آموزش آمار و خوشه‌بندی در پایتون - آخرین آپدیت

هفته اول: میانگین و انحرافات در ریاضیات و پایتون Week 1: Means and Deviations in Mathematics and Python

• معرفی این دوره در تخصص علم داده Introduction to this course in the specialisation

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

• میانگین لیست‌های تک‌بعدی Mean of One Dimensional Lists

• واریانس و انحراف معیار Variance and Standard Deviation

• آشنایی با ژوپیتر نوت‌بوک Jupyter Notebooks

• متغیرها Variables

• لیست‌ها Lists

• محاسبه میانگین Computing the Mean

• لیست‌های پیشرفته‌تر: کتابخانه NumPy Better Lists: NumPy

• محاسبه انحراف معیار Computing the Standard Deviation

هفته دوم: انتقال از داده‌های تک‌بعدی به دوبعدی Week 2: Moving from One to Two Dimensional Data

• نقاط داده و ویژگی‌های چندبعدی Multidimensional Data Points and Features

• میانگین چندبعدی Multidimensional Mean

• پراکندگی: متغیرهای چندبعدی Dispersion: Multidimensional Variables

• معیارهای اندازه‌گیری فاصله Distance Metrics

• نرمال‌سازی Normalisation

• داده‌های پرت (Outliers) Outliers

• رسم نمودارهای پایه Basic Plotting

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

• میانگین چندبعدی Multidimensional Mean

• افزودن لایه‌های گرافیکی به نمودار Adding Graphical Overlays

• محاسبه فاصله تا میانگین Calculating the Distance to the Mean

• لیست‌های جامع (List Comprehension) List Comprehension

• نرمال‌سازی در پایتون Normalisation in Python

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

هفته سوم: معرفی پانداز و استفاده از K-means برای تحلیل داده‌ها Week 3: Introducing Pandas and Using K-Means to Analyse Data

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

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

• برچسب‌گذاری نقاط روی نمودار Labelling Points on a Graph

• برچسب‌گذاری تمامی نقاط روی نمودار Labelling all the Points on a Graph

• بررسی بصری داده‌ها Eyeballing the Data

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

هفته چهارم: پروژه عملی خوشه‌بندی داده‌ها Week 4: A Data Clustering Project

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

• همکاری با مشتری Working for a Client

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

• مقابله با دشواری‌ها Dealing With Difficulties

• بدون داده، علم داده وجود ندارد: معرفی مجموعه داده No Data no Data Science: Introduction of the Dataset

• مدل‌سازی Modelling

• ارائه نتایج پروژه Presenting the Project Results

• پایان دوره End of course