آموزش دوره علوم داده 2023: بوت کمپ کامل علم داده

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