آموزش وایب کدینگ (Vibe Coding) برای تحلیلگران داده - آخرین آپدیت

دانلود Vibe Coding for Data Analysts

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره آموزشی که مخصوص تحلیلگران داده طراحی شده است، با مفاهیم و کاربردهای وایب کدینگ برای انجام وظایف تحلیلی آشنا شوید. مدرس دوره، ست بری، ضروریات راه‌اندازی محیط برای وایب کدینگ موثر را با هدف ساخت یک اپلیکیشن جامع برای میزبانی مدل یادگیری ماشین آموزش می‌دهد. از وارد کردن داده‌ها تا استقرار مدل، ست توضیح می‌دهد که کدام بخش‌های فرآیند باید توسط انسان مدیریت شوند و در کجا می‌توان از قدرت مدل‌های زبانی بزرگ (LLM) به بهترین شکل استفاده کرد. در پایان این دوره، شما مهارت‌های لازم برای ایجاد پروژه وایب کدینگ خود را با کمک دستیارهای صوتی کسب خواهید کرد.

سرفصل ها و درس ها

مقدمه Introduction

  • پیش‌بینی آهنگ‌های پرطرفدار با وایب کدینگ Predict chart-topping hits with vibe coding

  • راه‌اندازی محیط کاری Setting up your environment

1. وارد کردن داده‌ها 1. Importing Data

  • خواندن داده‌ها از جداول HTML Reading data from HTML tables

  • ادغام داده‌ها Merging data

  • بارگذاری داده‌ها با pandas و PyArrow Loading data with pandas and PyArrow

  • تولید کوئری‌های SQL Generating SQL

  • بارگذاری داده‌ها با Polars Loading data with Polars

2. اکتشاف و آماده‌سازی داده‌ها 2. Data Exploration and Wrangling

  • نقش انسان: اطمینان از آماده بودن داده‌ها A human’s job: Knowing your data is ready

  • تجمیع داده‌ها Aggregating data

  • تغییر شکل داده‌ها (Reshaping) Reshaping data

  • بررسی همبستگی‌ها Examining correlations

  • ایجاد متغیرهای مشتق شده Creating derived variables

  • تولید آمار توصیفی Generating descriptive statistics

  • تبدیل انواع داده‌ها Converting data types

3. خط لوله‌های داده (Data Pipelines) 3. Data Pipelines

  • مقیاس‌بندی ویژگی‌ها و جایگذاری داده‌ها برای scikit learn Feature scaling and imputing data for scikit-learn

  • ایجاد پیکربندی‌های داده برای PyTorch Tabular Creating data configurations for PyTorch Tabular

  • بخش‌بندی داده‌ها Partitioning data

  • کدگذاری متغیرهای دسته‌ای Encoding categorical variables

4. ساخت و تست مدل 4. Model Creation and Testing

  • تنظیم مدل‌ها (Tuning) Tuning models

  • ساخت شبکه عصبی با PyTorch Tabular Creating a neural network with PyTorch Tabular

  • نقش انسان: ارزیابی عملکرد A human’s job: Evaluating performance

  • تست مدل‌های پایه مختلف Testing different baseline models

5. بصری‌سازی و داشبوردها 5. Visualizations and Dashboards

  • استقرار مدل در اپلیکیشن Streamlit Deploying your model in a Streamlit application

  • نقش انسان: استخراج بینش و تحلیل A human’s job: Generating insight

  • رسم نمودارها Creating plots

  • ایجاد نمودارهای توضیحی (Explainer Plots) Creating explainer plots

  • ساخت مدل در اپلیکیشن Streamlit Building your model in a Streamlit application

جمع‌بندی Wrapping Up

  • توصیه‌ها و نکات احتیاطی Encouragement and caution

  • ملاحظات امنیتی Security considerations

نمایش نظرات

آموزش وایب کدینگ (Vibe Coding) برای تحلیلگران داده
جزییات دوره
1h 2m
29
(آخرین آپدیت)
1,822
- از 5
ندارد
دارد
دارد
Seth Berry
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Seth Berry Seth Berry

استادیار تدریس و مدیر مشترک MSBA در دانشگاه نوتردام

ست بری فن آوری اطلاعات، تجزیه و تحلیل، و عملیات را تدریس می کند و برنامه MSBA را هدایت می کند.

پس از دریافت دکتری. در روان‌شناسی تجربی کاربردی، ست سفر خود را در نوتردام به عنوان مشاور روش‌شناسی نظرسنجی برای مرکز تحقیقات اجتماعی (CSR) آغاز کرد، جایی که در تحقیقات گسترده‌ای شرکت داشت. او سمت دانشمند داده را در کالج بازرگانی مندوزا پذیرفت و سپس شروع به تدریس کلاس گاه به گاه برای بخش فناوری اطلاعات، تجزیه و تحلیل و عملیات (ITAO) کرد. این کلاس های گاه به گاه به یک موقعیت تدریس تمام وقت برای ITAO تبدیل شدند. ست همچنین چندین خط تحقیقاتی را دنبال می‌کند، از جمله روش‌های بررسی مدرن و آواتارهای انسان‌نما.