آموزش راهنمای کامل هوش مصنوعی و علم داده برای توسعه دهندگان SQL: از مبتدی تا پیشرفته

سرفصل ها و درس ها

معرفی Introduction

• استفاده از فایل های تمرین دوره Using the course exercise files

• آنچه شما باید بدانید What you should know

• هوش مصنوعی و علم داده: مقدمه AI and data science: Introduction

1. مقدمه ای بر علم داده 1. Introduction to Data Science

• چالش: داده ها Challenge: Data

• برنامه های کاربردی دنیای واقعی Real-world applications

• مهارت های لازم برای علم داده Necessary skills for data science

• داده یا اطلاعات: تفاوت چیست؟ Data or information: What's the difference?

• مقایسه نقش داده ها Comparing data roles

• علم داده توضیح داد Data science explained

• راه حل: داده ها Solution: Data

• نفوذ فزاینده داده ها Data's increasing influence

2. AI، ML، و DL 2. AI, ML, and DL

• طبقه بندی مشکلات یادگیری ماشین Machine learning problem classifications

• چالش: هوش مصنوعی Challenge: AI

• رویکردهای یادگیری ماشین برای سناریوهای تجاری Machine learning approaches for business scenarios

• چهره در حال تکامل هوش مصنوعی The evolving face of artificial intelligence

• راه حل: هوش مصنوعی Solution: AI

3. مقدمه ای بر آمار و احتمال 3. Introduction to Stats and Probability

• انواع آمار Types of statistics

• راه حل: آمار Solution: Statistics

• ذهنیت آماری Statistical mindset

• آمار تعریف شده است Statistics defined

• آمار استنباطی (احتمال) Inferential statistics (probability)

• چالش: آمار Challenge: Statistics

• آمار توصیفی Descriptive statistics

• پایتون Python

4. مبانی تحلیل رگرسیون 4. The Foundations of Regression Analysis

• با رگرسیون وارد یادگیری ماشین شوید Dive Into machine learning with regression

• کامل کردن مدل خود: ارزیابی و اعتبار Perfecting your model: Evaluation and validation

• درک اصول رگرسیون خطی Understanding the essentials of linear regression

• رمزگشایی اسرار خط رگرسیون Decoding the secrets of the regression line

• پیمایش در دنیای رگرسیون چندگانه Navigating the world of multiple regression

5. تکنیک های پیشرفته و اصلاح مدل 5. Advanced Techniques and Model Refinement

• تحلیل رگرسیون: یک کاربرد عملی Regression Analysis: A Practical Application

• ضربه زدن به نکته درست - مبادله تعصب-واریانس Hitting the Right Note - The Bias-Variance Trade-off

• تنظیم دقیق مدل های خود Fine-Tuning Your Models

• مخلوط کردن مجدد داده ها با بوت استرپینگ Remixing Data with Bootstrapping

• از پیش بینی تا درک From Predicting to Understanding

• ایجاد ظرافت در مدل‌های یادگیری ماشین Crafting Elegance in Machine Learning Models

• شکستن روابط داده با رگرسیون Breaking Down Data Relationships with Regression

6. کاربردهای عملی و فراتر از آن 6. Practical Applications and Beyond

• تشخیص مدل و تست فرضی Model Diagnostics and Assumption Testing

• مسیرهای چند جمله ای و تعاملات Polynomial Paths and Interactions

• روشهای رگرسیون ناپارامتریک Non-parametric Regression Methods

• باز کردن رازهای پشت ضرایب Unlocking the Secrets Behind Coefficients

• فراتر از اصول - معیارهای ارزیابی مدل پیشرفته Beyond the Basics - Advanced Model Evaluation Metrics

• مطالعات موردی در تحلیل رگرسیون Case Studies in Regression Analysis

• ایجاد تعادل با تکنیک های منظم سازی Striking a Balance with Regularization Techniques

7. پیش بینی قیمت خانه با رگرسیون خطی 7. Predicting House Prices with Linear Regression

• راه اندازی محیط پایتون Python environment setup

• رویکرد پروژه Project approach

• راه اندازی محیط SQL SQL environment setup

• هدف پروژه Project goal

• مراحل پروژه Project steps

8. آماده سازی و کاوش داده ها 8. Data Preparation and Exploration

• بررسی توزیع متغیرها Checking the distribution of the variables

• بررسی اطلاعات داده ها Checking the data info

• اعمال تبدیل گزارش و بررسی مجدد توزیع Applying log transformation and re-checking distribution

• در حال بارگیری داده ها Loading the data

• آمار خلاصه مجموعه داده Summary statistics of the dataset

• چالش: آماده سازی Challenge: Preparation

• وارد کردن کتابخانه های لازم و نمای کلی مجموعه داده ها Importing necessary libraries and dataset overview

• راه حل: آماده سازی Solution: Preparation

9. تجسم و کاوش داده ها 9. Data Visualization and Exploration

• تجزیه و تحلیل دو متغیره: نقشه حرارتی Bivariate analysis: Heat-map

• تجسم روابط: جفت متغیرهای دیگر Visualizing relationships: Other pairs of variables

• راه حل: تجسم Solution: Visualization

• تجسم روابط: سن خانه و فاصله تا محل کار Visualizing relationships: Age of homes and distance to work

• چالش: تجسم Challenge: Visualization

• تجسم روابط: دسترسی به بزرگراه و مالیات بر دارایی Visualizing relationships: Highway access and property tax

• بررسی همبستگی پس از حذف موارد پرت Checking correlation after removing outliers

10. پیش پردازش داده ها 10. Data Preprocessing

• چالش: پیش پردازش Challenge: Preprocessing

• بررسی چند خطی بودن با استفاده از VIF Checking for multicollinearity using VIF

• راه حل: پیش پردازش Solution: Preprocessing

• حذف چند خطی با حذف ویژگی مالیات Removing multicollinearity by dropping the tax feature

• تقسیم مجموعه داده ها به مجموعه های قطار و آزمایش Splitting the dataset into train and test sets

11. مدل سازی و ارزیابی 11. Model Building and Evaluation

• فرض 2: بررسی همجنسگرایی Assumption 2: Checking homoscedasticity

• فرض 4: بررسی نرمال بودن عبارات خطا Assumption 4: Checking normality of error terms

• چالش: ساخت مدل Challenge: Model building

• مقایسه عملکرد مدل در قطار و داده های آزمایشی Model performance comparison on train and test data

• فرض 1: بررسی میانگین باقیمانده ها Assumption 1: Checking for mean residuals

• ایجاد مدل رگرسیون خطی و خلاصه مدل: قسمت 3 Creating the linear regression model and model summary: Part 3

• فرض 3: بررسی خطی بودن Assumption 3: Checking linearity

• راه حل: مدل سازی Solution: Model building

• حذف متغیرهای ناچیز و ایجاد مجدد مدل Dropping insignificant variables and re-creating the model

• بررسی مفروضات برای رگرسیون خطی Checking assumptions for linear regression

• نمودار Q-Q برای بررسی نرمال بودن عبارات خطا Q-Q plot for checking the normality of error terms

• استفاده از اعتبارسنجی و ارزیابی متقابل Applying cross-validation and evaluation

• ایجاد مدل رگرسیون خطی و خلاصه مدل: قسمت 1 Creating the linear regression model and model summary: Part 1

• ایجاد مدل رگرسیون خطی و خلاصه مدل: قسمت 2 Creating the linear regression model and model summary: Part 2

12. تفسیر و گزارش مدل 12. Model Interpretation and Reporting

• چالش: تفسیر Challenge: Interpretation

• نوشتن معادله رگرسیون خطی و ضرایب Writing the linear regression equation and coefficients

• نتیجه گیری و توصیه های تجاری Conclusions and business recommendations

• استخراج و ایجاد یک DataFrame از ضرایب Extracting and creating a DataFrame of coefficients

• راه حل: تفسیر Solution: Interpretation

13. پروژه نهایی Capstone 13. Final Capstone Project

• جزئیات پروژه نهایی Final capstone project details

• راه حل نهایی پروژه سنگ بنای نهایی Final capstone project solution walkthrough

نتیجه Conclusion

• مراحل بعدی Next steps