لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش علم داده، تجزیه و تحلیل، و هوش مصنوعی برای تجارت و دنیای واقعی™ [ویدئو]
Data Science, Analytics, and AI for Business and the Real World™ [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
در حال حاضر، با وجود انقباض اقتصادی Covid-19، مشاغل سنتی به صورت دسته جمعی دانشمندان داده را استخدام می کنند! بنابراین، دانشمند داده در چهار سال اخیر به شغل برتر در ایالات متحده تبدیل شده است.
با این حال، علم داده منحنی یادگیری دشواری دارد. این دوره به دنبال پر کردن تمام این شکاف ها است و یک برنامه درسی جامع دارد که به تمام اجزای اصلی دانش علم داده می پردازد.
شما در طول این دوره از علم داده برای حل مشکلات تجاری رایج استفاده خواهید کرد. شما با اصول اولیه Python، Pandas، Scikit-learn، NumPy، Keras، Prophet، statsmod، SciPy و موارد دیگر شروع خواهید کرد. با جزئیات آمار و احتمال را برای علم داده یاد خواهید گرفت. سپس، با استفاده از Seaborn، Matplotlib و Plotly، تئوری تجسم برای علم داده و تجزیه و تحلیل را یاد خواهید گرفت.
شما به طراحی داشبورد با استفاده از استودیوی Google Data همراه با یادگیری ماشین و نظریه/ابزار یادگیری عمیق نگاه خواهید کرد.
سپس، با استفاده از مدلسازی پیشبینیکننده، طبقهبندی و یادگیری عمیق، مسائل را حل خواهید کرد. پس از این، تمرکز خود را به تجزیه و تحلیل داده ها و مطالعات موردی آماری، علم داده در بازاریابی و علم داده در خرده فروشی معطوف خواهید کرد.
در نهایت، استقرار در فضای ابری را با استفاده از Heroku برای ساخت API یادگیری ماشین مشاهده خواهید کرد.
در پایان این دوره، تمامی مولفه های اصلی علم داده را یاد خواهید گرفت و اعتماد به نفس ورود به دنیای علم داده را به دست خواهید آورد.
همه فایلهای کد و فایلهای منبع در مخزن GitHub در https://github.com/PacktPublishing/Data-Science-Analytics-AI-for-Business-the-Real-World آپلود میشوند- به الگوریتمهای یادگیری ماشین با Scikit نگاه کنید. -فرا گرفتن
نمودارها، نمودارها و تجسم های زیبایی ایجاد کنید که داستانی را با داده ها بیان می کند
مشکلات رایج تجاری و نحوه به کارگیری علم داده را درک کنید
داشبوردهای داده را با Google Data Studio ایجاد کنید
کاربرد علم داده در بازاریابی و خرده فروشی را بیاموزید
ادغام تجزیه و تحلیل داده های بزرگ و یادگیری ماشین با PySpark این دوره برای مبتدیان در علم داده طراحی شده است. تحلیلگران تجاری که مایلند کارهای بیشتری با داده های خود انجام دهند. فارغ التحصیلان دانشگاهی که فاقد تجربه واقعی هستند. افراد کسب و کار محور که مایلند از داده ها برای ارتقای کسب و کار خود استفاده کنند. توسعه دهندگان نرم افزار یا مهندسانی که مایلند یادگیری علم داده را شروع کنند. هرکسی که به دنبال کارآمدتر شدن به عنوان یک دانشمند داده و علاقه مند به استفاده از داده ها برای حل مسائل دنیای واقعی است، از این دوره به طور کامل لذت خواهد برد.
بدون نیاز به برنامه نویسی یا تند تیز ریاضی. ریاضی پایه دبیرستان کافی خواهد بود. 16 تجزیه و تحلیل آماری و دادهها و شش مدلسازی و طبقهبندی پیشبینیکننده مطالعه موردی را کاوش کنید * روی چهار مورد کار کنید: علم داده در بازاریابی و خردهفروشی، و دو مطالعه موردی پیشبینی سریهای زمانی. و یک پروژه استقرار
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)
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
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
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
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
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
نمایش نظرات
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
راجیو راتان دانشمند داده با مدرک کارشناسی ارشد در هوش مصنوعی از دانشگاه ادینبورگ و لیسانس مهندسی برق و کامپیوتر از دانشگاه هند غربی است. او در چندین استارت آپ فناوری لندن به عنوان دانشمند داده، بیشتر در زمینه بینایی کامپیوتر، کار کرده است. او یکی از اعضای Entrepreneur First، یک انکوباتور استارتآپ مستقر در لندن بود و در آنجا یک استارتآپ EdTech را تأسیس کرد. بعداً، او در استارتآپهای فناوری هوش مصنوعی که در بخشهای املاک و قمار فعالیت داشتند، کار کرد. قبل از ورود به علم داده، راجیف به مدت هشت سال به عنوان مهندس فرکانس رادیویی کار کرد. علایق تحقیقاتی او در یادگیری عمیق و بینایی کامپیوتر نهفته است. او چندین دوره آنلاین ایجاد کرده است که در بسیاری از پورتال های آنلاین جهانی میزبانی می شوند.
نمایش نظرات