آموزش دیتاساینس کاربردی (علم داده) - آخرین آپدیت

پودمان ۱: داده‌ها، آمار و بصری‌سازی Module 1: Data, Statistics, and Visualization

• مقدمه‌ای بر دیتاساینس کاربردی Introduction to Applied Data Science

• داده چیست؟ What is data?

• کاوش داده‌ها: آمار توصیفی Data Exploration: Descriptive Statistics

• کاوش داده‌ها: بصری‌سازی Data Exploration: Visualizations

• پکیج‌های فعلی پایتون برای علم داده (Current) Python Packages for Data Science

پودمان ۲: مقدمه‌ای بر رگرسیون‌ها Module 2: Introduction to Regressions

• مقدمه‌ای بر رگرسیون Introduction to Regression

• ارزیابی خطا و برازش مدل Error Evaluation and Model Fitness

پودمان ۳: رگرسیون‌های خطی Module 3: Linear Regressions

• مروری بر مدل‌های خطی Linear Models Overview

• بوت‌استرپینگ، پیش‌بینی‌کننده‌ها و مدل F Bootstrapping, Predictors, and Model F

پودمان ۴: انتخاب مدل Module 4: Model Selection

• بیش‌برازش (Overfitting) و انتخاب مدل Overfitting and Model Selection

• اعتبارسنجی متقاطع و بحث بایاس در مقابل واریانس Cross Validation and Bias vs. Variance

پودمان ۵: خوشه‌بندی و شناسایی جامعه Module 5: Clustering & Community Detection

• مبانی یادگیری بدون نظارت Unsupervised Learning Basics

• فاصله‌های بین مشاهداتی Inter-Observational Distances

• خوشه‌بندی مبتنی بر افراز Partition-Based Clustering

• خوشه‌بندی سلسله‌مراتبی Hierarchical Clustering

• عیب‌یابی و بهینه‌سازی تعداد خوشه‌ها Diagnostics and Optimizing Number of Clusters

• خوشه‌بندی مبتنی بر چگالی Density-Based Clustering

پودمان ۶: شناسایی داده‌های پرت Module 6: Outlier Detection

• مروری بر داده‌های پرت Outlier Overview

• شناسایی مبتنی بر آمار و انحراف Statistical-Based & Deviation-Based Detection

• شناسایی مبتنی بر فاصله Distance-Based Detection