آموزش پایتون برای علم داده [ویدئو]

Learning Python for Data Science [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: پایتون یک زبان برنامه نویسی همه منظوره با پشتیبانی از جامعه و منبع باز است که در طول سال ها به یکی از سنگرهای علم داده نیز تبدیل شده است. به دلیل انعطاف پذیری و محبوبیت بسیار زیاد، تجزیه و تحلیل داده ها، تجسم و یادگیری ماشینی را می توان به راحتی با پایتون انجام داد. این دوره به شما کمک می کند تا ابزارهای لازم برای استقرار ویژگی های آن برای برنامه های کاربردی علم داده را بیاموزید. در این دوره، تمام کتابخانه‌های لازم را که تجزیه و تحلیل داده‌ها را با پایتون مفید و موثر می‌سازند، یاد می‌گیرید. با کدنویسی در پایتون وارد تجزیه و تحلیل داده ها و یادگیری ماشینی خواهید شد. همچنین کتابخانه NumPy که برای محاسبات عددی و علمی استفاده می شود را یاد خواهید گرفت. شما از کتابخانه های مفیدی برای تجسم (Matplotlib و Seaborn) برای ارائه بینش به داده ها استفاده خواهید کرد. علاوه بر این، مراحل مختلفی را در ساختن یک راه حل یادگیری ماشینی سرتاسر یاد خواهید گرفت. سهولت استفاده و کارایی این ابزارها به شما کمک می کند تا خیلی سریع این موضوعات را یاد بگیرید. دوره ویدیویی با در نظر گرفتن برنامه های کاربردی تهیه شده است. شما کدنویسی را بر روی مجموعه داده های واقعی کشف خواهید کرد تا بتوانید از یادگیری خود در پروژه های خود استفاده کنید. در پایان این دوره، شما از تمیز کردن و آماده سازی داده ها تا ایجاد جداول خلاصه و از تجسم به یادگیری ماشین و پیش بینی پیشرفت خواهید کرد. این دوره ویدیویی شما را برای ورود به دنیای علم داده آماده می کند. به سفر ما خوش آمدید! بسته کد این دوره ویدیویی در دسترس است - https://github.com/PacktPublishing/Learning-Python-for-Data-Science این دوره از Python 3.6 استفاده می کند، در حالی که آخرین نسخه موجود نیست، محتوای مرتبط و آموزنده را برای کاربران قدیمی پایتون ارائه می دهد. تجزیه و تحلیل داده ها و یادگیری ماشینی را با کدنویسی در پایتون کاوش کنید در کار با داده های واقعی جمع آوری شده از منابع مختلف مانند فایل های CSV، وب سایت ها و پایگاه های داده ماهر شوید. برای محاسبات عددی و علمی از NumPy استفاده کنید درباره پیش پردازش داده ها بیاموزید تا آنها را برای تجزیه و تحلیل داده ها آماده کنید تجسم را با کتابخانه های Matplotlib و Seaborn انجام دهید تجزیه و تحلیل داده های اکتشافی، خلاصه کردن داده ها و ایجاد آمار از داده ها با پانداها را درک کنید پیاده سازی الگوریتم های یادگیری ماشین و بررسی تکنیک های مختلف یادگیری ماشین و مزایا و معایب آنها با رگرسیون، طبقه بندی، خوشه بندی، یادگیری ماشینی تحت نظارت و بدون نظارت، و موارد دیگر کار کنید! این یک دوره آموزشی سطح مقدماتی برای دانشمندان مشتاق داده است که درک اولیه ای از کدنویسی در پایتون دارند و دانش کمی از تجزیه و تحلیل داده دارند. اگر از قبل پایتون یا زبان برنامه نویسی دیگری را می دانید و می خواهید پایتون را به مجموعه مهارت های خود اضافه کنید، این دوره نیز مفید خواهد بود. دانستن موضوعات برنامه نویسی سطح مقدماتی مانند متغیرها، ساختارهای if-else، حلقه‌های for و while و توابع توصیه می‌شود اما لازم نیست. تجزیه و تحلیل داده ها، دستکاری و تجسم را با استفاده از کتابخانه پانداها بیاموزید نمودارهای آماری را با استفاده از Matplotlib و Seaborn ایجاد کنید تا به شما کمک کند بینش هایی در مورد الگوهای با اندازه واقعی پنهان در داده ها بدست آورید. برای انجام تجزیه و تحلیل داده ها و پیاده سازی مدل های یادگیری ماشین موثر، درک عمیقی از بسته های مختلف پایتون به دست آورید.

سرفصل ها و درس ها

آغاز سفر علم داده Beginning the Data Science Journey

  • بررسی اجمالی دوره The Course Overview

  • علم داده چیست؟ What Is Data Science?

  • اکوسیستم علوم داده پایتون Python Data Science Ecosystem

معرفی Jupyter Introducing Jupyter

  • نصب آناکوندا Installing Anaconda

  • شروع Jupyter Starting Jupyter

  • مبانی ژوپیتر Basics of Jupyter

  • نحو Markdown Markdown Syntax

درک عملیات عددی با NumPy Understanding Numerical Operations with NumPy

  • آرایه های 1 بعدی با NumPy 1D Arrays with NumPy

  • آرایه های دو بعدی با NumPy 2D Arrays with NumPy

  • توابع در NumPy Functions in NumPy

  • اعداد تصادفی و توزیع در NumPy Random Numbers and Distributions in NumPy

آماده سازی و دستکاری داده ها با پانداها Data Preparation and Manipulation with Pandas

  • DataFrames ایجاد کنید Create DataFrames

  • در Data Files بخوانید Read in Data Files

  • زیر مجموعه DataFrames Subsetting DataFrames

  • نمایه سازی بولی در DataFrames Boolean Indexing in DataFrames

  • جمع بندی و گروه بندی داده ها Summarizing and Grouping Data

تجسم داده ها با Matplotlib و Seaborn Visualizing Data with Matplotlib and Seaborn

  • مقدمه Matplotlib Matplotlib Introduction

  • نمودارها با Matplotlib Graphs with Matplotlib

  • نمودارها با Seaborn Graphs with Seaborn

  • نمودارها با پانداها Graphs with Pandas

مقدمه ای بر یادگیری ماشینی و Scikit-learn Introduction to Machine Learning and Scikit-learn

  • فراگیری ماشین Machine Learning

  • انواع یادگیری ماشینی Types of Machine Learning

  • مقدمه ای بر Scikit-learn Introduction to Scikit-learn

ساخت مدل های یادگیری ماشین با Scikit-learn Building Machine Learning Models with Scikit-learn

  • رگرسیون خطی Linear Regression

  • رگرسیون لجستیک Logistic Regression

  • K-نزدیکترین همسایه ها K-Nearest Neighbors

  • درختان تصمیم Decision Trees

  • جنگل تصادفی Random Forest

  • K-Means Clustering K-Means Clustering

ارزیابی و انتخاب مدل Model Evaluation and Selection

  • آماده سازی داده ها برای یادگیری ماشینی Preparing Data for Machine Learning

  • معیارهای عملکرد Performance Metrics

  • مبادله سوگیری-واریانس Bias-Variance Tradeoff

  • اعتبار سنجی متقابل Cross-Validation

  • جستجوی شبکه Grid Search

  • بسته شدن Wrap Up

نمایش نظرات

آموزش پایتون برای علم داده [ویدئو]
جزییات دوره
3 h 39 m
35
Packtpub Packtpub
(آخرین آپدیت)
2
5 از 5
ندارد
دارد
دارد
Ilyas Ustun
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Ilyas Ustun Ilyas Ustun

با Royluis Rodrigues برای آموزش انتقال عملی در 31 اکتبر 2017 تماس گرفت