علم داده 101: روش شناسی، پایتون و ریاضیات اساسی [ویدئو]

سرفصل ها و درس ها

مقدمه ای بر علم داده 101 Introduction to Data Science 101

• فعالیت تطبیق - پروژه را با نقش داده مطابقت دهید Matching Activity - Match the Project to the Data Role

• مقدمه ای بر علم داده Introduction to Data Science

• کاری که یک دانشمند داده انجام می دهد What a Data Scientist Does

• اطلاعات بزرگ Big Data

• داده کاوی Data Mining

• یادگیری ماشینی در مقابل یادگیری عمیق Machine Learning Versus Deep Learning

• توصیه به دانشمندان داده Advice to Data Scientists

بهترین زبان برای علم داده Best Language for Data Science

• بهترین زبان برای علم داده چیست؟ What IS the Best Language for Data Science?

• پایتون Python

• SAS (سیستم تحلیل آماری) SAS (Statistical Analysis System)

• آر R

• SQL SQL

روش شناسی علم داده Data Science Methodology

• روش علم داده/مقدمه فرآیند Data Science Methodology/Process Introduction

• درک کسب و کار Business Understanding

• درک داده ها Data Understanding

• آماده سازی داده ها Data Prep

• مدل سازی Modelling

• ارزیابی Evaluation

• گسترش Deployment

علم داده از طریق چت بات Data Science Through Chatbot

• هدف از بخش چت بات Purpose of Chatbot Section

• چت بات چیست؟ What is a Chatbot?

• ثبت نام برای دستیار Watson Signing Up for Watson Assistant

• ایجاد نام - چت بات خدمات بهداشت و درمان Creating a Name - Healthcare Service Chatbot

• مقاصد Intents

• موجودیت ها Entities

• پیشنهاداتی برای یادگیری بیشتر Suggestions for More Learning

• خلاصه بخش: پردازش زبان طبیعی، یادگیری ماشین و موارد استفاده Section Recap: Natural Language Processing, Machine Learning, and Use Cases

کتابخانه ها، API ها، مجموعه داده ها Libraries, APIs, Datasets

• کتابخانه ها Libraries

• API ها APIs

• مجموعه داده ها Datasets

GitHub GitHub

• مقدمه ای بر GitHub Introduction to GitHub

• یک مخزن ایجاد کنید Create a Repository

• یک شعبه ایجاد کنید و تغییرات را انجام دهید Create a Branch and Commit Changes

• درخواست کشش و درخواست کشش ادغام Pull Request and Merging Pull Request

نصب/Jupyter/نظرات (Windows و MacOS/Jupyter Notebook) Installation / Jupyter / Comments (Windows and MacOS/Jupyter Notebook)

• Windows - دانلود Anaconda Distribution (شامل پایتون!) Windows - Download Anaconda Distribution (Includes Python!)

• ویندوز - Anaconda Distribution را نصب کنید Windows - Install Anaconda Distribution

• ویندوز - تنظیم محیط Windows - Setting Up Environment

• ویندوز - باز کردن نوت بوک Jupyter Windows - Opening Jupyter Notebook

• MacOS - Anaconda دانلود و نصب کنید MacOS - Anaconda Download and Install

• MacOS - Conda Environment MacOS - Conda Environment

• MacOS - نوت بوک Jupyter MacOS - Jupyter Notebook

• رابط و میانبرهای نوت بوک Jupyter Jupyter Notebook Interface and Shortcuts

مقدمه ای بر علم داده در پایتون - اصول پایتون Introduction to Data Science in Python - Python Fundamentals

• نحوه استفاده از سلول های Markdown (افزودن سرصفحه ها، پیوندها و تصاویر) How to Use Markdown Cells (Adding Headers, Links, and Images)

• نظرات - درون خطی و مسدود کردن نظرات Comments - Inline and Block Comments

• تورفتگی پایتون Python Indentation

• نوشتن کدهای تک و چند خطی Writing Single and Multiple Lines of Code

• درک متغیرها Understanding Variables

• انواع داده های اصلی و ایجاد آنها (عدد صحیح، شناور، رشته، فهرست، فرهنگ لغت) Main Data Types and Creating Them (Integer, Float, String, List, Dictionary)

• لیست ها - نحوه استفاده Lists - How to Use

• دیکشنری ها - نحوه استفاده Dictionaries - How to Use

• ایجاد یک تاپل Creating a Tuple

• Tuple - نحوه استفاده Tuple - How to Use

• ایجاد یک مجموعه Creating a Set

• مجموعه - نحوه استفاده Set - How to Use

• اپراتورها Operators

مقدمه ای بر علم داده در پایتون - ساختارهای تصمیم گیری و حلقه ای Introduction to Data Science in Python - Decision and Looping Structures

• معرفی ساختارهای تصمیم گیری و حلقه ای Introducing Decision and Looping Structures

• اگر بیانیه If Statement

• بیانیه دیگری Else Statement

• الیف Elif

• برای حلقه For Loop

• در حالی که حلقه While Loop

• شکستن و ادامه بیانیه ها Break and Continue Statements

مقدمه ای بر علم داده در پایتون - توابع پایتون Introduction to Data Science in Python - Python Functions

• معرفی توابع Introducing Functions

• توابع - نحو عمومی Functions - General Syntax

• عملکرد +1 +1 Function

• عملکرد باند مورد علاقه Fav Band Function

• تابع سلسیوس به فارنهایت Celsius to Fahrenheit Function

• بیانیه بازگشت اختیاری (و مقایسه آن با بیانیه چاپی) Optional Return Statement (and Comparing It to Print Statement)

• تعریف یک تابع در مقابل فراخوانی یک تابع Defining a Function Versus Calling a Function

• مثال عملی/دنیای واقعی: تابعی برای دریافت داده های Reddit Practical/Real World Example: Function to Get Reddit Data

• معرفی لامبدا (توابع ناشناس) Lambda Introduction (Anonymous Functions)

• تابع رسمی در مقابل لامبدا برای تقسیم رشته ها Formal Function Versus Lambda for Splitting Strings

مقدمه ای بر علم داده - داده های تودرتو، تکرار و درک فهرست Introduction to Data Science - Nested Data, Iteration, and List Comprehension

• شما را با داده های تودرتو و تکرار آشنا می کنیم Introducing you to Nested Data and Iteration

• مثال تودرتو ساده Simple Nested Example

• دو نمایه سازی Double Indexing

• تخصیص ارزش ها Assigning Values

• فهرست دیکته ها و دیکته های دیکته ها مثال List of Dicts and Dicts of Dicts Example

• تکرار تو در تو - تکرار از طریق فهرست لیست ها Nested Iteration - Iterating Through List of Lists

• تعریف درک فهرست و نحو Defining List Comprehension and Syntax

• درک لیست - مثال های ساده List Comprehension - Simple Examples

• Comp را به عنوان جایگزینی برای Loops فهرست کنید List Comp as an Alternative to Loops

• مثال عملی/دنیای واقعی - با استفاده از نمادهای ریاضی رایج Practical/Real World Example - Using Common Mathematical Notation

• مثال عملی/دنیای واقعی - ایجاد یک شناسه محدود Practical/Real World Example - Creating a Constrained ID

• فعالیت: ایجاد شهود (حلقه‌ها، داده‌های تودرتو، تکرار، و فهرست Comp) Activity: Building Intuition (Loops, Nested Data, Iteration, and List Comp)

مقدمه ای بر علم داده در پایتون - آموزش NumPy Introduction to Data Science in Python - Learn NumPy

• معرفی NumPy Introducing NumPy

• ایجاد اولین آرایه NumPy ما Creating Our First NumPy Array

• شکل دادن به یک آرایه (زمانی که شکل مورد نظر خود را می دانید) Shaping an Array (When You Know the Shape You Want)

• ایجاد دنباله ای از اعداد صحیح و شناور Creating a Sequence of Integers and Floats

• عملیات عنصر عاقلانه Element-Wise Operations

• یک محدوده با یک شکل (ترتیب تابع با تابع تغییر شکل) A Range with a Shape (Arrange Function with Reshape Function)

• نمایه سازی NumPy NumPy Indexing

• برش NumPy NumPy Slicing

• نمایه سازی و برش با مجموعه داده های سرطان سینه ویسکانسین Indexing and Slicing with Breast Cancer Wisconsin Dataset

• حذف عناصر Delete Elements

• ضمیمه Append

• درج عناصر Insert Elements

• ویژگی Reshape -1 Reshape -1 Feature

• صاف کردن Flatten

• جابجا شود Transpose

• الحاق Concatenate

• تقسیم شدن Splitting

• توابع جمعی/آماری Aggregate/Statistical Functions

مقدمه ای بر علم داده در پایتون - پانداها Introduction to Data Science in Python - Pandas

• معرفی پانداها Introducing Pandas

• برای برنامه نویسان SAS: اصطلاحات مشابه در پانداها (پایتون) For SAS Programmers: Analogous Terms in Pandas (Python)

• استفاده از Series به عنوان ورودی DataFrame Using Series as Input into DataFrame

• مقایسه سری و دیتا فریم Comparing Series and DataFrame

• وارد کردن مجموعه داده TSLA Importing TSLA Dataset

• انتخاب بر اساس شاخص (iloc) Index-Based Selection (iloc)

• انتخاب مبتنی بر برچسب (محل) Label-Based Selection (loc)

• انتخاب مشروط Conditional Selection

• توابع خلاصه Summary Functions

• گروه بندی (گروهی) Grouping (groupby)

• مرتب سازی Sorting

• بررسی انواع داده ها و تبدیل Checking Data Types and Converting

• مقابله با ارزش های گمشده Dealing with Missing Values

• رها کردن ستون ها/متغیرها و رکوردها/ردیف ها Dropping Columns/Variables and Records/Rows

• تغییر نام ستون ها/متغیرها و رکوردها/ردیف ها Renaming Columns/Variables and Records/Rows

• تابع Concat + امتحان پاپ Concat Function + Pop Quiz

• فعالیت در دنیای واقعی: ستون های جدید اضافه کنید و حرکت سهام را پیش بینی کنید Real-World Activity: Add New Columns and Predict Stock Movement

مقدمه ای بر علم داده در پایتون - راه حل های فعالیت پایتون Introduction to Data Science in Python - Python Activity Solutions

• راه حل - پر کردن فعالیت - مبانی Solution - Fill in Activity - Fundamentals

• راه حل - پر کردن فعالیت - حلقه و توابع Solution - Fill in Activity - Looping and Functions

• راه حل - Activity را پر کنید - Nested and List Comprehension Solution - Fill in Activity - Nested and List Comprehension

• راه حل - پر کردن فعالیت - NumPy Solution - Fill in Activity - NumPy

ریاضیات ضروری برای علم داده - جبر خطی آسان شده است Essential Math for Data Science - Linear Algebra Made Easy

• تعریف معادله خطی Linear Equation Definition

• اشکال یک معادله خطی Forms of a Linear Equation

• سیستم های معادلات خطی Systems of Linear Equations

• خط و هواپیما Line and Plane

• علامت گذاری Aij Aij Notation

• سیستم معادلات به عنوان یک ماتریس System of Equations as a Matrix

• سیستم در فرم های مربوطه System in Corresponding Forms

• فرم Echelon ردیف (حذف گاوسی) Row Echelon Form (Gaussian Elimination)

• فرم ردیف ردیف کاهش یافته Reduced Row Echelon Form

• قوانین عملیات ردیف Row Operations Rules

• مثال عملیات ردیف (REF) Row Operations Example (REF)

• تجسم Ax=b Visualizing Ax=b

• فرمول عمومی - ضرب برداری ماتریسی General Formula - Matrix Vector Multiplication

• نکاتی برای عملیات ردیف Tips for Row Operations

ریاضی ضروری برای علوم داده - ساختارهای ریاضی Essential Math for Data Science - Mathematical Structures

• ساختارهای ریاضی Mathematical Structures

• گروه ها و زمینه های آبلیان Abelian Groups and Fields

• فضاهای برداری 1 Vector Spaces 1

• فضاهای برداری - نمونه بتن Vector Spaces - Concrete Example

• فضاهای فرعی Subspaces

• ترکیبات خطی و دهانه Linear Combinations and Span

• آیا در محدوده است؟ Is It in the Span?

• استقلال خطی Linear Independence

• مبنایی برای فضای برداری A Basis for a Vector Space

• کم نور C(A) و N(A) Dim of C(A) and N(A)

• ابعاد یک فضای برداری The Dimension of a Vector Space

• نقشه های خطی Linear Maps

• چهار زیرفضای اساسی The Four Fundamental Subspaces

• افزودن هندسه به فضاهای برداری Adding Geometry to Vector Spaces

• پروجکشن متعامد - نحوه استخراج پروجکشن و بررسی تعامد Orthogonal Projection - How to Derive Projection and Check for Orthogonality

• کمترین مربعات Least Squares

• حداقل مربعات از طریق شبه معکوس - با کد پایتون و SAS Least Squares Through Pseudoinverse - with Python and SAS code

ریاضیات ضروری برای علم داده - مقدمه ای بر احتمال Essential Math for Data Science - Introduction to Probability

• مدل های احتمال و بدیهیات Probability Models and Axioms

• شمارش ساده Simple Counting

• مثال گسسته Discrete Example

• بیز شرطی Conditional Bayes

• مثال مشروط 1 Conditional Example 1

• مراقبت بهداشتی مشروط (سرطان) مثال 2 Conditional Healthcare (Cancer) Example 2

• استقلال رویدادها (به چه معناست و چه معنایی ندارد) Independence of Events (What It Means and Does Not Mean)

• جایگشت ها و ترکیب ها Permutations and Combinations

ریاضیات ضروری برای علم داده - متغیرهای تصادفی و متغیرهای چندگانه Essential Math for Data Science - Random Variables and Multiple Variables

• متغیرهای تصادفی Random Variables

• تابع جرم احتمالی و R.V.s گسسته Probability Mass Function and Discrete R.V.s

• انتظارات و واریانس برای متغیرهای تصادفی گسسته Expectation and Variance for Discrete Random Variables

• PMFهای مشترک (متغیرهای گسسته چندگانه) Joint PMFs (Multiple Discrete Variables)

• متغیرهای تصادفی پیوسته Continuous Random Variables

• متغیرهای تصادفی پیوسته و تابع چگالی احتمال Continuous Random Variables and Probability Density Function

• R.V پیوسته مثال Continuous R.V. Example

• مثال مشترک PDF - بانکداری Joint PDF Example - Banking

• تابع توزیع تجمعی (CDF) Cumulative Distribution Function (CDF)

• کوواریانس، همبستگی، و بیشتر در مورد واریانس Covariance, Correlation, and More on Variance

• قانون اعداد بزرگ (LLN) Law of Large Numbers (LLN)

• قضیه حد مرکزی (CLT) Central Limit Theorem (CLT)

ریاضی ضروری برای علم داده - استنتاج آماری Essential Math for Data Science - Statistical Inference

• استنتاج آماری Statistical Inference

• تخمینگر بیزی Bayesian Estimator

• مثال - برآوردگر بیزی Example - Bayesian Estimator

• میانگین مربعات خطا = واریانس. چرا؟ Mean Squared Error = Variance. Why?