لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات