آموزش دانشمند داده شوید: دوره A-Z در Python و ChatGPT

Become Data Scientist: A-Z Course in Python & ChatGPT

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: بر دنیای علم داده مسلط شوید: یک دوره جامع عملی که A-Z گردش کار علم داده در پایتون را پوشش می دهد به درک عمیقی از مفاهیم و اصول اصلی علم داده، از جمله نقش، اهمیت و کاربردهای آن در صنایع مختلف دست پیدا کنید. مهارت‌های پاکسازی مؤثر داده‌های خام، پوشش تکنیک‌های مدیریت مقادیر از دست رفته، پرداختن به انواع داده‌های مختلف، و مدیریت نقاط پرت و غیره را به دست آورید. با یادگیری تکنیک‌های ضروری مانند مرتب‌سازی، فیلتر کردن، ادغام، الحاق و موارد دیگر با استفاده از کتابخانه پانداهای پایتون، در دستکاری داده‌ها مهارت کسب کنید. تکنیک های تجزیه و تحلیل داده های اکتشافی شامل فرکانس ها، درصدها، عملیات گروهی، جداول محوری، جدول بندی متقاطع و روابط متغیر را بیاموزید. با تجربه عملی در مهندسی ویژگی، انتخاب و مقیاس‌بندی برای آماده‌سازی مجموعه داده‌ها برای مدل‌های ML، وارد دنیای پیش‌پردازش داده‌ها شوید. دانش خود را از طریق یک سری پروژه های عملی به کار ببرید و درک خود را از هر مرحله در گردش کار علم داده تقویت کنید. توسعه تخصص در ساخت و ارزیابی مدل های رگرسیون نظارت شده، از جمله رگرسیون خطی، جنگل تصادفی، درخت تصمیم، xgboost، و غیره. مهارت های عملی در استقرار مدل های طبقه بندی نظارت شده، پوشش الگوریتم هایی مانند رگرسیون لجستیک، جنگل تصادفی، KNN و lightgbm به دست آورید. دنیای یادگیری بدون نظارت را با درک و پیاده سازی مدل های خوشه بندی مانند KMeans و DBSCAN برای کشف الگوهای پنهان در داده ها کاوش کنید. در استفاده از کتابخانه‌های ضروری پایتون برای علم داده، از جمله پانداها، نومپی، دریازادگان، matplotlib، scikit-learn و scipy ماهر شوید. دانش خود را آزمایش کنید و یادگیری خود را از طریق مجموعه ای از آزمون های هفت لایه که جنبه های مختلف گردش کار علم داده را پوشش می دهد، تقویت کنید. ادغام ChatGPT را تجربه کنید تا درک خود را از برنامه های علم داده از طریق مکالمات تعاملی و حل مسئله در دنیای واقعی افزایش دهید. بیاموزید که چگونه یافته های خود را به طور مؤثر انتقال دهید، نتایج پیچیده علم داده را به بینش های روشن و عملی برای ذینفعان تبدیل کنید. با درک کامل از گردش کار کامل علم داده و توانایی مقابله با چالش های دنیای واقعی، حرفه ای را در علم داده شروع کنید. پیش نیازها: بدون نیاز به تجربه کدنویسی. تمایل به یادگیری علم داده

به "Become Data Scientist: A-Z Course in Python ChatGPT" خوش آمدید. یک دوره جامع عملی که A-Z گردش کار علم داده در پایتون را پوشش می دهد. این برنامه متحول کننده با دقت طراحی شده است تا به یادگیرندگان مختلف، از جمله دانشمندان مشتاق داده، حرفه ای هایی که به دنبال انتقال شغلی هستند، و هر کسی که شیفته پتانسیل عظیم داده ها هستند، ارائه دهد. سفری را آغاز کنید که پیچیدگی‌های علم داده را از بین می‌برد و نه تنها دانش نظری، بلکه مهم‌تر از آن، مهارت‌های عملی را از طریق پروژه‌های عملی همهجانبه در اختیار شما قرار می‌دهد.

مبانی تعالی علم داده: اصول اساسی که پایه علم داده است را بررسی کنید. اهمیت آن، کاربردهای آن در صنایع و نقش محوری آن در فرآیندهای تصمیم گیری را درک کنید. از اصول اولیه تا برنامه های کاربردی در دنیای واقعی، این دوره به شما اطمینان می دهد که پایه ها را درک کرده و زمینه را برای کاوشی جامع از چشم انداز علم داده فراهم می کند.

پروژه های عملی و تسلط بر داده ها: درک عمیقی از دستکاری داده ها، تمیز کردن و پیش پردازش از طریق پروژه های عملی به دست آورید. با چالش های داده های دنیای واقعی مقابله کنید و مهارت های خود را با هفت لایه آزمون تقویت کنید. این رویکرد عملی تضمین می کند که نه تنها مفاهیم را درک می کنید، بلکه می توانید آنها را با اطمینان در سناریوهای دنیای واقعی نیز به کار ببرید.

تعالی ساختن مدل در سراسر دامنه ها: در هنر ساختن و ارزیابی هر دو مدل رگرسیون نظارت شده و طبقه بندی تسلط پیدا کنید. در الگوریتم هایی مانند رگرسیون خطی، جنگل تصادفی، رگرسیون لجستیک، KNN و غیره عمیق شوید. قدرت یادگیری بدون نظارت را از طریق مدل‌های خوشه‌بندی مانند KMeans و DBSCAN کشف کنید، که به شما امکان می‌دهد بینش‌های ارزشمندی را از داده‌های بدون ساختار استخراج کنید.

کتابخانه‌های Python Demystified: اکوسیستم غنی علم داده پایتون را بدون زحمت پیمایش کنید. از دستکاری داده ها با استفاده از پانداها گرفته تا یادگیری ماشینی با یادگیری scikit، و تجسم با seaborn و matplotlib، در استفاده از کتابخانه های ضروری که ستون فقرات گردش کار علم داده را تشکیل می دهند، مهارت کسب خواهید کرد.

یادگیری تعاملی با ادغام ChatGPT: با ادغام ChatGPT یک سفر یادگیری منحصر به فرد را تجربه کنید. در گفتگوهای تعاملی شرکت کنید، مشکلات دنیای واقعی را عیب یابی کنید و مهارت های حل مسئله خود را تقویت کنید. این محیط یادگیری پویا نه تنها دانش را منتقل می کند، بلکه درک عمیق مطالب را از طریق تجربیات عملی و تعاملی تقویت می کند.

"دانشمند داده شوید: دوره A-Z در Python ChatGPT" فراتر از یک دوره سنتی است—این دروازه شما برای تبدیل شدن به یک دانشمند داده ماهر است. همانطور که پیچیدگی های علم داده را کشف می کنید، نه تنها دانش تئوری بلکه اعتماد به نفس و مهارت های مورد نیاز برای مقابله با چالش های پیچیده در دنیای واقعی را نیز به دست خواهید آورد. آیا آماده باز کردن پتانسیل کامل داده ها هستید؟ اکنون ثبت نام کنید و اولین قدم را به سوی یک سفر پربار در علم داده بردارید.


سرفصل ها و درس ها

راه اندازی پلت فرم تجزیه و تحلیل داده های خود Setting Up Your Data Analysis Platform

  • پایتون و ژوپیتر نوت بوک را نصب کنید Install Python and Jupyter Notebook

  • راه اندازی ChatGPT برای تجزیه و تحلیل SMART Setting Up ChatGPT for SMART Analysis

علم داده چیست؟ What is Data Science?

  • علم داده و ویژگی های آن Data Science and its characteristics

  • علم داده در مقابل تجزیه و تحلیل داده ها Data Science v/s Data Analysis

  • جریان کار علم داده را کامل کنید Complete Data Science work-flow

  • مجموعه داده ها را برای تمرین و آزمون ها دانلود کنید Download datasets for practice and quizzes

  • دستورالعمل برای آزمون ها: مهم است Instructions for Quizzes: IMPORTANT

فرآیند پاکسازی کامل داده ها Full Data Cleaning Process

  • شروع به کار: بارگیری داده های خود در نوت بوک jupyter Getting started: loading your data into jupyter notebook

  • مقادیر گمشده را با Simple-Imputer وارد کنید Impute missing values with Simple-Imputer

  • اصلاح متغیرها و مقادیر ناسازگار Rectify inconsistent variables and values

  • انواع داده های صحیح را شناسایی و اختصاص دهید Identify and assign correct data types

  • داده های تکراری را از مجموعه داده حذف کنید Abolish duplicated data from the dataset

  • آزمون 1: پاکسازی کامل داده ها QUIZ 1: Full Data Cleaning

  • راه حل 1: پاکسازی کامل داده ها Solution 1: Full Data Cleaning

فرآیند دستکاری کامل داده ها Full Data Manipulation Process

  • مرتب سازی و مرتب سازی مجموعه داده ها Sorting and arranging dataset

  • فیلتر مشروط (و، یا، نه و غیره) Conditional filtering (and, or, not etc.)

  • ادغام مجموعه داده با ویژگی های اضافی Merging dataset with extra features

  • الحاق داده ها با داده های اضافی Concatenating data with extra data

  • آزمون 2: دستکاری کامل داده ها QUIZ 2: Full Data Manipulation

  • راه حل 2: دستکاری کامل داده ها Solution 2: Full Data Manipulation

فرآیند تجزیه و تحلیل کامل داده های اکتشافی Full Exploratory Data Analysis Process

  • درک تحلیل داده های اکتشافی Understanding exploratory data analysis

  • بررسی تکنیک تحلیل شمارش ارزش Investigating Value Counts Analysis Technique

  • کاوش در تکنیک تحلیل آمار توصیفی Delving into Descriptive Statistics Analysis Technique

  • درک گروه با روش تجزیه و تحلیل Understanding Group By Analysis Method

  • تسلط بر روش تحلیل جدول محوری Mastering Pivot Table Analysis Method

  • روش تجزیه و تحلیل جدول بندی متقاطع Unpacking Crosstabulation Analysis Method

  • بررسی روش تحلیل همبستگی Exploring Correlation Analysis Method

  • آزمون 3: تجزیه و تحلیل کامل داده های اکتشافی QUIZ 3: Full Exploratory Data Analysis

  • راه حل 3: تجزیه و تحلیل کامل داده های اکتشافی Solution 3: Full Exploratory Data Analysis

درک مفاهیم تجزیه و تحلیل داده های آماری Understanding Statistical Data Analysis Concepts

  • جنبه های مختلف آزمون فرضیه Various aspects of hypothesis testing

  • اطمینان، سطح معناداری و مقدار p را درک کنید Understand confidence, significance level and p-value

  • تجزیه و تحلیل داده های آماری و آزمون فرضیه ها Statistical data analysis and hypothesis testing

  • آزمون 4: درک مفاهیم تجزیه و تحلیل داده های آماری QUIZ 4: Understanding Statistical Data Analysis Concepts

تکنیک های مختلف تبدیل داده ها Various Data Transformation Techniques

  • آزمایش توزیع نرمال متغیرهای عددی Testing normal distribution of numeric variables

  • روش تبدیل داده ریشه مربع Square root data transformation method

  • روش تبدیل داده های لگاریتمی Logarithm data transformation method

  • روش تبدیل داده باکس-کاکس Box-cox data transformation method

  • روش تبدیل داده یئو جانسون Yeo-Johnson data transformation method

  • آزمون 5: روش های مختلف تبدیل داده ها QUIZ 5: Various Data Transformation Methods

  • راه حل 5: روش های تبدیل داده ها Solution 5: Data Transformation Methods

آزمون فرضیه (ANOVA، همبستگی پیرسون، رگرسیون) Hypothesis Testing (ANOVA, Pearson Correlation, Regression)

  • یک راه بین گروه ها ANOVA: بررسی تفاوت One way between groups ANOVA: Checking the difference

  • آزمون همبستگی پیرسون: بررسی رابطه Pearson correlation test: Checking the relationship

  • آزمون رگرسیون: بررسی تأثیر Regression test: Checking the influence

  • آزمون 6: آزمون فرضیه QUIZ 6: Hypothesis Testing

  • راه حل 6: آزمون فرضیه Solution 6: Hypothesis Testing

فرآیند پیش پردازش کامل داده ها Full Data Preprocessing Process

  • مهندسی ویژگی برای تولید متغیر قابل توجه Feature engineering to generate significant variable

  • رمزگذاری ویژگی برای تخصیص مقادیر عددی Feature encoding to assign numeric values

  • تکنیک های ایجاد متغیرهای ساختگی Techniques to create dummy variables

  • مقیاس بندی ویژگی برای استانداردسازی و عادی سازی Feature scaling for standardization and normalization

  • تقسیم داده ها به مجموعه آموزشی و آزمایشی Splitting data into training and testing set

  • آزمون 7: پیش پردازش کامل داده ها QUIZ 7: Full Data Preprocessing

  • راه حل 7: پیش پردازش کامل داده ها Solution 7: Full Data Preprocessing

یادگیری ماشین نظارت شده قسمت 1: رگرسیون Supervised Machine Learning Part 1: Regression

  • **بخوانید: مهم** **Read It: IMPORTANT**

  • شروع به کار: مدل ML رگرسیون خطی Getting started: Linear regression ML model

  • مدل ML رگرسیون درخت تصمیم Decision Tree regressior ML model

  • مدل ML رگرسیون جنگل تصادفی Random Forest regressor ML model

  • پشتیبان مدل ML رگرسیون برداری Support Vector regressor ML model

  • مدل ML رگرسور XGBoost XGBoost regressor ML model

  • آزمون 8: مدل ML نظارت شده قسمت 1 QUIZ 8: Supervised ML model Part 1

  • راه حل 8: مدل ML نظارت شده قسمت 1 Solution 8: Supervised ML model Part 1

یادگیری ماشین نظارت شده قسمت 2: طبقه بندی Supervised Machine Learning Part 2: Classification

  • شروع به کار: مدل ML رگرسیون لجستیک Getting started: Logistic regression ML model

  • مدل ML طبقه بندی درخت تصمیم Decision Tree classification ML model

  • طبقه بندی جنگل تصادفی مدل ML Random Forest classification ML model

  • K نزدیکترین همسایگان طبقه بندی مدل ML K Nearest Neighbours classification ML model

  • طبقه بندی LightGBM مدل ML LightGBM classification ML model

  • آزمون 9: مدل ML نظارت شده قسمت 2 QUIZ 9: Supervised ML model Part 2

  • راه حل 9: مدل ML نظارت شده قسمت 2 Solution 9: Supervised ML model Part 2

یادگیری ماشینی بدون نظارت: تجزیه و تحلیل خوشه ای Unsupervised Machine Learning: Cluster Analysis

  • KMeans خوشه بندی مدل ML KMeans clustering ML model

  • مدل ML خوشه بندی DBSCAN DBSCAN clustering ML model

  • آزمون نهایی 10: مدل ML بدون نظارت Final QUIZ 10: Unsupervised ML model

  • راه حل نهایی 10: مدل ML کامل و بدون نظارت Final Solution 10: Complete & Unsupervised ML model

نکات، ترفندها و منابع Tips, Tricks and Resources

  • Kaggle برای منابع تمرینی عظیم و نمونه کارها Kaggle for Huge Practice Resources and Portfolio

  • ChatGPT: سریعترین همراه کد شما ChatGPT: Your Fastest Code Companion

  • منابع دوره Course resources

نمایش نظرات

آموزش دانشمند داده شوید: دوره A-Z در Python و ChatGPT
جزییات دوره
8 hours
64
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,074
4.5 از 5
دارد
دارد
دارد
Md Shahriar
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Md Shahriar Md Shahriar

تحلیلگر داده (فریلنسر) و مدرس در Udemy