آموزش مبانی علوم داده: خوشه‌بندی K-Means در پایتون - آخرین آپدیت

هفته اول: مبانی علوم داده: خوشه‌بندی K-Means در پایتون Week 1: Foundations of Data Science: K-Means Clustering in Python

• خوش‌آمدگویی و معرفی Welcome and Introduction

• مقدمه‌ای بر علوم داده Introduction to Data Science

• داده چیست؟ What is Data?

• انواع داده‌ها Types of Data

• یادگیری ماشین Machine Learning

• یادگیری نظارت شده در مقابل بدون نظارت Supervised vs Unsupervised Learning

• خوشه‌بندی K-Means K-Means Clustering

• آماده‌سازی داده‌های شما Preparing your Data

• یک مجموعه داده واقعی A Real World Dataset

هفته دوم: میانگین و انحرافات در ریاضیات و پایتون Week 2: Means and Deviations in Mathematics and Python

• 2.0: معرفی هفته دوم 2.0: Week 2 Introduction

• 2.1 – معرفی مفاهیم ریاضی خوشه‌بندی داده‌ها 2.1 – Introduction to Mathematical Concepts of Data Clustering

• 2.2 – میانگین لیست‌های تک‌بعدی 2.2 – Mean of One Dimensional Lists

• 2.3 – واریانس و انحراف معیار 2.3 – Variance and Standard Deviation

• 2.4 دفترچه‌های Jupyter (Jupyter Notebooks) 2.4 Jupyter Notebooks

• 2.5 متغیرها 2.5 Variables

• 2.6 لیست‌ها 2.6 Lists

• 2.7 محاسبه میانگین 2.7 Computing the Mean

• 2.8 لیست‌های بهینه: NumPy 2.8 Better Lists: NumPy

• 2.9 محاسبه انحراف معیار 2.9 Computing the Standard Deviation

• جمع‌بندی هفته دوم Week 2 Conclusion

هفته سوم: انتقال از داده‌های تک‌بعدی به دوبعدی Week 3: Moving from One to Two Dimensional Data

• معرفی هفته سوم Week 3 Introduction

• 3.1 نقاط داده و ویژگی‌های چندبعدی 3.1 Multidimensional Data Points and Features

• 3.2 میانگین چندبعدی 3.2 Multidimensional Mean

• 3.3 پراکندگی: متغیرهای چندبعدی 3.3 Dispersion: Multidimensional Variables

• 3.4 معیارهای فاصله 3.4 Distance Metrics

• 3.5 نرمال‌سازی 3.5 Normalisation

• 3.6 داده‌های پرت (Outliers) 3.6 Outliers

• 3.7 رسم نمودارهای پایه 3.7 Basic Plotting

• 3.7a ذخیره‌سازی مختصات دوبعدی در یک ساختار داده واحد 3.7a Storing 2D Coordinates in a Single Data Structure

• 3.8 میانگین چندبعدی 3.8 Multidimensional Mean

• 3.9 افزودن لایه‌های گرافیکی 3.9 Adding Graphical Overlays

• 3.10 محاسبه فاصله تا میانگین 3.10 Calculating the Distance to the Mean

• 3.11 درک لیست‌ها (List Comprehension) 3.11 List Comprehension

• 3.12 نرمال‌سازی در پایتون 3.12 Normalisation in Python

• 3.13 داده‌های پرت و رسم داده‌های نرمال شده 3.13 Outliers and Plotting Normalised Data

• جمع‌بندی هفته سوم Week 3 Conclusion

هفته چهارم: آشنایی با کتابخانه Pandas و استفاده از K-Means برای تحلیل داده‌ها Week 4: Introducing Pandas and Using K-Means to Analyse Data

• معرفی هفته چهارم Week 4 Introduction

• 4.1: استفاده از کتابخانه Pandas برای خواندن فایل‌های CSV 4.1: Using the Pandas Library to Read csv Files

• 4.1a: مرتب‌سازی و فیلتر کردن داده‌ها با Pandas 4.1a: Sorting and Filtering Data Using Pandas

• 4.1b: برچسب‌گذاری نقاط روی نمودار 4.1b: Labelling Points on a Graph

• 4.1c: برچسب‌گذاری تمام نقاط روی نمودار 4.1c: Labelling all the Points on a Graph

• 4.2: بررسی بصری داده‌ها 4.2: Eyeballing the Data

• 4.3: استفاده از K-Means برای تفسیر داده‌ها 4.3: Using K-Means to Interpret the Data

• جمع‌بندی هفته چهارم Week 4: Conclusion

هفته پنجم: پروژه عملی خوشه‌بندی داده‌ها Week 5: A Data Clustering Project

• مقدمه‌ای بر هفته پنجم Introduction to Week 5

• 5.1 آیا ماشین می‌تواند اسکناس‌های جعلی را تشخیص دهد؟ 5.1 Can a Machine Detect Fake Notes?

• 5.2 کار برای یک مشتری 5.2 Working for a Client

• 5.3 نحوه سازماندهی کار در پروژه 5.3 How to Organize Work on Your Project

• 5.4 مقابله با دشواری‌ها 5.4 Dealing With Difficulties

• 5.5 بدون داده، علوم داده‌ای نیست: معرفی مجموعه داده 5.5 No Data no Data Science: Introduction of the Dataset

• 5.6 مدل‌سازی 5.6 Modelling

• 5.7 ارائه نتایج پروژه 5.7 Presenting the Project Results

• 5.8 ملاحظات نهایی 5.8 Concluding Remarks