علم داده، تجزیه و تحلیل، و هوش مصنوعی برای تجارت و دنیای واقعی™ [ویدئو]

سرفصل ها و درس ها

مقدمه دوره Introduction to the Course

• هیپ علم داده The Data Science Hype

• درباره مطالعات موردی ما About Our Case Studies

• چرا دیتا نفت جدید است؟ Why Data is the New Oil

• تعریف مشکلات تجاری برای تفکر تحلیلی و تصمیم گیری مبتنی بر داده Defining Business Problems for Analytic Thinking and Data-Driven Decision Making

• 10 پروژه علم داده که هر کسب و کاری باید انجام دهد! 10 Data Science Projects Every Business Should Do!

• چگونه یادگیری عمیق همه چیز را تغییر می دهد How Deep Learning is Changing Everything

• مسیرهای شغلی یک دانشمند داده The Career Paths of a Data Scientist

• رویکرد علم داده به مسائل The Data Science Approach to Problems

راه اندازی (Google Colab) و دانلود فایل های کد Set Up (Google Colab) and Download Code Files

• دانلود و اجرای کد شما Downloading and Running Your Code

مقدمه ای بر پایتون Introduction to Python

• چرا از پایتون برای علم داده استفاده کنیم؟ Why Use Python for Data Science?

• مقدمه پایتون - قسمت 1 - متغیرها Python Introduction - Part 1 - Variables

• پایتون - متغیرها (فهرست ها و فرهنگ لغت ها) Python - Variables (Lists and Dictionaries)

• پایتون - عبارات شرطی Python - Conditional Statements

• پایتون - حلقه ها Python - Loops

• پایتون - توابع Python - Functions

• پایتون - کلاس ها Python - Classes

پانداها Pandas

• آشنایی با پانداها Introduction to Pandas

• Pandas 1 - Data Series Pandas 1 - Data Series

• Pandas 2A - DataFrames - Index، Slice، Stats، پیدا کردن سلول‌های خالی Pandas 2A - DataFrames - Index, Slice, Stats, Finding Empty Cells

• Pandas 2B - DataFrames - فهرست، برش، آمار، یافتن سلول‌های خالی و فیلتر کردن Pandas 2B - DataFrames - Index, Slice, Stats, Finding Empty Cells, and Filtering

• Pandas 3A - پاکسازی داده ها - تغییر ستون ها/ردیف ها، داده های از دست رفته و عملیات رشته Pandas 3A - Data Cleaning - Alter Columns/Rows, Missing Data, and String Operations

• Pandas 3B - پاکسازی داده ها - تغییر ستون ها/ردیف ها، داده های از دست رفته و عملیات رشته Pandas 3B - Data Cleaning - Alter Columns/Rows, Missing Data, and String Operations

• Pandas 4 - جمع آوری داده - توابع GroupBy، Map، Pivot، Aggregate Pandas 4 - Data Aggregation - GroupBy, Map, Pivot, Aggregate Functions

• Feature Engineer، Lambda و Apply Feature Engineer, Lambda, and Apply

• الحاق، ادغام، و پیوستن Concatenating, Merging, and Joining

• داده های سری زمانی Time Series Data

• عملیات پیشرفته - Iterows، Vectorization و NumPy Advanced Operations - Iterows, Vectorization, and NumPy

• عملیات پیشرفته - نقشه، فیلتر، اعمال Advanced Operations - Map, Filter, Apply

• عملیات پیشرفته - پردازش موازی Advanced Operations - Parallel Processing

• تجسم نقشه با Plotly - Cloropeths از ابتدا - ایالات متحده آمریکا و جهان Map Visualizations with Plotly - Cloropeths from Scratch - USA and World

• تجسم نقشه با Plotly - Heatmaps، Scatter Plots و Lines Map Visualizations with Plotly - Heatmaps, Scatter Plots, and Lines

آمار و تجسم Statistics and Visualizations

• مقدمه ای بر آمار Introduction to Statistics

• آمار توصیفی - چرا دانش آماری بسیار مهم است؟ Descriptive Statistics - Why Statistical Knowledge is So Important

• آمار توصیفی 1 - تجزیه و تحلیل داده های اکتشافی (EDA) و تجسم ها Descriptive Statistics 1 - Exploratory Data Analysis (EDA) and Visualizations

• آمار توصیفی 2 - تجزیه و تحلیل داده های اکتشافی (EDA) و تجسم ها Descriptive Statistics 2 - Exploratory Data Analysis (EDA) and Visualizations

• نمونه گیری، میانگین ها و واریانس، و نحوه دروغ گفتن و گمراه کردن با آمار Sampling, Averages, and Variance, and How to Lie and Mislead with Statistics

• نمونه برداری - اندازه نمونه و فواصل اطمینان - به چه چیزی می توانید اعتماد کنید؟ Sampling - Sample Sizes and Confidence Intervals - What Can You Trust?

• انواع متغیرها - کمی و کیفی Types of Variables - Quantitative and Qualitative

• توزیع های فرکانس Frequency Distributions

• شکل های توزیع فرکانس Frequency Distributions Shapes

• تجزیه و تحلیل توزیع های فرکانس - بهترین نوع شراب چیست؟ قرمز یا سفید؟ Analyzing Frequency Distributions - What is the Best Type of Wine? Red or White?

• میانگین، حالت، و میانه - به آن سادگی که فکر می کنید نیست Mean, Mode, and Median - Not as Simple as You Think

• واریانس، انحراف معیار، و تصحیح بسل Variance, Standard Deviation, and Bessel’s Correction

• کوواریانس و همبستگی - آیا آمازون و گوگل شما را بهتر از دیگران می شناسند؟ Covariance and Correlation - Do Amazon and Google Know You Better Than Anyone Else?

• دروغ گفتن با همبستگی - نرخ طلاق در مین ناشی از مصرف مارگارین است Lying with Correlations - Divorce Rates in Maine Caused by Margarine Consumption

• توزیع نرمال و قضیه حد مرکزی The Normal Distribution and the Central Limit Theorem

• Z-Scores Z-Scores

نظریه احتمال Probability Theory

• مقدمه ای بر احتمال Introduction to Probability

• تخمین احتمال Estimating Probability

• احتمال - قانون جمع Probability - Addition Rule

• احتمال - جایگشت و ترکیب Probability - Permutations and Combinations

• قضیه بیز Bayes Theorem

آزمایش فرضیه Hypothesis Testing

• مقدمه ای بر آزمون فرضیه Introduction to Hypothesis Testing

• اهمیت آماری Statistical Significance

• آزمون فرضیه - P Value Hypothesis Testing - P Value

• آزمون فرضیه - همبستگی پیرسون Hypothesis Testing - Pearson Correlation

تست A/B - یک مثال کارآمد A/B Testing - A Worked Example

• درک مسئله + تحلیل و تجسم داده های اکتشافی Understanding the Problem + Exploratory Data Analysis and Visualizations

• تجزیه و تحلیل نتایج آزمون A/B A/B Test Result Analysis

• A/B تست یک مثال واقعی کارکرده - طراحی یک تست A/B A/B Testing a Worked Real-Life Example - Designing an A/B Test

• قدرت و اهمیت آماری Statistical Power and Significance

• تجزیه و تحلیل نتایج آزمون A/B Analysis of A/B Test Results

داشبوردهای داده - Google Data Studio Data Dashboards - Google Data Studio

• معرفی Google Data Studio Intro to Google Data Studio

• باز کردن Google Data Studio و آپلود داده ها Opening Google Data Studio and Uploading Data

• اولین داشبورد شما قسمت 1 Your First Dashboard Part 1

• اولین داشبورد شما قسمت 2 Your First Dashboard Part 2

• ایجاد فیلدهای جدید برای داده های ما Creating New Fields to Our data

• جداول محوری - سود کل Pivot Tables - Total Profit

• افزودن فیلترها به جداول Adding Filters to Tables

• تجسم KPI کارت امتیاز Scorecard KPI Visualizations

• کارت امتیاز با مقایسه زمان Scorecards with Time Comparison

• نمودارهای میله ای (افقی، عمودی و پشته ای) Bar Charts (Horizontal, Vertical, and Stacked)

• نمودارهای خطی Line Charts

• نمودارهای پای، نمودارهای دونات و نقشه های درختی Pie Charts, Donut Charts, and Tree Maps

• توطئه های سری زمانی و مقایسه ای سری های زمانی Time Series and Comparative Time Series Plots

• پلات های پراکنده Scatter Plots

• توطئه های جغرافیایی Geographic Plots

• نمودارهای منطقه گلوله و خط Bullet and Line Area Plots

• اشتراک گذاری و نتیجه گیری نهایی Sharing and Final Conclusions

• داشبورد فروش اجرایی ما Our Executive Sales Dashboard

فراگیری ماشین Machine Learning

• مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

• چگونه یادگیری ماشینی کامپیوترها را قادر به یادگیری می کند How Machine Learning enables Computers to Learn

• مدل یادگیری ماشین چیست؟ What is a Machine Learning Model?

• انواع یادگیری ماشینی Types of Machine Learning

• رگرسیون خطی - مقدمه ای بر توابع هزینه و نزول گرادیان Linear Regression - Introduction to Cost Functions and Gradient Descent

• رگرسیون خطی در پایتون از ابتدا و با استفاده از Sklearn Linear Regressions in Python from Scratch and Using Sklearn

• رگرسیون خطی چند جمله ای و چند متغیره Polynomial and Multivariate Linear Regression

• رگرسیون لجستیک Logistic Regression

• ماشین‌های بردار پشتیبانی (SVM) Support Vector Machines (SVMs)

• درختان تصمیم گیری و جنگل های تصادفی، و شاخص جینی Decision Trees and Random Forests, and the Gini Index

• K-نزدیکترین همسایگان (KNN) K-Nearest Neighbors (KNN)

• ارزیابی عملکرد - ماتریس سردرگمی، دقت و یادآوری Assessing Performance - Confusion Matrix, Precision, and Recall

• درک منحنی ROC و AUC Understanding the ROC and AUC Curve

• چه چیزی یک مدل خوب را می سازد؟ منظم سازی، تعمیم بیش از حد، تعمیم، و پرت What Makes a Good Model? Regularization, Overfitting, Generalization, and Outliers

• مقدمه ای بر شبکه های عصبی Introduction to Neural Networks

• انواع الگوریتم های یادگیری عمیق CNN، RNN و LSTM Types of Deep Learning Algorithms CNNs, RNNs, and LSTMs

یادگیری عمیق Deep Learning

• بررسی اجمالی فصل شبکه های عصبی Neural Networks Chapter Overview

• مروری بر یادگیری ماشین Machine Learning Overview

• شبکه های عصبی توضیح داده شده است Neural Networks Explained

• انتشار رو به جلو Forward Propagation

• توابع فعال سازی Activation Functions

• آموزش قسمت 1 - توابع از دست دادن Training Part 1 - Loss Functions

• آموزش قسمت 2 - پس انتشار و نزول گرادیان Training Part 2 - Backpropagation and Gradient Descent

• پس انتشار و نرخ یادگیری - یک مثال کارآمد Backpropagation and Learning Rates - A Worked Example

• منظم سازی، برازش بیش از حد، تعمیم، و مجموعه داده های آزمایشی Regularization, Overfitting, Generalization, and Test Datasets

• دوره ها، تکرارها و اندازه های دسته ای Epochs, Iterations, and Batch Sizes

• اندازه گیری عملکرد و ماتریس سردرگمی Measuring Performance and the Confusion Matrix

• بررسی و بهترین شیوه ها Review and Best Practices

یادگیری بدون نظارت - خوشه بندی Unsupervised Learning - Clustering

• مقدمه ای بر یادگیری بدون نظارت Introduction to Unsupervised Learning

• K-Means Clustering K-Means Clustering

• انتخاب K Choosing K

• K-Means - روش آرنج و سیلوئت K-Means - Elbow and Silhouette Method

• خوشه بندی سلسله مراتبی تجمعی Agglomerative Hierarchical Clustering

• خوشه بندی میانگین شیفت Mean Shift Clustering

• DBSCAN (خوشه‌بندی فضایی برنامه‌های کاربردی با نویز مبتنی بر چگالی) DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

• DBSCAN در پایتون DBSCAN in Python

• خوشه‌بندی انتظار-بیشینه‌سازی (EM) با استفاده از مدل‌های مخلوط گاوسی (GMM) Expectation-Maximization (EM) Clustering Using Gaussian Mixture Models (GMM)

کاهش ابعاد Dimensionality Reduction

• تجزیه و تحلیل مؤلفه های اصلی Principal Component Analysis

• t-Distributed Stochastic Neighbor Embedding (t-SNE) t-Distributed Stochastic Neighbor Embedding (t-SNE)

• PCA و t-SNE در پایتون با مقایسه تجسم PCA and t-SNE in Python with Visualization Comparisons

سیستم های توصیه Recommendation Systems

• مقدمه ای بر موتورهای پیشنهادی Introduction to Recommendation Engines

• قبل از توصیه، چگونه موارد را ارزیابی یا بررسی می کنیم؟ Before Recommending, How Do We Rate or Review Items?

• فیلتر مشارکتی کاربر و فیلتر بر اساس آیتم/محتوا User Collaborative Filtering and Item/Content-Based Filtering

• جایزه نتفلیکس و فاکتورسازی ماتریس و یادگیری عمیق به عنوان نهفته-فاکتور من The Netflix Prize and Matrix Factorization and Deep Learning as Latent-Factor Me

پردازش زبان طبیعی Natural Language Processing

• مقدمه ای بر پردازش زبان طبیعی Introduction to Natural Language Processing

• زبان مدلینگ - مدل کیسه کلمات Modeling Language - The Bag of Words Model

• عادی سازی، توقف حذف کلمه، Lemmatizing/Stemming Normalization, Stop Word Removal, Lemmatizing/Stemming

• TF-IDF Vectorizer (فرکانس اصطلاح - فرکانس معکوس سند) TF-IDF Vectorizer (Term Frequency — Inverse Document Frequency)

• Word2Vec - برآورد کارآمد بازنمودهای کلمه در فضای برداری Word2Vec - Efficient Estimation of Word Representations in Vector Space

اطلاعات بزرگ Big Data

• مقدمه ای بر داده های بزرگ Introduction to Big Data

• چالش ها در داده های بزرگ Challenges in Big Data

• Hadoop، MapReduce و Spark Hadoop, MapReduce, and Spark

• مقدمه ای بر PySpark Introduction to PySpark

• RDD ها، دگرگونی ها، اکشن ها، نمودارهای دودمان و مشاغل RDDs, Transformations, Actions, Lineage Graphs, and Jobs

پیش بینی انتخابات 2020 آمریکا Predicting the US 2020 Election

• درک داده های نظرسنجی Understanding Polling Data

• تمیز کردن و کاوش مجموعه داده ما Cleaning and Exploring Our Dataset

• جدال داده ها مجموعه داده ما Data Wrangling Our Dataset

• آشنایی با سیستم انتخاباتی ایالات متحده Understanding the US Electoral System

• تجسم داده های نظرسنجی ما Visualizing Our Polling Data

• تجزیه و تحلیل آماری داده های نظرسنجی Statistical Analysis of Polling Data

• شبیه سازی های نظرسنجی Polling Simulations

• تجزیه و تحلیل نتایج شبیه سازی نظرسنجی Polling Simulation Result Analysis

• تجسم نتایج ما بر روی نقشه ایالات متحده Visualizing Our results on a US Map

پیش بینی موارد دیابت Predicting Diabetes Cases

• درک و آماده سازی داده های مراقبت های بهداشتی ما Understanding and Preparing Our Healthcare Data

• اولین تلاش - امتحان یک مدل ساده لوح First Attempt - Trying a Naive Model

• آزمایش مدل های مختلف و مقایسه نتایج Trying Different Models and Comparing the Results

تحلیل سبد بازار Market Basket Analysis

• شناخت مجموعه داده ما Understanding Our Dataset

• آماده سازی داده ها Data Preparation

• تجسم مجموعه های مکرر ما Visualizing Our Frequent Sets

پیش بینی برنده جام جهانی (فوتبال/فوتبال) Predicting the World Cup Winner (Soccer/Football)

• درک و آماده سازی مجموعه داده های فوتبال ما - قسمت 1 Understanding and Preparing Our Soccer Datasets - Part 1

• درک و آماده سازی مجموعه داده های فوتبال ما - قسمت 2 Understanding and Preparing Our Soccer Datasets - Part 2

• پیش بینی نتایج بازی با مدل ما Predicting Game Outcomes with Our Model

• شبیه سازی نتیجه جام جهانی با مدل ما Simulating the World Cup Outcome with Our Model

تجزیه و تحلیل داده‌های Covid-19 و تجسم مسابقه نمودار میله‌ای شکوفا Covid-19 Data Analysis and Flourish Bar Chart Race Visualization

• درک داده های Covid-19 ما Understanding Our Covid-19 Data

• تجزیه و تحلیل آخرین داده ها Analysis of the Most Recent Data

• تجسم های جهان World Visualizations

• تجزیه و تحلیل موارد تایید شده در هر کشور Analyzing Confirmed Cases in Each Country

• نقشه برداری موارد Covid-19 Mapping Covid-19 Cases

• متحرک سازی نقشه های ما Animating Our Maps

• مقایسه کشورها و قاره ها Comparing Countries and Continents

• مسابقه نمودار میله ای شکوفایی - 1 Flourish Bar Chart Race - 1

• مسابقه نمودار میله ای شکوفایی - 2 Flourish Bar Chart Race - 2

تحلیل برندگان المپیک Analyzing Olympic Winners

• شناخت مجموعه داده های المپیک ما Understanding Our Olympic Dataset

• دریافت مدال در هر کشور Getting the Medals Per Country

• تجزیه و تحلیل داده های المپیک زمستانی و مشاهده مدال های کسب شده در طول زمان Analyzing the Winter Olympic Data and Viewing Medals Won Over Time

آیا مزیت خانگی واقعی در فوتبال و بسکتبال است Is Home Advantage Real in Soccer and Basketball

• شناخت مجموعه داده و EDA ما Understanding Our Dataset and EDA

• نسبت اختلاف گل خانه در مقابل خارج از خانه Goal Difference Ratios Home Versus Away

• چگونه مزیت خانه در طول زمان تکامل یافته است How Home Advantage Have Evolved Over Time

تجزیه و تحلیل داده های کریکت IPL IPL Cricket Data Analysis

• بارگیری و درک مجموعه داده کریکت ما Loading and Understanding Our Cricket Dataset

• آنالیز مرد مسابقه و استادیوم Man of the Match and Stadium Analysis

• آیا Toss Winners برنده بیشتری می شود؟ و مقایسه تیم در مقابل تیم Do Toss Winners Win More? And Team Versus Team Comparisons

خدمات جریان (Netflix، Hulu، Disney Plus، و Amazon Prime) Streaming Services (Netflix, Hulu, Disney Plus, and Amazon Prime)

• شناخت مجموعه داده ما Understanding Our Dataset

• EDA و تجسم ها EDA and Visualizations

• بهترین فیلم ها در هر ژانر مقایسه پلت فرم Best Movies Per Genre Platform Comparisons

تجزیه و تحلیل داده های آبجوسازی و میخانه Micro Brewery and Pub Data Analysis

• EDA، تجسم ها و نقشه EDA, Visualizations, and Map

تجزیه و تحلیل داده های رستوران پیتزا Pizza Restaurant Data Analysis

• EDA و تجسم ها EDA and Visualizations

• تجزیه و تحلیل در هر ایالت Analysis Per State

• نقشه های پیتزا Pizza Maps

تجزیه و تحلیل داده های زنجیره تامین Supply Chain Data Analysis

• شناخت مجموعه داده ما Understanding Our Dataset

• تجسم و EDA Visualizations and EDA

• تجسم های بیشتر More Visualizations

تجزیه و تحلیل نتایج انتخابات هند Indian Election Result Analysis

• معرفی Introduction

• تجسم نتایج انتخابات Visualizations of Election Results

• تجسم مشارکت جنسیتی Visualizing Gender Turnout

تجزیه و تحلیل داده های بحران اقتصادی آفریقا Africa Economic Crisis Data Analysis

• درک مجموعه داده های اقتصادی Economic Dataset Understanding

• تجسم ها و همبستگی ها Visualizations and Correlations

پیش بینی اینکه کدام یک از کارمندان ممکن است کار را ترک کنند Predicting Which Employees May Quit

• تشخیص اینکه کدام کارمندان ممکن است کار را ترک کنند - درک مشکل و EDA Figuring Out Which Employees May Quit - Understanding the Problem and EDA

• پاکسازی و آماده سازی داده ها Data Cleaning and Preparation

• مدلسازی یادگیری ماشین + یادگیری عمیق Machine Learning Modeling + Deep Learning

فهمیدن اینکه کدام مشتریان ممکن است ترک کنند Figuring Out Which Customers May Leave

• درک مسئله Understanding the Problem

• تجزیه و تحلیل داده های اکتشافی و تجسم Exploratory Data Analysis and Visualizations

• پیش پردازش داده ها Data Pre-Processing

• مدلسازی یادگیری ماشین + یادگیری عمیق Machine Learning Modeling + Deep Learning

چه کسی را برای کمک های مالی هدف قرار دهیم؟ Who to Target for Donations?

• درک مسئله Understanding the Problem

• تجزیه و تحلیل داده های اکتشافی و تجسم Exploratory Data Analysis and Visualizations

• آماده سازی مجموعه داده ما برای یادگیری ماشینی Preparing Our Dataset for Machine Learning

• مدلسازی با استفاده از Grid Search برای یافتن بهترین پارامترها Modeling Using Grid Search to Find the best parameters

پیش بینی حق بیمه Predicting Insurance Premiums

• درک مسئله + تحلیل و تجسم داده های اکتشافی Understanding the Problem + Exploratory Data Analysis and Visualizations

• آماده سازی داده ها و مدل سازی یادگیری ماشینی Data Preparation and Machine Learning Modeling

پیش بینی قیمت Airbnb Predicting Airbnb Prices

• درک مسئله + تحلیل و تجسم داده های اکتشافی Understanding the Problem + Exploratory Data Analysis and Visualizations

• مدلسازی یادگیری ماشینی Machine Learning Modeling

• استفاده از مدل ما برای تخمین ارزش برای مشتریان جدید Using Our Model for Value Estimation for New Clients

کشف تقلب در کارت اعتباری Detecting Credit Card Fraud

• شناخت مجموعه داده ما Understanding Our Dataset

• تحلیل اکتشافی Exploratory Analysis

• استخراج ویژگی Feature Extraction

• ایجاد و اعتبارسنجی مدل ما Creating and Validating Our Model

تجزیه و تحلیل نرخ تبدیل در کمپین های بازاریابی Analyzing Conversion Rates in Marketing Campaigns

• تحلیل اکتشافی درک نرخ تبدیل بازاریابی Exploratory Analysis of Understanding Marketing Conversion Rates

پیش بینی تعامل تبلیغاتی Predicting Advertising Engagement

• درک مسئله + تحلیل و تجسم داده های اکتشافی Understanding the Problem + Exploratory Data Analysis and Visualizations

• آماده سازی داده ها و مدل سازی یادگیری ماشینی Data Preparation and Machine Learning Modeling

تجزیه و تحلیل فروش محصول Product Sales Analysis

• مشکل و طرح حمله Problem and Plan of Attack

• تجزیه و تحلیل فروش و درآمد Sales and Revenue Analysis

• تجزیه و تحلیل در هر کشور، مشتریان تکراری، و موارد Analysis Per Country, Repeat Customers, and Items

با ارزش ترین مشتریان خود را تعیین کنید Determining Your Most Valuable Customers

• درک مسئله + تحلیل و تجسم داده های اکتشافی Understanding the Problem + Exploratory Data Analysis and Visualizations

• مدل سازی ارزش مادام العمر مشتری Customer Lifetime Value Modeling

خوشه بندی مشتریان (K-Means، سلسله مراتبی) - قطار مسافر Customer Clustering (K-Means, Hierarchical) - Train Passenger

• کاوش و توصیف داده ها Data Exploration and Description

• تحلیل و تجسم داده های اکتشافی ساده Simple Exploratory Data Analysis and Visualizations

• مهندسی ویژگی Feature Engineering

• K-Means خوشه بندی داده های مشتری K-Means Clustering of Customer Data

• آنالیز خوشه ای Cluster Analysis

یک سیستم توصیه محصول بسازید Build a Product Recommendation System

• توضیحات مجموعه داده و پاکسازی داده ها Dataset Description and Data Cleaning

• ساخت ماتریس مشتری-اقلام Making a Customer-Item Matrix

• ماتریس کاربر-کاربر - دریافت موارد توصیه شده User-User Matrix - Getting Recommended Items

• فیلتر مشارکتی مورد-آیتم - یافتن مشابه ترین موارد Item-Item Collaborative Filtering - Finding the Most Similar Items

سیستم توصیه یادگیری عمیق Deep Learning Recommendation System

• آشنایی با مجموعه داده های فیلم ویکی پدیا Understanding Our Wikipedia Movie Dataset

• ایجاد مجموعه داده ما Creating Our Dataset

• تعبیه و آموزش یادگیری عمیق Deep Learning Embeddings and Training

• دریافت توصیه ها بر اساس شباهت فیلم Getting Recommendations Based on Movie Similarity

پیش بینی قیمت نفت برنت Predicting Brent Oil Prices

• شناخت مجموعه داده ما و ماهیت سری زمانی آن Understanding Our Dataset and Its Time Series Nature

• ایجاد مدل پیش بینی ما Creating Our Prediction Model

• انجام پیش بینی های آینده Making Future Predictions

تشخیص احساسات در توییت ها Detecting Sentiment in Tweets

• آشنایی با مجموعه داده و ابرهای ورد ما Understanding Our Dataset and Word Clouds

• تجسم و استخراج ویژگی Visualizations and Feature Extraction

• آموزش مدل ما Training Our Model

تشخیص هرزنامه یا هام Spam or Ham Detection

• بارگیری و درک مجموعه داده های هرزنامه/هم Loading and Understanding Our Spam/Ham Dataset

• آموزش آشکارساز هرزنامه ما Training Our Spam Detector

کاوش داده ها با PySpark و تایتانیک Survival Prediction Explore Data with PySpark and Titanic Survival Prediction

• تجزیه و تحلیل اکتشافی مجموعه داده تایتانیک ما Exploratory Analysis of Our Titanic Dataset

• عملیات تحول Transformation Operations

• یادگیری ماشین با PySpark Machine Learning with PySpark

طبقه بندی سرفصل روزنامه با استفاده از PySpark Newspaper Headline Classification Using PySpark

• بارگیری و درک مجموعه داده ما Loading and Understanding Our Dataset

• ساخت مدل ما با PySpark Building Our Model with PySpark

استقرار در تولید Deployment into Production

• مقدمه ای بر سیستم های استقرار تولید Introduction to Production Deployment Systems

• ایجاد مدل Creating the Model

• مقدمه ای بر فلاسک Introduction to Flask

• درباره برنامه وب ما About Our WebApp

• استقرار برنامه وب ما در Heroku Deploying Our WebApp on Heroku