آموزش دوره علوم داده 2023: بوت کمپ کامل علم داده

The Data Science Course 2023: Complete Data Science Bootcamp

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آموزش کامل علوم داده: ریاضیات، آمار، پایتون، آمار پیشرفته در پایتون، ماشین و یادگیری عمیق این دوره تمام جعبه ابزار مورد نیاز شما برای تبدیل شدن به یک دانشمند داده را ارائه می دهد. NumPy، پانداها، matplotlib، و Seaborn، تجزیه و تحلیل آماری پیشرفته، جدول، یادگیری ماشینی با مدل‌های آماری و یادگیری scikit، یادگیری عمیق با TensorFlow با نشان دادن درک درستی از حوزه علم داده، مصاحبه‌کنندگان را تحت تأثیر قرار دهید. یاد بگیرید چگونه داده‌ها را پیش پردازش کنید درک ریاضیات پشت یادگیری ماشینی (الزامی مطلقی که دوره های دیگر آموزش نمی دهند!) کدنویسی را در پایتون شروع کنید و یاد بگیرید که چگونه از آن برای تجزیه و تحلیل آماری استفاده کنید. Python، با استفاده از NumPy، مدل‌های آماری و Sikit-Learn مهارت‌های خود را در موارد کسب‌وکار واقعی به کار ببرید از پیشرفته‌ترین Deep L استفاده کنید. چارچوب‌های کسب درآمد مانند TensorFlow Google توسعه شهود تجاری در حین کدنویسی و حل وظایف با داده‌های بزرگ آشکار کردن قدرت شبکه‌های عصبی عمیق بهبود الگوریتم‌های یادگیری ماشین با مطالعه عدم تناسب، برازش بیش از حد، آموزش، اعتبارسنجی، اعتبارسنجی متقاطع n برابری، آزمایش و چگونگی فراپارامترها بهبود عملکرد انگشتان خود را گرم کنید زیرا مشتاق خواهید بود همه چیزهایی را که در اینجا آموخته اید در موقعیت های زندگی واقعی به کار ببرید. پیش نیازها: نیازی به تجربه قبلی نیست. ما از اصول اولیه ای که برای نصب Anaconda نیاز دارید شروع می کنیم. ما به شما نشان خواهیم داد که چگونه گام به گام این کار را انجام دهید Microsoft Excel 2003، 2010، 2013، 2016، یا 365

مشکل

دانشمند داده یکی از بهترین مشاغل برای پیشرفت در این قرن است. دیجیتال، برنامه نویسی گرا و تحلیلی است. بنابراین، جای تعجب نیست که تقاضا برای دانشمندان داده در بازار کار افزایش یافته است.

با این حال، عرضه بسیار محدود بوده است. به دست آوردن مهارت های لازم برای استخدام به عنوان یک دانشمند داده دشوار است.

و چگونه می توانید این کار را انجام دهید؟

دانشگاه ها در ایجاد برنامه های تخصصی علم داده کند بوده اند. (ناگفته نماند که آنهایی که وجود دارند بسیار گران و زمان بر هستند)

اکثر دوره‌های آنلاین بر روی یک موضوع خاص تمرکز می‌کنند و درک اینکه چگونه مهارتی که آموزش می‌دهند با تصویر کامل مطابقت دارد دشوار است

راه حل

علوم داده یک حوزه چند رشته ای است. طیف وسیعی از موضوعات را در بر می گیرد.

  • آشنایی با زمینه علم داده و نوع تحلیل انجام شده

  • ریاضیات

  • آمار

  • پایتون

  • استفاده از تکنیک های آماری پیشرفته در پایتون

  • تجسم داده

  • یادگیری ماشین

  • یادگیری عمیق

هر یک از این موضوعات بر اساس موضوعات قبلی است. و اگر این مهارت ها را به ترتیب درست به دست نیاورید، خطر گم شدن در طول مسیر را دارید. به عنوان مثال، قبل از درک ریاضیات اساسی، در کاربرد تکنیک‌های یادگیری ماشینی دچار مشکل می‌شوید. یا، مطالعه تحلیل رگرسیون در پایتون قبل از دانستن اینکه رگرسیون چیست، می‌تواند بسیار دشوار باشد.

بنابراین، در تلاش برای ایجاد مؤثرترین، کارآمدترین و ساختارمندترین آموزش علوم داده آنلاین موجود، دوره علوم داده 2023 را ایجاد کردیم.

ما معتقدیم این اولین برنامه آموزشی است که بزرگترین چالش ورود به حوزه علم داده را حل می کند – داشتن تمام منابع لازم در یک مکان.

علاوه بر این، تمرکز ما آموزش موضوعاتی است که به آرامی جریان داشته و مکمل یکدیگر هستند. این دوره همه چیزهایی را که برای تبدیل شدن به یک دانشمند داده باید بدانید با کسری از هزینه برنامه های سنتی به شما می آموزد (بدون ذکر مقدار زمانی که صرفه جویی می کنید).

مهارت ها

1. مقدمه ای بر علم داده و داده

داده های بزرگ، هوش تجاری، تجزیه و تحلیل تجاری، یادگیری ماشین و هوش مصنوعی. ما می دانیم که این کلمات به حوزه علم داده تعلق دارند، اما همه آنها به چه معنا هستند؟

چرا آن را یاد بگیریم؟ به عنوان یک دانشمند داده کاندید، باید نکات و نکات هر یک از این زمینه ها را درک کنید و رویکرد مناسب برای حل یک مشکل را بشناسید. این "معرفی علم داده و داده" به شما نگاهی جامع به همه این کلمات کلیدی و جایی که آنها در قلمرو علم داده قرار می گیرند ارائه می دهد.

2. ریاضیات

یادگیری ابزارها اولین قدم برای انجام علم داده است. ابتدا باید تصویر بزرگ را ببینید تا سپس قطعات را با جزئیات بررسی کنید.

ما نگاهی دقیق به حساب دیفرانسیل و انتگرال و جبر خطی می اندازیم زیرا آنها زیرشاخه هایی هستند که علم داده بر آنها تکیه دارد.

چرا آن را یاد بگیریم؟

حساب دیفرانسیل و انتگرال و جبر خطی برای برنامه نویسی در علم داده ضروری هستند. اگر می‌خواهید الگوریتم‌های پیشرفته یادگیری ماشینی را بدانید، به این مهارت‌ها در زرادخانه خود نیاز دارید.

3. آمار

قبل از اینکه بتوانید دانشمند شوید، باید مانند یک دانشمند فکر کنید. آمار ذهن شما را آموزش می دهد تا مسائل را به عنوان فرضیه بسازد و تکنیک هایی را برای آزمایش این فرضیه ها به شما می دهد، درست مانند یک دانشمند.

چرا آن را یاد بگیریم؟

این دوره نه تنها ابزارهای مورد نیاز را در اختیار شما قرار می دهد، بلکه نحوه استفاده از آنها را به شما آموزش می دهد. آمار به شما آموزش می دهد که مانند یک دانشمند فکر کنید.

4. پایتون

Python یک زبان برنامه نویسی نسبتاً جدید است و برخلاف R، یک زبان برنامه نویسی همه منظوره است. شما می توانید هر کاری با آن انجام دهید! برنامه های کاربردی وب، بازی های رایانه ای و علم داده از جمله بسیاری از قابلیت های آن هستند. به همین دلیل است که در مدت زمان کوتاهی توانسته است بسیاری از رشته ها را مختل کند. کتابخانه های بسیار قدرتمندی توسعه یافته اند تا امکان دستکاری، تبدیل و تجسم داده ها را فراهم کنند. با این حال، جایی که پایتون واقعاً می‌درخشد، زمانی است که با یادگیری ماشینی و عمیق سروکار دارد.

چرا آن را یاد بگیریم؟

وقتی نوبت به توسعه، پیاده‌سازی و استقرار مدل‌های یادگیری ماشینی از طریق چارچوب‌های قدرتمندی مانند scikit-learn، TensorFlow و غیره می‌رسد، پایتون یک زبان برنامه‌نویسی ضروری است.

5. تابلو

دانشمندان داده فقط نیازی به رسیدگی به داده ها و حل مشکلات داده محور ندارند. آنها همچنین باید مدیران شرکت را در مورد تصمیم گیری صحیح متقاعد کنند. این مدیران ممکن است در علم داده به خوبی آشنا نباشند، بنابراین دانشمند داده باید بتواند داستان داده ها را به گونه ای که می فهمد ارائه و تجسم کند. اینجاست که Tableau وارد می‌شود - و ما به شما کمک می‌کنیم با استفاده از نرم‌افزار تجسم پیشرو در هوش تجاری و علم داده، یک داستان‌گوی خبره شوید.

چرا آن را یاد بگیریم؟

یک دانشمند داده برای انتقال نتایج پیچیده به تصمیم گیرندگان غیر فنی به ابزارهای هوش تجاری مانند Tableau متکی است.

6. آمار پیشرفته

رگرسیون، خوشه‌بندی و تحلیل عاملی همگی رشته‌هایی هستند که قبل از یادگیری ماشین اختراع شده‌اند. با این حال، اکنون این روش‌های آماری همه از طریق یادگیری ماشینی انجام می‌شوند تا پیش‌بینی‌هایی با دقت بی‌نظیر ارائه کنند. در این بخش با جزئیات به این تکنیک ها می پردازیم.

چرا آن را یاد بگیریم؟

علم داده در مورد مدل‌سازی پیش‌بینی است و می‌توانید از طریق این بخش «آمار پیشرفته» در این روش‌ها متخصص شوید.

7. یادگیری ماشینی

بخش پایانی برنامه و آنچه که هر بخش به آن منجر شده است، یادگیری عمیق است. توانایی به کارگیری ماشین و یادگیری عمیق در کار خود چیزی است که اغلب یک دانشمند داده را از یک تحلیلگر داده جدا می کند. این بخش تمام تکنیک های رایج یادگیری ماشین و روش های یادگیری عمیق با TensorFlow را پوشش می دهد.

چرا آن را یاد بگیریم؟

یادگیری ماشین همه جا هست. سال‌هاست که شرکت‌هایی مانند فیس‌بوک، گوگل و آمازون از ماشین‌هایی استفاده می‌کنند که می‌توانند به تنهایی یاد بگیرند. اکنون زمان آن است که شما ماشین ها را کنترل کنید.

***آنچه به دست می آورید***

  • برنامه آموزش علوم داده 1250 دلاری

  • پشتیبانی فعال Q A

  • همه دانش لازم برای استخدام به عنوان دانشمند داده

  • جامعه ای از فراگیران علم داده

  • گواهی تکمیل

  • دسترسی به به‌روزرسانی‌های آینده

  • موارد کسب و کار واقعی را حل کنید که به شما شغل می دهد

شما از ابتدا یک دانشمند داده خواهید شد ما خوشحالیم که 30 روز وجه بدون قید و شرط را با ضمانت کامل ارائه می دهیم. هیچ خطری برای شما وجود ندارد. محتوای دوره عالی است، و این برای ما بی‌معنی است، زیرا مطمئن هستیم که آن را دوست خواهید داشت.

چرا صبر کنید؟ هر روز یک فرصت از دست رفته است.

روی دکمه "اکنون خرید" کلیک کنید و امروز بخشی از برنامه دانشمند داده ما شوید.


سرفصل ها و درس ها

بخش 1: مقدمه Part 1: Introduction

  • یک مثال عملی: آنچه در این دوره خواهید آموخت A Practical Example: What You Will Learn in This Course

  • دوره چه چیزی را پوشش می دهد What Does the Course Cover

  • دانلود همه منابع و سوالات متداول مهم Download All Resources and Important FAQ

رشته علم داده - رشته های مختلف علوم داده The Field of Data Science - The Various Data Science Disciplines

  • کلمات کلیدی علم داده و تجارت: چرا تعداد زیادی وجود دارد؟ Data Science and Business Buzzwords: Why are there so Many?

  • کلمات کلیدی علم داده و تجارت: چرا تعداد زیادی وجود دارد؟ Data Science and Business Buzzwords: Why are there so Many?

  • تفاوت بین تجزیه و تحلیل و تجزیه و تحلیل چیست؟ What is the difference between Analysis and Analytics

  • تفاوت بین تجزیه و تحلیل و تجزیه و تحلیل چیست؟ What is the difference between Analysis and Analytics

  • تجزیه و تحلیل کسب و کار، تجزیه و تحلیل داده ها، و علم داده: مقدمه Business Analytics, Data Analytics, and Data Science: An Introduction

  • تجزیه و تحلیل کسب و کار، تجزیه و تحلیل داده ها، و علم داده: مقدمه Business Analytics, Data Analytics, and Data Science: An Introduction

  • با BI، ML، و AI ادامه دهید Continuing with BI, ML, and AI

  • با BI، ML، و AI ادامه دهید Continuing with BI, ML, and AI

  • خلاصه ای از اینفوگرافیک علم داده ما A Breakdown of our Data Science Infographic

  • خلاصه ای از اینفوگرافیک علم داده ما A Breakdown of our Data Science Infographic

حوزه علم داده - اتصال رشته های علوم داده The Field of Data Science - Connecting the Data Science Disciplines

  • استفاده از داده های سنتی، داده های بزرگ، BI، علم داده های سنتی و ML Applying Traditional Data, Big Data, BI, Traditional Data Science and ML

  • استفاده از داده های سنتی، داده های بزرگ، BI، علم داده های سنتی و ML Applying Traditional Data, Big Data, BI, Traditional Data Science and ML

حوزه علم داده - مزایای هر رشته The Field of Data Science - The Benefits of Each Discipline

  • دلیل پشت این رشته ها The Reason Behind These Disciplines

  • دلیل پشت این رشته ها The Reason Behind These Disciplines

حوزه علم داده - تکنیک های محبوب علم داده The Field of Data Science - Popular Data Science Techniques

  • تکنیک های کار با داده های سنتی Techniques for Working with Traditional Data

  • تکنیک های کار با داده های سنتی Techniques for Working with Traditional Data

  • نمونه های زندگی واقعی از داده های سنتی Real Life Examples of Traditional Data

  • تکنیک های کار با داده های بزرگ Techniques for Working with Big Data

  • تکنیک های کار با داده های بزرگ Techniques for Working with Big Data

  • نمونه هایی از داده های بزرگ در زندگی واقعی Real Life Examples of Big Data

  • تکنیک های هوش تجاری (BI). Business Intelligence (BI) Techniques

  • تکنیک های هوش تجاری (BI). Business Intelligence (BI) Techniques

  • نمونه های واقعی هوش تجاری (BI) Real Life Examples of Business Intelligence (BI)

  • تکنیک های کار با روش های سنتی Techniques for Working with Traditional Methods

  • تکنیک های کار با روش های سنتی Techniques for Working with Traditional Methods

  • نمونه های زندگی واقعی از روش های سنتی Real Life Examples of Traditional Methods

  • تکنیک های یادگیری ماشینی (ML). Machine Learning (ML) Techniques

  • تکنیک های یادگیری ماشینی (ML). Machine Learning (ML) Techniques

  • انواع یادگیری ماشینی Types of Machine Learning

  • انواع یادگیری ماشینی Types of Machine Learning

  • نمونه های واقعی یادگیری ماشین (ML) Real Life Examples of Machine Learning (ML)

  • نمونه های واقعی یادگیری ماشین (ML) Real Life Examples of Machine Learning (ML)

حوزه علم داده - ابزارهای محبوب علم داده The Field of Data Science - Popular Data Science Tools

  • زبان های برنامه نویسی ضروری و نرم افزارهای مورد استفاده در علم داده Necessary Programming Languages and Software Used in Data Science

  • زبان های برنامه نویسی ضروری و نرم افزارهای مورد استفاده در علم داده Necessary Programming Languages and Software Used in Data Science

حوزه علم داده - مشاغل در علم داده The Field of Data Science - Careers in Data Science

  • یافتن شغل - چه چیزی را باید انتظار داشت و به دنبال چه چیزی بود Finding the Job - What to Expect and What to Look for

  • یافتن شغل - چه چیزی را باید انتظار داشت و به دنبال چه چیزی بود Finding the Job - What to Expect and What to Look for

حوزه علم داده - رد کردن باورهای غلط رایج The Field of Data Science - Debunking Common Misconceptions

  • رد کردن باورهای غلط رایج Debunking Common Misconceptions

  • رد کردن باورهای غلط رایج Debunking Common Misconceptions

بخش 2: احتمال Part 2: Probability

  • فرمول احتمال اولیه The Basic Probability Formula

  • فرمول احتمال اولیه The Basic Probability Formula

  • محاسبه مقادیر مورد انتظار Computing Expected Values

  • محاسبه مقادیر مورد انتظار Computing Expected Values

  • فرکانس Frequency

  • فرکانس Frequency

  • رویدادها و مکمل های آنها Events and Their Complements

  • رویدادها و مکمل های آنها Events and Their Complements

احتمال - ترکیبیات Probability - Combinatorics

  • مبانی ترکیبیات Fundamentals of Combinatorics

  • مبانی ترکیبیات Fundamentals of Combinatorics

  • جایگشت و نحوه استفاده از آنها Permutations and How to Use Them

  • جایگشت و نحوه استفاده از آنها Permutations and How to Use Them

  • عملیات ساده با فاکتوریل Simple Operations with Factorials

  • عملیات ساده با فاکتوریل Simple Operations with Factorials

  • حل تغییرات با تکرار Solving Variations with Repetition

  • حل تغییرات با تکرار Solving Variations with Repetition

  • حل تغییرات بدون تکرار Solving Variations without Repetition

  • حل تغییرات بدون تکرار Solving Variations without Repetition

  • حل ترکیبات Solving Combinations

  • حل ترکیبات Solving Combinations

  • تقارن ترکیبات Symmetry of Combinations

  • تقارن ترکیبات Symmetry of Combinations

  • حل ترکیبات با فضاهای نمونه مجزا Solving Combinations with Separate Sample Spaces

  • حل ترکیبات با فضاهای نمونه مجزا Solving Combinations with Separate Sample Spaces

  • ترکیبیات در زندگی واقعی: لاتاری Combinatorics in Real-Life: The Lottery

  • ترکیبیات در زندگی واقعی: لاتاری Combinatorics in Real-Life: The Lottery

  • خلاصه ای از ترکیبات A Recap of Combinatorics

  • یک مثال عملی از ترکیبات A Practical Example of Combinatorics

احتمال - استنتاج بیزی Probability - Bayesian Inference

  • مجموعه ها و رویدادها Sets and Events

  • مجموعه ها و رویدادها Sets and Events

  • راه هایی که مجموعه ها می توانند تعامل داشته باشند Ways Sets Can Interact

  • راه هایی که مجموعه ها می توانند تعامل داشته باشند Ways Sets Can Interact

  • تقاطع مجموعه ها Intersection of Sets

  • تقاطع مجموعه ها Intersection of Sets

  • اتحادیه مجموعه ها Union of Sets

  • اتحادیه مجموعه ها Union of Sets

  • مجموعه های انحصاری متقابل Mutually Exclusive Sets

  • مجموعه های انحصاری متقابل Mutually Exclusive Sets

  • وابستگی و استقلال مجموعه ها Dependence and Independence of Sets

  • وابستگی و استقلال مجموعه ها Dependence and Independence of Sets

  • فرمول احتمال شرطی The Conditional Probability Formula

  • فرمول احتمال شرطی The Conditional Probability Formula

  • قانون احتمال کل The Law of Total Probability

  • قانون افزودنی The Additive Rule

  • قانون افزودنی The Additive Rule

  • قانون ضرب The Multiplication Law

  • قانون ضرب The Multiplication Law

  • قانون بیز Bayes' Law

  • قانون بیز Bayes' Law

  • یک مثال عملی از استنتاج بیزی A Practical Example of Bayesian Inference

احتمال - توزیع ها Probability - Distributions

  • مبانی توزیع احتمال Fundamentals of Probability Distributions

  • مبانی توزیع احتمال Fundamentals of Probability Distributions

  • انواع توزیع احتمال Types of Probability Distributions

  • انواع توزیع احتمال Types of Probability Distributions

  • ویژگی های توزیع های گسسته Characteristics of Discrete Distributions

  • ویژگی های توزیع های گسسته Characteristics of Discrete Distributions

  • توزیع های گسسته: توزیع یکنواخت Discrete Distributions: The Uniform Distribution

  • توزیع های گسسته: توزیع یکنواخت Discrete Distributions: The Uniform Distribution

  • توزیع های گسسته: توزیع برنولی Discrete Distributions: The Bernoulli Distribution

  • توزیع های گسسته: توزیع برنولی Discrete Distributions: The Bernoulli Distribution

  • توزیع های گسسته: توزیع دو جمله ای Discrete Distributions: The Binomial Distribution

  • توزیع های گسسته: توزیع دو جمله ای Discrete Distributions: The Binomial Distribution

  • توزیع های گسسته: توزیع پواسون Discrete Distributions: The Poisson Distribution

  • توزیع های گسسته: توزیع پواسون Discrete Distributions: The Poisson Distribution

  • ویژگی های توزیع های پیوسته Characteristics of Continuous Distributions

  • ویژگی های توزیع های پیوسته Characteristics of Continuous Distributions

  • توزیع های پیوسته: توزیع عادی Continuous Distributions: The Normal Distribution

  • توزیع های پیوسته: توزیع عادی Continuous Distributions: The Normal Distribution

  • توزیع های پیوسته: توزیع عادی استاندارد Continuous Distributions: The Standard Normal Distribution

  • توزیع های پیوسته: توزیع عادی استاندارد Continuous Distributions: The Standard Normal Distribution

  • توزیع های مستمر: توزیع T دانشجویان Continuous Distributions: The Students' T Distribution

  • توزیع های مستمر: توزیع T دانشجویان Continuous Distributions: The Students' T Distribution

  • توزیع های پیوسته: توزیع Chi-Squared Continuous Distributions: The Chi-Squared Distribution

  • توزیع های پیوسته: توزیع Chi-Squared Continuous Distributions: The Chi-Squared Distribution

  • توزیع های پیوسته: توزیع نمایی Continuous Distributions: The Exponential Distribution

  • توزیع های پیوسته: توزیع نمایی Continuous Distributions: The Exponential Distribution

  • توزیع های مستمر: توزیع لجستیک Continuous Distributions: The Logistic Distribution

  • توزیع های مستمر: توزیع لجستیک Continuous Distributions: The Logistic Distribution

  • یک مثال عملی از توزیع احتمال A Practical Example of Probability Distributions

احتمال - احتمال در زمینه های دیگر Probability - Probability in Other Fields

  • احتمال در امور مالی Probability in Finance

  • احتمال در آمار Probability in Statistics

  • احتمال در علم داده Probability in Data Science

بخش سوم: آمار Part 3: Statistics

  • جمعیت و نمونه Population and Sample

  • جمعیت و نمونه Population and Sample

آمار - آمار توصیفی Statistics - Descriptive Statistics

  • انواع داده ها Types of Data

  • انواع داده ها Types of Data

  • سطوح اندازه گیری Levels of Measurement

  • سطوح اندازه گیری Levels of Measurement

  • متغیرهای طبقه بندی - تکنیک های تجسم Categorical Variables - Visualization Techniques

  • متغیرهای طبقه بندی - تکنیک های تجسم Categorical Variables - Visualization Techniques

  • تمرین متغیرهای دسته بندی Categorical Variables Exercise

  • متغیرهای عددی - جدول توزیع فرکانس Numerical Variables - Frequency Distribution Table

  • متغیرهای عددی - جدول توزیع فرکانس Numerical Variables - Frequency Distribution Table

  • تمرین متغیرهای عددی Numerical Variables Exercise

  • هیستوگرام The Histogram

  • هیستوگرام The Histogram

  • تمرین هیستوگرام Histogram Exercise

  • جداول متقاطع و نمودارهای پراکنده Cross Tables and Scatter Plots

  • جداول متقاطع و نمودارهای پراکنده Cross Tables and Scatter Plots

  • تمرین جداول متقاطع و طرح های پراکنده Cross Tables and Scatter Plots Exercise

  • میانگین، میانه و حالت Mean, median and mode

  • تمرین میانگین، میانه و حالت Mean, Median and Mode Exercise

  • چولگی Skewness

  • چولگی Skewness

  • ورزش چولگی Skewness Exercise

  • واریانس Variance

  • تمرین واریانس Variance Exercise

  • انحراف معیار و ضریب تغییرات Standard Deviation and Coefficient of Variation

  • انحراف معیار Standard Deviation

  • تمرین انحراف معیار و ضریب تغییرات Standard Deviation and Coefficient of Variation Exercise

  • کوواریانس Covariance

  • کوواریانس Covariance

  • تمرین کوواریانس Covariance Exercise

  • ضریب همبستگی Correlation Coefficient

  • همبستگی Correlation

  • تمرین ضریب همبستگی Correlation Coefficient Exercise

آمار - مثال عملی: آمار توصیفی Statistics - Practical Example: Descriptive Statistics

  • مثال عملی: آمار توصیفی Practical Example: Descriptive Statistics

  • مثال عملی: تمرین آمار توصیفی Practical Example: Descriptive Statistics Exercise

آمار - مبانی آمار استنباطی Statistics - Inferential Statistics Fundamentals

  • معرفی Introduction

  • توزیع چیست What is a Distribution

  • توزیع چیست What is a Distribution

  • توزیع عادی The Normal Distribution

  • توزیع عادی The Normal Distribution

  • توزیع عادی استاندارد The Standard Normal Distribution

  • توزیع عادی استاندارد The Standard Normal Distribution

  • تمرین توزیع عادی استاندارد The Standard Normal Distribution Exercise

  • تئوری حد مرکزی Central Limit Theorem

  • تئوری حد مرکزی Central Limit Theorem

  • خطای استاندارد Standard error

  • خطای استاندارد Standard Error

  • برآوردگرها و برآوردها Estimators and Estimates

  • برآوردگرها و برآوردها Estimators and Estimates

آمار - آمار استنباطی: فواصل اطمینان Statistics - Inferential Statistics: Confidence Intervals

  • فواصل اطمینان چیست؟ What are Confidence Intervals?

  • فواصل اطمینان چیست؟ What are Confidence Intervals?

  • فاصله اطمینان؛ واریانس جمعیت شناخته شده است. امتیاز Z Confidence Intervals; Population Variance Known; Z-score

  • فاصله اطمینان؛ واریانس جمعیت شناخته شده است. امتیاز Z; ورزش Confidence Intervals; Population Variance Known; Z-score; Exercise

  • شفاف سازی فاصله اطمینان Confidence Interval Clarifications

  • توزیع T دانش آموزی Student's T Distribution

  • توزیع T دانش آموزی Student's T Distribution

  • فاصله اطمینان؛ واریانس جمعیت نامشخص. امتیاز T Confidence Intervals; Population Variance Unknown; T-score

  • فاصله اطمینان؛ واریانس جمعیت نامشخص. امتیاز T; ورزش Confidence Intervals; Population Variance Unknown; T-score; Exercise

  • حاشیه خطا Margin of Error

  • حاشیه خطا Margin of Error

  • فاصله اطمینان. دو وسیله نمونه های وابسته Confidence intervals. Two means. Dependent samples

  • فاصله اطمینان. دو وسیله نمونه های وابسته تمرین Confidence intervals. Two means. Dependent samples Exercise

  • فاصله اطمینان. دو وسیله نمونه های مستقل (قسمت 1) Confidence intervals. Two means. Independent Samples (Part 1)

  • فاصله اطمینان. دو وسیله نمونه های مستقل (قسمت اول). ورزش Confidence intervals. Two means. Independent Samples (Part 1). Exercise

  • فاصله اطمینان. دو وسیله نمونه های مستقل (قسمت 2) Confidence intervals. Two means. Independent Samples (Part 2)

  • فاصله اطمینان. دو وسیله نمونه های مستقل (قسمت دوم). ورزش Confidence intervals. Two means. Independent Samples (Part 2). Exercise

  • فاصله اطمینان. دو وسیله نمونه های مستقل (قسمت 3) Confidence intervals. Two means. Independent Samples (Part 3)

آمار - مثال عملی: آمار استنباطی Statistics - Practical Example: Inferential Statistics

  • مثال عملی: آمار استنباطی Practical Example: Inferential Statistics

  • مثال عملی: تمرین آمار استنباطی Practical Example: Inferential Statistics Exercise

آمار - آزمون فرضیه Statistics - Hypothesis Testing

  • فرضیه صفر در مقابل فرضیه جایگزین Null vs Alternative Hypothesis

  • مطالعه بیشتر در مورد فرضیه صفر و جایگزین Further Reading on Null and Alternative Hypothesis

  • فرضیه صفر در مقابل فرضیه جایگزین Null vs Alternative Hypothesis

  • منطقه رد و سطح اهمیت Rejection Region and Significance Level

  • منطقه رد و سطح اهمیت Rejection Region and Significance Level

  • خطای نوع اول و خطای نوع دوم Type I Error and Type II Error

  • خطای نوع اول و خطای نوع دوم Type I Error and Type II Error

  • تست میانگین. واریانس جمعیت شناخته شده است Test for the Mean. Population Variance Known

  • تست میانگین. تمرین شناخته شده واریانس جمعیت Test for the Mean. Population Variance Known Exercise

  • مقدار p p-value

  • مقدار p p-value

  • تست میانگین. واریانس جمعیت نامشخص Test for the Mean. Population Variance Unknown

  • تست میانگین. تمرین ناشناخته واریانس جمعیت Test for the Mean. Population Variance Unknown Exercise

  • تست میانگین. نمونه های وابسته Test for the Mean. Dependent Samples

  • تست میانگین. تمرین نمونه های وابسته Test for the Mean. Dependent Samples Exercise

  • میانگین را تست کنید. نمونه های مستقل (قسمت 1) Test for the mean. Independent Samples (Part 1)

  • میانگین را تست کنید. نمونه های مستقل (قسمت اول). ورزش Test for the mean. Independent Samples (Part 1). Exercise

  • میانگین را تست کنید. نمونه های مستقل (قسمت 2) Test for the mean. Independent Samples (Part 2)

  • میانگین را تست کنید. نمونه های مستقل (قسمت 2) Test for the mean. Independent Samples (Part 2)

  • میانگین را تست کنید. نمونه های مستقل (قسمت دوم). ورزش Test for the mean. Independent Samples (Part 2). Exercise

آمار - مثال عملی: آزمون فرضیه Statistics - Practical Example: Hypothesis Testing

  • مثال عملی: آزمون فرضیه Practical Example: Hypothesis Testing

  • مثال عملی: تمرین تست فرضیه Practical Example: Hypothesis Testing Exercise

قسمت 4: مقدمه ای بر پایتون Part 4: Introduction to Python

  • مقدمه ای بر برنامه نویسی Introduction to Programming

  • مقدمه ای بر برنامه نویسی Introduction to Programming

  • چرا پایتون؟ Why Python?

  • چرا پایتون؟ Why Python?

  • چرا ژوپیتر؟ Why Jupyter?

  • چرا ژوپیتر؟ Why Jupyter?

  • نصب پایتون و ژوپیتر Installing Python and Jupyter

  • درک رابط Jupyter - داشبورد نوت بوک Understanding Jupyter's Interface - the Notebook Dashboard

  • پیش نیازهای کدنویسی در نوت بوک های Jupyter Prerequisites for Coding in the Jupyter Notebooks

  • رابط ژوپیتر Jupyter's Interface

پایتون - متغیرها و انواع داده ها Python - Variables and Data Types

  • متغیرها Variables

  • متغیرها Variables

  • اعداد و مقادیر بولی در پایتون Numbers and Boolean Values in Python

  • اعداد و مقادیر بولی در پایتون Numbers and Boolean Values in Python

  • رشته های پایتون Python Strings

  • رشته های پایتون Python Strings

پایتون - نحو پایه پایتون Python - Basic Python Syntax

  • استفاده از عملگرهای حسابی در پایتون Using Arithmetic Operators in Python

  • استفاده از عملگرهای حسابی در پایتون Using Arithmetic Operators in Python

  • علامت برابری دوگانه The Double Equality Sign

  • علامت برابری دوگانه The Double Equality Sign

  • نحوه تخصیص مجدد مقادیر How to Reassign Values

  • نحوه تخصیص مجدد مقادیر How to Reassign Values

  • نظرات را اضافه کنید Add Comments

  • نظرات را اضافه کنید Add Comments

  • درک ادامه خط Understanding Line Continuation

  • عناصر نمایه سازی Indexing Elements

  • عناصر نمایه سازی Indexing Elements

  • ساختار دهی با تورفتگی Structuring with Indentation

  • ساختار دهی با تورفتگی Structuring with Indentation

پایتون - سایر اپراتورهای پایتون Python - Other Python Operators

  • اپراتورهای مقایسه Comparison Operators

  • اپراتورهای مقایسه Comparison Operators

  • عملگرهای منطقی و هویتی Logical and Identity Operators

  • عملگرهای منطقی و هویتی Logical and Identity Operators

پایتون - عبارات شرطی Python - Conditional Statements

  • بیانیه IF The IF Statement

  • بیانیه IF The IF Statement

  • بیانیه ELSE The ELSE Statement

  • بیانیه ELIF The ELIF Statement

  • یادداشتی در مورد مقادیر بولی A Note on Boolean Values

  • یادداشتی در مورد مقادیر بولی A Note on Boolean Values

پایتون - توابع پایتون Python - Python Functions

  • تعریف تابع در پایتون Defining a Function in Python

  • نحوه ایجاد یک تابع با یک پارامتر How to Create a Function with a Parameter

  • تعریف یک تابع در پایتون - قسمت دوم Defining a Function in Python - Part II

  • نحوه استفاده از یک تابع در یک تابع How to Use a Function within a Function

  • عبارات و توابع مشروط Conditional Statements and Functions

  • توابع حاوی چند آرگومان Functions Containing a Few Arguments

  • توابع داخلی در پایتون Built-in Functions in Python

  • توابع پایتون Python Functions

پایتون - دنباله ها Python - Sequences

  • لیست ها Lists

  • لیست ها Lists

  • استفاده از روش ها Using Methods

  • استفاده از روش ها Using Methods

  • برش فهرست List Slicing

  • تاپل ها Tuples

  • لغت نامه ها Dictionaries

  • لغت نامه ها Dictionaries

پایتون - تکرار Python - Iterations

  • برای حلقه ها For Loops

  • برای حلقه ها For Loops

  • در حالی که حلقه ها و افزایش While Loops and Incrementing

  • لیست هایی با تابع range(). Lists with the range() Function

  • لیست هایی با تابع range(). Lists with the range() Function

  • بیانیه های شرطی و حلقه ها Conditional Statements and Loops

  • عبارات شرطی، توابع و حلقه ها Conditional Statements, Functions, and Loops

  • نحوه تکرار بر روی دیکشنری ها How to Iterate over Dictionaries

پایتون - ابزارهای پیشرفته پایتون Python - Advanced Python Tools

  • برنامه نویسی شی گرا Object Oriented Programming

  • برنامه نویسی شی گرا Object Oriented Programming

  • ماژول ها و بسته ها Modules and Packages

  • ماژول ها و بسته ها Modules and Packages

  • کتابخانه استاندارد چیست؟ What is the Standard Library?

  • کتابخانه استاندارد چیست؟ What is the Standard Library?

  • وارد کردن ماژول ها در پایتون Importing Modules in Python

  • وارد کردن ماژول ها در پایتون Importing Modules in Python

بخش 5: روش های آماری پیشرفته در پایتون Part 5: Advanced Statistical Methods in Python

  • مقدمه ای بر تحلیل رگرسیون Introduction to Regression Analysis

  • مقدمه ای بر تحلیل رگرسیون Introduction to Regression Analysis

روش های آماری پیشرفته - رگرسیون خطی با StatsModels Advanced Statistical Methods - Linear Regression with StatsModels

  • مدل رگرسیون خطی The Linear Regression Model

  • مدل رگرسیون خطی The Linear Regression Model

  • همبستگی در مقابل رگرسیون Correlation vs Regression

  • همبستگی در مقابل رگرسیون Correlation vs Regression

  • نمایش هندسی مدل رگرسیون خطی Geometrical Representation of the Linear Regression Model

  • نمایش هندسی مدل رگرسیون خطی Geometrical Representation of the Linear Regression Model

  • نصب بسته های پایتون Python Packages Installation

  • اولین رگرسیون در پایتون First Regression in Python

  • اولین رگرسیون در تمرین پایتون First Regression in Python Exercise

  • استفاده از Seaborn برای نمودارها Using Seaborn for Graphs

  • نحوه تفسیر جدول رگرسیون How to Interpret the Regression Table

  • نحوه تفسیر جدول رگرسیون How to Interpret the Regression Table

  • تجزیه متغیر Decomposition of Variability

  • تجزیه متغیر Decomposition of Variability

  • OLS چیست؟ What is the OLS?

  • OLS چیست؟ What is the OLS

  • R-Squared R-Squared

  • R-Squared R-Squared

روش‌های آماری پیشرفته - رگرسیون خطی چندگانه با StatsModels Advanced Statistical Methods - Multiple Linear Regression with StatsModels

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • R-Squared تنظیم شده است Adjusted R-Squared

  • R-Squared تنظیم شده است Adjusted R-Squared

  • تمرین رگرسیون خطی چندگانه Multiple Linear Regression Exercise

  • تست اهمیت مدل (آزمون F) Test for Significance of the Model (F-Test)

  • مفروضات OLS OLS Assumptions

  • مفروضات OLS OLS Assumptions

  • A1: خطی بودن A1: Linearity

  • A1: خطی بودن A1: Linearity

  • A2: بدون درون زایی A2: No Endogeneity

  • A2: بدون درون زایی A2: No Endogeneity

  • A3: نرمال بودن و همسانی A3: Normality and Homoscedasticity

  • A4: بدون خود همبستگی A4: No Autocorrelation

  • A4: بدون خود همبستگی A4: No autocorrelation

  • A5: بدون چند خطی A5: No Multicollinearity

  • A5: بدون چند خطی A5: No Multicollinearity

  • برخورد با داده های طبقه بندی شده - متغیرهای ساختگی Dealing with Categorical Data - Dummy Variables

  • برخورد با داده های طبقه بندی شده - متغیرهای ساختگی Dealing with Categorical Data - Dummy Variables

  • پیش بینی با رگرسیون خطی Making Predictions with the Linear Regression

روش‌های آماری پیشرفته - رگرسیون خطی با sklearn Advanced Statistical Methods - Linear Regression with sklearn

  • اسکلرن چیست و چه تفاوتی با سایر بسته ها دارد What is sklearn and How is it Different from Other Packages

  • چگونه می خواهیم به این بخش نزدیک شویم؟ How are we Going to Approach this Section?

  • رگرسیون خطی ساده با sklearn Simple Linear Regression with sklearn

  • رگرسیون خطی ساده با sklearn - جدول خلاصه ای StatsModels Simple Linear Regression with sklearn - A StatsModels-like Summary Table

  • نکته ای در مورد عادی سازی A Note on Normalization

  • رگرسیون خطی ساده با sklearn - تمرین Simple Linear Regression with sklearn - Exercise

  • رگرسیون خطی چندگانه با sklearn Multiple Linear Regression with sklearn

  • محاسبه Adjusted R-Squared در sklearn Calculating the Adjusted R-Squared in sklearn

  • محاسبه R-Squared در sklearn - تمرین Calculating the Adjusted R-Squared in sklearn - Exercise

  • انتخاب ویژگی (رگرسیون F) Feature Selection (F-regression)

  • یادداشتی در مورد محاسبه مقادیر P با sklearn A Note on Calculation of P-values with sklearn

  • ایجاد یک جدول خلاصه با مقادیر P Creating a Summary Table with P-values

  • رگرسیون خطی چندگانه - تمرین Multiple Linear Regression - Exercise

  • مقیاس بندی ویژگی (استانداردسازی) Feature Scaling (Standardization)

  • انتخاب ویژگی از طریق استانداردسازی وزن ها Feature Selection through Standardization of Weights

  • پیش بینی با ضرایب استاندارد شده Predicting with the Standardized Coefficients

  • مقیاس بندی ویژگی ها (استانداردسازی) - ورزش کنید Feature Scaling (Standardization) - Exercise

  • کم تناسب و بیش از حد Underfitting and Overfitting

  • Train - Test Split توضیح داده شد Train - Test Split Explained

روش های آماری پیشرفته - مثال عملی: رگرسیون خطی Advanced Statistical Methods - Practical Example: Linear Regression

  • مثال عملی: رگرسیون خطی (قسمت 1) Practical Example: Linear Regression (Part 1)

  • مثال عملی: رگرسیون خطی (قسمت 2) Practical Example: Linear Regression (Part 2)

  • نکته ای در مورد چند خطی A Note on Multicollinearity

  • مثال عملی: رگرسیون خطی (قسمت 3) Practical Example: Linear Regression (Part 3)

  • آدمک ها و عامل تورم واریانس - تمرین Dummies and Variance Inflation Factor - Exercise

  • مثال عملی: رگرسیون خطی (قسمت 4) Practical Example: Linear Regression (Part 4)

  • متغیرهای ساختگی - تمرین Dummy Variables - Exercise

  • مثال عملی: رگرسیون خطی (قسمت 5) Practical Example: Linear Regression (Part 5)

  • رگرسیون خطی - تمرین Linear Regression - Exercise

روش های آماری پیشرفته - رگرسیون لجستیک Advanced Statistical Methods - Logistic Regression

  • مقدمه ای بر رگرسیون لجستیک Introduction to Logistic Regression

  • یک مثال ساده در پایتون A Simple Example in Python

  • عملکرد لجستیک در مقابل لاجیت Logistic vs Logit Function

  • ایجاد یک رگرسیون لجستیک Building a Logistic Regression

  • ایجاد یک رگرسیون لجستیک - تمرین Building a Logistic Regression - Exercise

  • یک نکته ارزشمند برای کدنویسی An Invaluable Coding Tip

  • آشنایی با جداول رگرسیون لجستیک Understanding Logistic Regression Tables

  • درک جداول رگرسیون لجستیک - تمرین Understanding Logistic Regression Tables - Exercise

  • شانس در واقع به چه معناست What do the Odds Actually Mean

  • پیش بینی های باینری در یک رگرسیون لجستیک Binary Predictors in a Logistic Regression

  • پیش بینی های باینری در یک رگرسیون لجستیک - تمرین Binary Predictors in a Logistic Regression - Exercise

  • محاسبه دقت مدل Calculating the Accuracy of the Model

  • محاسبه دقت مدل Calculating the Accuracy of the Model

  • کم تناسب و بیش از حد Underfitting and Overfitting

  • تست مدل Testing the Model

  • تست مدل - تمرین Testing the Model - Exercise

روش های آماری پیشرفته - تحلیل خوشه ای Advanced Statistical Methods - Cluster Analysis

  • مقدمه ای بر تحلیل خوشه ای Introduction to Cluster Analysis

  • چند نمونه از خوشه ها Some Examples of Clusters

  • تفاوت بین طبقه بندی و خوشه بندی Difference between Classification and Clustering

  • پیش نیازهای ریاضی Math Prerequisites

روش‌های آماری پیشرفته - خوشه‌بندی K-Means Advanced Statistical Methods - K-Means Clustering

  • K-Means Clustering K-Means Clustering

  • یک مثال ساده از خوشه بندی A Simple Example of Clustering

  • یک مثال ساده از خوشه بندی - تمرین A Simple Example of Clustering - Exercise

  • خوشه بندی داده های طبقه بندی شده Clustering Categorical Data

  • خوشه بندی داده های دسته بندی - تمرین Clustering Categorical Data - Exercise

  • نحوه انتخاب تعداد خوشه ها How to Choose the Number of Clusters

  • نحوه انتخاب تعداد خوشه ها - تمرین How to Choose the Number of Clusters - Exercise

  • مزایا و معایب خوشه بندی K-Means Pros and Cons of K-Means Clustering

  • استاندارد کردن یا عدم استانداردسازی To Standardize or not to Standardize

  • رابطه خوشه بندی و رگرسیون Relationship between Clustering and Regression

  • تقسیم بندی بازار با تحلیل خوشه ای (قسمت 1) Market Segmentation with Cluster Analysis (Part 1)

  • تقسیم بندی بازار با تحلیل خوشه ای (قسمت 2) Market Segmentation with Cluster Analysis (Part 2)

  • خوشه بندی چگونه مفید است؟ How is Clustering Useful?

  • تمرین: تقسیم بندی گونه ها با تجزیه و تحلیل خوشه ای (قسمت 1) EXERCISE: Species Segmentation with Cluster Analysis (Part 1)

  • تمرین: تقسیم بندی گونه ها با تجزیه و تحلیل خوشه ای (قسمت 2) EXERCISE: Species Segmentation with Cluster Analysis (Part 2)

روش‌های آماری پیشرفته - انواع دیگر خوشه‌بندی Advanced Statistical Methods - Other Types of Clustering

  • انواع خوشه بندی Types of Clustering

  • دندروگرام Dendrogram

  • نقشه های حرارتی Heatmaps

بخش ششم: ریاضیات Part 6: Mathematics

  • ماتریس چیست؟ What is a Matrix?

  • ماتریس چیست؟ What is a Matrix?

  • اسکالرها و بردارها Scalars and Vectors

  • اسکالرها و بردارها Scalars and Vectors

  • جبر خطی و هندسه Linear Algebra and Geometry

  • جبر خطی و هندسه Linear Algebra and Geometry

  • آرایه ها در پایتون - روشی مناسب برای نمایش ماتریس ها Arrays in Python - A Convenient Way To Represent Matrices

  • تانسور چیست؟ What is a Tensor?

  • تانسور چیست؟ What is a Tensor?

  • جمع و تفریق ماتریس ها Addition and Subtraction of Matrices

  • جمع و تفریق ماتریس ها Addition and Subtraction of Matrices

  • خطا در هنگام اضافه کردن ماتریس Errors when Adding Matrices

  • انتقال یک ماتریس Transpose of a Matrix

  • محصول نقطه ای Dot Product

  • محصول نقطه ای ماتریس ها Dot Product of Matrices

  • چرا جبر خطی مفید است؟ Why is Linear Algebra Useful?

بخش 7: یادگیری عمیق Part 7: Deep Learning

  • از این قسمت چه انتظاری باید داشت؟ What to Expect from this Part?

یادگیری عمیق - مقدمه ای بر شبکه های عصبی Deep Learning - Introduction to Neural Networks

  • مقدمه ای بر شبکه های عصبی Introduction to Neural Networks

  • مقدمه ای بر شبکه های عصبی Introduction to Neural Networks

  • آموزش مدل Training the Model

  • آموزش مدل Training the Model

  • انواع یادگیری ماشینی Types of Machine Learning

  • انواع یادگیری ماشینی Types of Machine Learning

  • مدل خطی (نسخه جبری خطی) The Linear Model (Linear Algebraic Version)

  • مدل خطی The Linear Model

  • مدل خطی با ورودی های متعدد The Linear Model with Multiple Inputs

  • مدل خطی با ورودی های متعدد The Linear Model with Multiple Inputs

  • مدل خطی با چند ورودی و چند خروجی The Linear model with Multiple Inputs and Multiple Outputs

  • مدل خطی با چند ورودی و چند خروجی The Linear model with Multiple Inputs and Multiple Outputs

  • نمایش گرافیکی شبکه های عصبی ساده Graphical Representation of Simple Neural Networks

  • نمایش گرافیکی شبکه های عصبی ساده Graphical Representation of Simple Neural Networks

  • تابع هدف چیست؟ What is the Objective Function?

  • تابع هدف چیست؟ What is the Objective Function?

  • توابع هدف مشترک: از دست دادن هنجار L2 Common Objective Functions: L2-norm Loss

  • توابع هدف مشترک: از دست دادن هنجار L2 Common Objective Functions: L2-norm Loss

  • توابع هدف مشترک: از دست دادن متقابل آنتروپی Common Objective Functions: Cross-Entropy Loss

  • توابع هدف مشترک: از دست دادن متقابل آنتروپی Common Objective Functions: Cross-Entropy Loss

  • الگوریتم بهینه سازی: نزول گرادیان 1 پارامتر Optimization Algorithm: 1-Parameter Gradient Descent

  • الگوریتم بهینه سازی: نزول گرادیان 1 پارامتر Optimization Algorithm: 1-Parameter Gradient Descent

  • الگوریتم بهینه سازی: n-Parameter Gradient Descent Optimization Algorithm: n-Parameter Gradient Descent

  • الگوریتم بهینه سازی: n-Parameter Gradient Descent Optimization Algorithm: n-Parameter Gradient Descent

یادگیری عمیق - چگونه با NumPy یک شبکه عصبی از ابتدا بسازیم Deep Learning - How to Build a Neural Network from Scratch with NumPy

  • مثال پایه NN (قسمت 1) Basic NN Example (Part 1)

  • مثال پایه NN (بخش 2) Basic NN Example (Part 2)

  • مثال پایه NN (بخش 3) Basic NN Example (Part 3)

  • مثال پایه NN (قسمت 4) Basic NN Example (Part 4)

  • نمونه تمرینات پایه NN Basic NN Example Exercises

یادگیری عمیق - TensorFlow 2.0: مقدمه Deep Learning - TensorFlow 2.0: Introduction

  • نحوه نصب TensorFlow 2.0 How to Install TensorFlow 2.0

  • طرح کلی TensorFlow و مقایسه با سایر کتابخانه ها TensorFlow Outline and Comparison with Other Libraries

  • تنسورفلو 1 در مقابل تنسورفلو 2 TensorFlow 1 vs TensorFlow 2

  • یادداشتی در مورد TensorFlow 2 Syntax A Note on TensorFlow 2 Syntax

  • انواع فرمت های فایل که از TensorFlow پشتیبانی می کنند Types of File Formats Supporting TensorFlow

  • تشریح مدل با TensorFlow 2 Outlining the Model with TensorFlow 2

  • تفسیر نتیجه و استخراج وزن ها و تعصب Interpreting the Result and Extracting the Weights and Bias

  • سفارشی کردن یک مدل TensorFlow 2 Customizing a TensorFlow 2 Model

  • NN پایه با TensorFlow: تمرین‌ها Basic NN with TensorFlow: Exercises

یادگیری عمیق - کاوش عمیق تر در شبکه های عصبی: معرفی شبکه های عصبی عمیق Deep Learning - Digging Deeper into NNs: Introducing Deep Neural Networks

  • لایه چیست؟ What is a Layer?

  • شبکه عمیق چیست؟ What is a Deep Net?

  • حفاری در یک شبکه عمیق Digging into a Deep Net

  • غیر خطی ها و هدف آنها Non-Linearities and their Purpose

  • توابع فعال سازی Activation Functions

  • توابع فعال سازی: Softmax Activation Activation Functions: Softmax Activation

  • پس انتشار Backpropagation

  • تصویر پس انتشار Backpropagation Picture

  • پس انتشار - نگاهی به ریاضیات بهینه سازی Backpropagation - A Peek into the Mathematics of Optimization

یادگیری عمیق - بیش از حد Deep Learning - Overfitting

  • Overfitting چیست؟ What is Overfitting?

  • عدم تناسب و بیش از حد مناسب برای طبقه بندی Underfitting and Overfitting for Classification

  • اعتبار سنجی چیست؟ What is Validation?

  • آموزش، اعتبار سنجی، و مجموعه داده های تست Training, Validation, and Test Datasets

  • N-Fold Cross Validation N-Fold Cross Validation

  • توقف زودهنگام یا زمان توقف تمرین Early Stopping or When to Stop Training

یادگیری عمیق - ابتدایی سازی Deep Learning - Initialization

  • Initialization چیست؟ What is Initialization?

  • انواع اولیه سازی های ساده Types of Simple Initializations

  • روش پیشرفته - (Xavier) Glorot Initialization State-of-the-Art Method - (Xavier) Glorot Initialization

یادگیری عمیق - کندوکاو در برنامه‌های نزول گرادیان و نرخ یادگیری Deep Learning - Digging into Gradient Descent and Learning Rate Schedules

  • نزول گرادیان تصادفی Stochastic Gradient Descent

  • مشکلات با گرادیان نزول Problems with Gradient Descent

  • تکانه Momentum

  • زمان‌بندی نرخ یادگیری، یا نحوه انتخاب نرخ یادگیری بهینه Learning Rate Schedules, or How to Choose the Optimal Learning Rate

  • زمان‌بندی نرخ یادگیری تجسم شد Learning Rate Schedules Visualized

  • برنامه های نرخ یادگیری تطبیقی ​​(AdaGrad و RMSprop) Adaptive Learning Rate Schedules (AdaGrad and RMSprop )

  • آدام (تخمین لحظه تطبیقی) Adam (Adaptive Moment Estimation)

یادگیری عمیق - پیش پردازش Deep Learning - Preprocessing

  • مقدمه پیش پردازش Preprocessing Introduction

  • انواع پیش پردازش پایه Types of Basic Preprocessing

  • استاندارد سازی Standardization

  • پیش پردازش داده های طبقه بندی شده Preprocessing Categorical Data

  • رمزگذاری باینری و تک داغ Binary and One-Hot Encoding

یادگیری عمیق - طبقه بندی در مجموعه داده های MNIST Deep Learning - Classifying on the MNIST Dataset

  • MNIST: مجموعه داده MNIST: The Dataset

  • MNIST: چگونه با MNIST مقابله کنیم MNIST: How to Tackle the MNIST

  • MNIST: وارد کردن بسته های مربوطه و بارگیری داده ها MNIST: Importing the Relevant Packages and Loading the Data

  • MNIST: داده ها را از قبل پردازش کنید - یک مجموعه اعتبار سنجی ایجاد کنید و آن را مقیاس کنید MNIST: Preprocess the Data - Create a Validation Set and Scale It

  • MNIST: داده ها را از قبل پردازش کنید - داده های تست را مقیاس دهید - تمرین کنید MNIST: Preprocess the Data - Scale the Test Data - Exercise

  • MNIST: داده ها را از قبل پردازش کنید - مخلوط کردن و دسته ای MNIST: Preprocess the Data - Shuffle and Batch

  • MNIST: داده ها را از قبل پردازش کنید - مخلوط کردن و دسته ای - تمرین MNIST: Preprocess the Data - Shuffle and Batch - Exercise

  • MNIST: مدل را مشخص کنید MNIST: Outline the Model

  • MNIST: Loss و Optimizer را انتخاب کنید MNIST: Select the Loss and the Optimizer

  • MNIST: یادگیری MNIST: Learning

  • MNIST - تمرینات MNIST - Exercises

  • MNIST: آزمایش مدل MNIST: Testing the Model

یادگیری عمیق - مثال موردی تجاری Deep Learning - Business Case Example

  • مورد تجاری: کاوش مجموعه داده و شناسایی پیش بینی کننده ها Business Case: Exploring the Dataset and Identifying Predictors

  • مورد تجاری: تشریح راه حل Business Case: Outlining the Solution

  • مورد تجاری: متعادل کردن مجموعه داده Business Case: Balancing the Dataset

  • مورد تجاری: پیش پردازش داده ها Business Case: Preprocessing the Data

  • مورد تجاری: پیش پردازش داده ها - تمرین Business Case: Preprocessing the Data - Exercise

  • مورد تجاری: داده های از پیش پردازش شده را بارگیری کنید Business Case: Load the Preprocessed Data

  • مورد تجاری: بارگذاری داده های از پیش پردازش شده - تمرین Business Case: Load the Preprocessed Data - Exercise

  • مورد تجاری: یادگیری و تفسیر نتیجه Business Case: Learning and Interpreting the Result

  • مورد تجاری: تنظیم یک مکانیسم توقف اولیه Business Case: Setting an Early Stopping Mechanism

  • تنظیم مکانیزم توقف زودهنگام - ورزش Setting an Early Stopping Mechanism - Exercise

  • مورد تجاری: آزمایش مدل Business Case: Testing the Model

  • مورد تجاری: تمرین نهایی Business Case: Final Exercise

یادگیری عمیق - نتیجه گیری Deep Learning - Conclusion

  • خلاصه ای از آنچه یاد گرفته اید Summary on What You've Learned

  • از نظر یادگیری ماشینی چه چیزی بیشتر وجود دارد What's Further out there in terms of Machine Learning

  • DeepMind و Deep Learning DeepMind and Deep Learning

  • مروری بر CNN ها An overview of CNNs

  • مروری بر RNN ها An Overview of RNNs

  • مروری بر رویکردهای غیر NN An Overview of non-NN Approaches

پیوست: یادگیری عمیق - TensorFlow 1: مقدمه Appendix: Deep Learning - TensorFlow 1: Introduction

  • منو بخون!!!! READ ME!!!!

  • نحوه نصب TensorFlow 1 How to Install TensorFlow 1

  • نکته ای در مورد نصب بسته ها در آناکوندا A Note on Installing Packages in Anaconda

  • معرفی TensorFlow TensorFlow Intro

  • معرفی واقعی TensorFlow Actual Introduction to TensorFlow

  • انواع فرمت های فایل، پشتیبانی از تانسورها Types of File Formats, supporting Tensors

  • مثال پایه NN با TF: ورودی ها، خروجی ها، اهداف، وزن ها، سوگیری ها Basic NN Example with TF: Inputs, Outputs, Targets, Weights, Biases

  • مثال پایه NN با TF: عملکرد افت و نزول گرادیان Basic NN Example with TF: Loss Function and Gradient Descent

  • مثال پایه NN با TF: خروجی مدل Basic NN Example with TF: Model Output

  • مثال پایه NN با تمرینات TF Basic NN Example with TF Exercises

پیوست: یادگیری عمیق - TensorFlow 1: طبقه بندی در مجموعه داده MNIST Appendix: Deep Learning - TensorFlow 1: Classifying on the MNIST Dataset

  • MNIST: مجموعه داده MNIST چیست؟ MNIST: What is the MNIST Dataset?

  • MNIST: چگونه با MNIST مقابله کنیم MNIST: How to Tackle the MNIST

  • MNIST: بسته های مربوطه MNIST: Relevant Packages

  • MNIST: طرح کلی مدل MNIST: Model Outline

  • MNIST: الگوریتم از دست دادن و بهینه سازی MNIST: Loss and Optimization Algorithm

  • محاسبه دقت مدل Calculating the Accuracy of the Model

  • MNIST: بچینگ و توقف زودهنگام MNIST: Batching and Early Stopping

  • MNIST: یادگیری MNIST: Learning

  • MNIST: نتایج و آزمایش MNIST: Results and Testing

  • MNIST: تمرین کنید MNIST: Exercises

  • MNIST: راه حل ها MNIST: Solutions

پیوست: یادگیری عمیق - TensorFlow 1: Business Case Appendix: Deep Learning - TensorFlow 1: Business Case

  • مورد تجاری: آشنایی با مجموعه داده Business Case: Getting Acquainted with the Dataset

  • مورد تجاری: تشریح راه حل Business Case: Outlining the Solution

  • اهمیت کار با مجموعه داده متوازن The Importance of Working with a Balanced Dataset

  • مورد تجاری: پیش پردازش Business Case: Preprocessing

  • مورد تجاری: تمرین پیش پردازش Business Case: Preprocessing Exercise

  • ایجاد یک ارائه دهنده داده Creating a Data Provider

  • مورد تجاری: طرح کلی مدل Business Case: Model Outline

  • مورد تجاری: بهینه سازی Business Case: Optimization

  • مورد تجاری: تفسیر Business Case: Interpretation

  • مورد تجاری: آزمایش مدل Business Case: Testing the Model

  • مورد تجاری: نظری در مورد تکلیف Business Case: A Comment on the Homework

  • مورد تجاری: تمرین نهایی Business Case: Final Exercise

یکپارچه سازی نرم افزار Software Integration

  • داده ها، سرورها، مشتریان، درخواست ها و پاسخ ها چیست؟ What are Data, Servers, Clients, Requests, and Responses

  • داده ها، سرورها، مشتریان، درخواست ها و پاسخ ها چیست؟ What are Data, Servers, Clients, Requests, and Responses

  • اتصال داده، APIها و نقاط پایانی چیست؟ What are Data Connectivity, APIs, and Endpoints?

  • اتصال داده، APIها و نقاط پایانی چیست؟ What are Data Connectivity, APIs, and Endpoints?

  • نگاهی دقیق تر به API ها Taking a Closer Look at APIs

  • نگاهی دقیق تر به API ها Taking a Closer Look at APIs

  • ارتباط بین محصولات نرم افزاری از طریق فایل های متنی Communication between Software Products through Text Files

  • ارتباط بین محصولات نرم افزاری از طریق فایل های متنی Communication between Software Products through Text Files

  • یکپارچه سازی نرم افزار - توضیح داده شده است Software Integration - Explained

  • یکپارچه سازی نرم افزار - توضیح داده شده است Software Integration - Explained

مطالعه موردی - بعدی در دوره چیست؟ Case Study - What's Next in the Course?

  • برنامه بازی برای این تمرین تجاری Python، SQL و Tableau Game Plan for this Python, SQL, and Tableau Business Exercise

  • وظیفه کسب و کار The Business Task

  • معرفی مجموعه داده ها Introducing the Data Set

  • معرفی مجموعه داده ها Introducing the Data Set

مطالعه موردی - پیش پردازش "داده های غیبت" Case Study - Preprocessing the 'Absenteeism_data'

  • از بخش های زیر چه انتظاری باید داشت؟ What to Expect from the Following Sections?

  • وارد کردن داده های غیبت در پایتون Importing the Absenteeism Data in Python

  • بررسی محتوای مجموعه داده Checking the Content of the Data Set

  • مقدمه ای بر اصطلاحات با معانی متعدد Introduction to Terms with Multiple Meanings

  • تجزیه و تحلیل رگرسیون چیست - یک تجدید کننده سریع What's Regression Analysis - a Quick Refresher

  • استفاده از یک رویکرد آماری برای حل تمرین Using a Statistical Approach towards the Solution to the Exercise

  • رها کردن یک ستون از DataFrame در پایتون Dropping a Column from a DataFrame in Python

  • تمرین - رها کردن یک ستون از یک DataFrame در پایتون EXERCISE - Dropping a Column from a DataFrame in Python

  • راه حل - رها کردن یک ستون از یک DataFrame در پایتون SOLUTION - Dropping a Column from a DataFrame in Python

  • تحلیل دلایل غیبت Analyzing the Reasons for Absence

  • به دست آوردن Dummies از یک ویژگی واحد Obtaining Dummies from a Single Feature

  • تمرین - بدست آوردن Dummies از یک ویژگی واحد EXERCISE - Obtaining Dummies from a Single Feature

  • راه حل - به دست آوردن Dummies از یک ویژگی واحد SOLUTION - Obtaining Dummies from a Single Feature

  • حذف یک متغیر ساختگی از مجموعه داده Dropping a Dummy Variable from the Data Set

  • اطلاعات بیشتر در مورد متغیرهای ساختگی: چشم انداز آماری More on Dummy Variables: A Statistical Perspective

  • طبقه بندی دلایل مختلف غیبت Classifying the Various Reasons for Absence

  • استفاده از .concat() در پایتون Using .concat() in Python

  • تمرین - استفاده از .concat() در پایتون EXERCISE - Using .concat() in Python

  • راه حل - استفاده از .concat() در پایتون SOLUTION - Using .concat() in Python

  • ترتیب مجدد ستون ها در یک DataFrame Pandas در پایتون Reordering Columns in a Pandas DataFrame in Python

  • تمرین - ترتیب مجدد ستون ها در یک DataFrame Pandas در پایتون EXERCISE - Reordering Columns in a Pandas DataFrame in Python

  • راه حل - مرتب سازی مجدد ستون ها در یک DataFrame Pandas در پایتون SOLUTION - Reordering Columns in a Pandas DataFrame in Python

  • ایجاد نقاط بازرسی هنگام کدنویسی در Jupyter Creating Checkpoints while Coding in Jupyter

  • تمرین - ایجاد نقاط بازرسی هنگام کدنویسی در Jupyter EXERCISE - Creating Checkpoints while Coding in Jupyter

  • راه حل - ایجاد نقاط بازرسی هنگام کدنویسی در Jupyter SOLUTION - Creating Checkpoints while Coding in Jupyter

  • تجزیه و تحلیل تاریخ ها از مجموعه داده های اولیه Analyzing the Dates from the Initial Data Set

  • استخراج ارزش ماه از ستون "تاریخ". Extracting the Month Value from the "Date" Column

  • استخراج روز هفته از ستون "تاریخ". Extracting the Day of the Week from the "Date" Column

  • تمرین - حذف ستون "تاریخ". EXERCISE - Removing the "Date" Column

  • تجزیه و تحلیل چندین ستون "مستقیم" برای این تمرین Analyzing Several "Straightforward" Columns for this Exercise

  • کار روی "آموزش"، "کودکان" و "حیوانات خانگی" Working on "Education", "Children", and "Pets"

  • نکات پایانی این بخش Final Remarks of this Section

  • نکته ای در مورد صادرات داده های خود به عنوان یک فایل *.csv A Note on Exporting Your Data as a *.csv File

مطالعه موردی - استفاده از یادگیری ماشینی برای ایجاد "مدول_غیبت" Case Study - Applying Machine Learning to Create the 'absenteeism_module'

  • بررسی مشکل با ذهنیت یادگیری ماشین Exploring the Problem with a Machine Learning Mindset

  • ایجاد اهداف برای رگرسیون لجستیک Creating the Targets for the Logistic Regression

  • انتخاب ورودی ها برای رگرسیون لجستیک Selecting the Inputs for the Logistic Regression

  • استاندارد کردن داده ها Standardizing the Data

  • تقسیم داده ها برای آموزش و آزمایش Splitting the Data for Training and Testing

  • برازش مدل و ارزیابی دقت آن Fitting the Model and Assessing its Accuracy

  • ایجاد یک جدول خلاصه با ضرایب و فاصله Creating a Summary Table with the Coefficients and Intercept

  • تفسیر ضرایب برای مشکل ما Interpreting the Coefficients for Our Problem

  • استاندارد کردن فقط متغیرهای عددی (ایجاد مقیاس کننده سفارشی) Standardizing only the Numerical Variables (Creating a Custom Scaler)

  • تفسیر ضرایب رگرسیون لجستیک Interpreting the Coefficients of the Logistic Regression

  • حذف به عقب یا چگونه مدل خود را ساده کنیم Backward Elimination or How to Simplify Your Model

  • آزمایش مدلی که ایجاد کردیم Testing the Model We Created

  • ذخیره مدل و آماده سازی آن برای استقرار Saving the Model and Preparing it for Deployment

  • مقاله - نکته ای در مورد "ترشی کردن" ARTICLE - A Note on 'pickling'

  • EXERCISE - ذخیره مدل (و مقیاس‌کننده) EXERCISE - Saving the Model (and Scaler)

  • آماده سازی استقرار مدل از طریق یک ماژول Preparing the Deployment of the Model through a Module

مطالعه موردی - بارگیری «مدول_غیبت» Case Study - Loading the 'absenteeism_module'

  • آیا مطمئن هستید که همه چیز آماده است؟ Are You Sure You're All Set?

  • استقرار "مدول_غیبت" - قسمت اول Deploying the 'absenteeism_module' - Part I

  • استقرار "مدول_غیبت" - قسمت دوم Deploying the 'absenteeism_module' - Part II

  • صادر کردن مجموعه داده های به دست آمده به صورت *.csv Exporting the Obtained Data Set as a *.csv

مطالعه موردی - تجزیه و تحلیل خروجی های پیش بینی شده در جدول Case Study - Analyzing the Predicted Outputs in Tableau

  • ورزش - سن در مقابل احتمال EXERCISE - Age vs Probability

  • تحلیل سن در مقابل احتمال در جدول Analyzing Age vs Probability in Tableau

  • تمرین - دلایل در مقابل احتمال EXERCISE - Reasons vs Probability

  • تجزیه و تحلیل دلایل در مقابل احتمال در جدول Analyzing Reasons vs Probability in Tableau

  • EXERCISE - هزینه حمل و نقل در مقابل احتمال EXERCISE - Transportation Expense vs Probability

  • تجزیه و تحلیل هزینه حمل و نقل در مقابل احتمال در جدول Analyzing Transportation Expense vs Probability in Tableau

ضمیمه - ابزارهای اضافی پایتون Appendix - Additional Python Tools

  • با استفاده از روش .format() Using the .format() Method

  • تکرار اشیاء بیش از محدوده Iterating Over Range Objects

  • مقدمه ای بر Nested For Loops Introduction to Nested For Loops

  • سه گانه تو در تو برای حلقه ها Triple Nested For Loops

  • فهرست درک List Comprehensions

  • توابع ناشناس (لامبدا). Anonymous (Lambda) Functions

ضمیمه - اصول پانداها Appendix - pandas Fundamentals

  • معرفی سری پانداها Introduction to pandas Series

  • کار با متدها در پایتون - قسمت اول Working with Methods in Python - Part I

  • کار با متدها در پایتون - قسمت دوم Working with Methods in Python - Part II

  • پارامترها و آرگومان ها در پانداها Parameters and Arguments in pandas

  • استفاده از .unique() و .nunique() Using .unique() and .nunique()

  • استفاده از .sort_values() Using .sort_values()

  • مقدمه ای بر DataFrames پانداها - قسمت اول Introduction to pandas DataFrames - Part I

  • مقدمه ای بر DataFrames پانداها - قسمت دوم Introduction to pandas DataFrames - Part II

  • پانداها DataFrames - ویژگی های مشترک pandas DataFrames - Common Attributes

  • انتخاب داده در DataFrames پانداها Data Selection in pandas DataFrames

  • pandas DataFrames - نمایه سازی با .iloc[] pandas DataFrames - Indexing with .iloc[]

  • pandas DataFrames - نمایه سازی با .loc[] pandas DataFrames - Indexing with .loc[]

ضمیمه - کار با فایل های متنی در پایتون Appendix - Working with Text Files in Python

  • مقدمه ای بر کار با فایل ها در پایتون An Introduction to Working with Files in Python

  • فایل در مقابل شی فایل، خواندن در مقابل تجزیه داده ها File vs File Object, Reading vs Parsing Data

  • داده های ساختاریافته، نیمه ساختاریافته و بدون ساختار Structured, Semi-Structured and Unstructured Data

  • فایل های متنی و اتصال داده Text Files and Data Connectivity

  • وارد کردن داده ها در پایتون - اصول Importing Data in Python - Principles

  • فایل‌های متنی ساده، فایل‌های مسطح و موارد دیگر Plain Text Files, Flat Files and More

  • فایل های متنی با عرض ثابت Text Files of Fixed Width

  • قراردادهای نامگذاری رایج Common Naming Conventions

  • وارد کردن فایل های متنی - open() Importing Text Files - open()

  • وارد کردن فایل های متنی - با open() Importing Text Files - with open()

  • وارد کردن فایل‌های csv *. - قسمت اول Importing *.csv Files - Part I

  • وارد کردن فایل‌های csv *. - قسمت دوم Importing *.csv Files - Part II

  • وارد کردن فایل های *.csv - قسمت سوم Importing *.csv Files - Part III

  • وارد کردن داده با index_col Importing Data with index_col

  • وارد کردن داده با .loadtxt() و .genfromtxt() Importing Data with .loadtxt() and .genfromtxt()

  • وارد کردن داده - پاکسازی جزئی هنگام وارد کردن داده Importing Data - Partial Cleaning While Importing Data

  • وارد کردن داده با NumPy - تمرین Importing Data with NumPy - Exercise

  • وارد کردن داده ها از فایل های *.json Importing Data from *.json Files

  • مقدمه ای بر کار با فایل های اکسل در پایتون An Introduction to Working with Excel Files in Python

  • کار با داده های اکسل (*.xlsx). Working with Excel (*.xlsx) Data

  • وارد کردن داده در پایتون - یک تمرین مهم Importing Data in Python - an Important Exercise

  • وارد کردن داده ها با روش .squeeze Importing Data with the .squeeze() Method

  • وارد کردن فایل ها در Jupyter Importing Files in Jupyter

  • ذخیره داده های خود با پانداها Saving Your Data with pandas

  • ذخیره داده های خود با NumPy - قسمت اول - *.npy Saving Your Data with NumPy - Part I - *.npy

  • ذخیره داده های خود با NumPy - قسمت دوم - *.npz Saving Your Data with NumPy - Part II - *.npz

  • ذخیره داده های خود با NumPy - قسمت III - *.csv Saving Your Data with NumPy - Part III - *.csv

  • ذخیره داده ها با Numpy - ورزش Saving Data with Numpy - Exercise

  • کار با فایل های متنی در پایتون - نتیجه گیری Working with Text Files in Python - Conclusion

سخنرانی پاداش Bonus Lecture

  • سخنرانی پاداش: مراحل بعدی Bonus Lecture: Next Steps

نمایش نظرات

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.

آموزش دوره علوم داده 2023: بوت کمپ کامل علم داده
جزییات دوره
31 hours
517
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
577,207
4.6 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

365 Careers 365 Careers

ایجاد فرصت برای دانشجویان علوم داده و مالی

365 Careers Team 365 Careers Team

ایجاد فرصت برای دانشجویان بازرگانی و مالی