

• منطقه امکان‌پذیری را تجسم کنید Visualize the Feasibility Region

• چالش 🎉 CHALLENGE 🎉

• شما برای مشاوره به یک استارتاپ کامیون غذای پاپ‌آپ در سانفرانسیسکو استخدام شده‌اید. آن‌ها نیاز به کمک برای افزایش سود با در نظر گرفتن محدودیت‌های خاص دارند. You've been hired to consult for a popup food truck startup in San Francisco. They need help maximizing profits under certain constraints.

بهینه‌سازی تخصصی یادگیری ماشین را کاوش کنید Explore Specialized Machine Learning Optimization

• مقدمه Introduction

• هدف بهینه سازی یادگیری ماشین چیست؟ What is the Goal of ML Optimization?

• تصویرسازی شیب کاهشی در یک بعد Visualize Gradient Descent in 1D

• انواع مختلف گرادیان نزول Different Flavors of Gradient Descent

• بهینه سازی مقید و نامقید Constrained Vs Unconstrained Optimization

• مسائل راهزن Bandit Problems

• چالش 🎉 CHALLENGE 🎉

• ویدیو راهنما/حل مشکل Walkthrough/Solution Video

اعمال بینایی کامپیوتر برای درک تصویر Apply Computer Vision for Image Understanding

• مقدمه Introduction

• پیش پردازش تصویر Image Preprocessing

• تشخیص اشیاء با مدل‌های از پیش آموزش‌دیده Object Detection with Pretrained Models

• OCR و تقسیم‌بندی OCR and Segmentation

• استخراج تصویر Image Extraction

• ترکیب حسگرها Sensor Fusion

• چالش Challenge

استخراج ویژگی برای ادراک تصویر Apply Feature Extraction for Image Perception

• مقدمه Introduction

• پردازش عمیق تصویر Image Preprocessing Deep Dive

• تبدیلات هندسی بیشتر More Geometric Transformations

• کنتراست، نرمال‌سازی، تبدیل فضای رنگ و پر کردن سوراخ Contrast, Normalization, Color Space Conversion & Hole Filling

• استخراج ویژگی: کاوشی عمیق Feature Extraction Deep Dive

• چالش 🎉 Challenge 🎉

شناسایی شکاف‌های دانش با DataX SkillScan Identify Knowledge Gaps with the DataX SkillScan

• مقدمه Introduction

• سوال ۱ Question 1

• سوال ۲ Question 2

• سوال 3 Question 3

• سوال 4 Question 4

• سوال 5 Question 5

• سوال 6 Question 6

• سوال 7 Question 7

• سوال 8 Question 8

• سوال 9 Question 9

• سوال ۱۰ Question 10

• سوال ۱۱ Question 11

• سوال ۱۲ Question 12

• سوال ۱۳ Question 13

• سوال ۱۴ Question 14

• سوال ۱۵ Question 15

• سوال ۱۶ Question 16

• سوال ۱۷ Question 17

• سوال ۱۸ Question 18

• سوال ۱۹ Question 19

• سوال ۲۰ Question 20

• سوال ۲۱ Question 21

• پرسش ۲۲ Question 22

• سوال ۲۳ Question 23

• سوال ۲۴ Question 24

• سوال ۲۵ Question 25

• سوال ۲۶ Question 26

• سوال ۲۷ Question 27

• سوال ۲۸ Question 28

• سوال ۲۹ Question 29

• سوال 30 Question 30

• سوال ۳۱ Question 31

• سوال ۳۲ Question 32

• سوال 33 Question 33

• سوال 34 Question 34

• سوال 35 Question 35

• سوال ۳۶ Question 36