توضیحات دوره:
آمادهسازی دادهها، پاکسازی دادهها، پیشپردازش دادهها (هر چه میخواهید آن را نام ببرید) اغلب خستهکنندهترین و زمانبرترین کار در حوزه علم داده/تحلیل داده است. به خصوص اگر زمان کمی داریم و بخواهیم بینش تجزیه و تحلیل داده های حیاتی را به مخاطبان خود ارائه دهیم.
KNIME فرآیند آماده سازی داده را کارآمد و آسان می کند. با KNIME، اگر کدنویس باتجربه ای نیستید، می توانید از رابط کاربری آسان کشیدن و رها کردن استفاده کنید. اما اگر می دانید چگونه با زبان هایی مانند R، Python یا Java کار کنید، می توانید از آنها نیز استفاده کنید. این باعث می شود KNIME یک ابزار واقعاً انعطاف پذیر و همه کاره باشد.
در این دوره، روشهای کارآمد برای وارد کردن چندین فایل به KNIME، حلقهها، اسکریپ کردن وب، اسکریپتنویسی (استفاده از کد پایتون در KNIME)، بهینهسازی هایپرپارامتر و انتخاب ویژگی را یاد میگیریم. همچنین، گردشهای اولیه یادگیری ماشین و گرههای مفید برای این کار را در KNIME بیاموزید.
در پایان این دوره، شما قادر خواهید بود از KNIME برای پاکسازی داده ها و آماده سازی داده ها بدون هیچ کدی استفاده کنید.
تمامی منابع و فایل های پشتیبانی این دوره در https://github.com/PacktPublishing/Data-science-and-Data-preparation-with-KNIME موجود است.
بهره وری خود را افزایش دهید و در زمان انجام وظایف آماده سازی داده خود صرفه جویی کنید
کشف کنید که چه نوع حلقه هایی در دسترس هستند و چگونه از آنها استفاده کنید
نحوه استفاده از پایتون در KNIME را بیاموزید
با نحوه انجام علم داده در KNIME با و بدون کدنویسی آشنا شوید
فرآیندهای اولیه یادگیری ماشین و گره های مفید را بیاموزید این دوره برای دانشمندان مشتاق داده و تحلیلگران داده طراحی شده است که می خواهند هوشمندتر، سریع تر و کارآمدتر کار کنند. این دوره همچنین برای کسانی است که می خواهند یاد بگیرند که چگونه به طور موثر داده ها را تمیز کنند یا با مشکلات مختلف داده ها (مثلاً قالب) در گذشته مواجه شوند و به دنبال راه حلی قوی هستند و با KNIME آشنا هستند زیرا هیچ اصول اولیه در این مورد پوشش داده نمی شود. دوره. دانش اولیه یادگیری ماشین مطمئناً برای سخنرانی های بعدی در این دوره مفید است. توجه: Tableau Desktop و Microsoft Power BI Desktop اختیاری هستند. بدون نیاز به کدنویسی * یک مثال تمیز کردن داده را با هم حل کنید و مهارت های اولیه KNIME خود را تقویت کنید * بهره وری خود را افزایش دهید و در کارهای آماده سازی داده خود صرفه جویی کنید
سرفصل ها و درس ها
علم داده و آماده سازی داده با KNIME
Data Science and Data Preparation with KNIME
معرفی دوره
Course Introduction
خواندن چندین فایل CSV به صورت انبوه در بهروزرسانی KNIME
Reading Multiple CSV Files in Bulk into KNIME Update
خواندن چندین فایل اکسل به صورت انبوه در بهروزرسانی KNIME
Reading Multiple Excel Files in Bulk into KNIME Update
یک گره کمکی عالی برای تجزیه و تحلیل سری های زمانی در KNIME
A Great Helper Node for Time Series Analysis in KNIME
نمونه هایی از نحوه استفاده از حلقه ها در KNIME
Examples of How to Use Loops in KNIME
اطلاعات بیشتر در مورد حلقه ها در KNIME - چندین روش برای به دست آوردن نتیجه یکسان
More on Loops in KNIME - Several Ways to Get the Same Result
حلقه ها - چگونه داده ها را به چندین فایل خروجی تقسیم کنیم
Loops - How to Split Data into Multiple Output Files
بازگشت حلقه ها در KNIME
Loops Recursion in KNIME
طراحی وب با KNIME
Webscraping with KNIME
طراحی وب با KNIME - داده های مالی
Webscraping with KNIME - Financial Data
اسکریپت - نحوه استفاده از پایتون در KNIME
Scripting - How to Use Python in KNIME
پایتون در KNIME - نمونه های بیشتر
Python in KNIME - Further Examples
بهینه سازی Hyperparameter در KNIME - آماده سازی داده ها
Hyperparameter Optimization in KNIME - Data Preparation
بهینه سازی هایپرپارامتر برای مدل های یادگیری ماشین با استفاده از حلقه ها در KNIME
Hyperparameter Optimization for Machine Learning Models Using Loops in KNIME
انتخاب ویژگی در KNIME
Feature Selection in KNIME
فرآیند پیشبینی یادگیری ماشین
Machine Learning Prediction Process
خروج KNIME
KNIME Logout
ویدیوهای قدیمی نسخه KNIME قبل از 4.3
Older Videos KNIME Version Before 4.3
خواندن چندین فایل CSV به صورت انبوه در KNIME
Reading Multiple CSV Files in Bulk into KNIME
چندین برگه اکسل را به صورت انبوه در KNIME بخوانید
Read Multiple Excel Sheets in Bulk into KNIME
حلقه نحوه تقسیم داده ها به چندین فایل خروجی
Loops How to Split Data into Multiple Output Files
پایتون در KNIME - نمونه های بیشتر
Python in KNIME - Further Examples
نمایش نظرات
نظری ارسال نشده است.