آموزش تولید و نمایش تصویری داده ها در پایتون و متلب - آخرین آپدیت

دانلود Generate and visualize data in Python and MATLAB

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آموزش شبیه‌سازی و تجسم داده در MATLAB و Python برای علم داده، آمار و یادگیری ماشین

آنچه در این دوره خواهید آموخت:

در این دوره، نحوه شبیه‌سازی و تجسم داده‌ها را برای علم داده، آمار و یادگیری ماشین در MATLAB و Python فرا خواهید گرفت.

  • درک دسته‌بندی‌های مختلف داده
  • تولید مجموعه‌داده‌های متنوع و اصلاح آن‌ها با پارامترها
  • تجسم داده با استفاده از تکنیک‌های متعدد
  • تولید داده از توزیع‌ها، توابع مثلثاتی و تصاویر
  • درک مدل‌های پیش‌رو و نحوه استفاده از آن‌ها برای تولید داده
  • بهبود مهارت‌های برنامه‌نویسی MATLAB و Python

پیش‌نیازها:

  • علاقه به داده
  • ریاضیات دبیرستان
  • آشنایی اولیه با برنامه‌نویسی (MATLAB یا Python)
  • آشنایی با طیف توان از تبدیل فوریه

علم داده به سرعت در حال تبدیل شدن به یکی از مهم‌ترین مهارت‌ها در صنعت، دانشگاه، بازاریابی و علم است. اکثر دوره‌های علم داده روش‌های تحلیل را آموزش می‌دهند، اما روش‌های زیادی وجود دارد. کدام روش را برای کدام داده استفاده می‌کنید؟ پاسخ این سؤال از درک داده ناشی می‌شود. این تمرکز این دوره است.

در این دوره چه خواهید آموخت:

شما یاد خواهید گرفت که چگونه داده‌ها را از رایج‌ترین دسته‌بندی‌های داده مورد استفاده برای آمار، یادگیری ماشین، طبقه‌بندی و خوشه‌بندی، با استفاده از مدل‌ها، معادلات و پارامترها تولید کنید. این شامل توزیع‌ها، سری‌های زمانی، تصاویر، خوشه‌ها و موارد دیگر است. همچنین یاد خواهید گرفت که چگونه داده‌ها را در 1D، 2D و 3D تجسم کنید.

تمام ویدیوها دارای کد MATLAB و Python هستند تا از آن‌ها یاد بگیرید و آن‌ها را تطبیق دهید!

این دوره برای شما مناسب است اگر یک فرد مشتاق یا مستقر در زمینه‌های زیر هستید:

  • دانشمند داده
  • آمارشناس
  • دانشمند کامپیوتر (MATLAB و/یا Python)
  • پردازشگر سیگنال یا پردازشگر تصویر
  • زیست‌شناس
  • مهندس
  • دانشجو
  • یادگیرنده مستقل کنجکاو!

آنچه در این دوره دریافت می‌کنید:

  • بیش از 6 ساعت سخنرانی ویدیویی که شامل توضیحات، تصاویر و نمودارها است
  • فایل‌های PDF با یادداشت‌ها و توضیحات مهم
  • تمرین‌ها و پاسخ‌های آن‌ها
  • کد MATLAB و کد Python

با بیش از 4000 خط کد MATLAB و Python، این دوره همچنین یک راه عالی برای بهبود مهارت‌های برنامه‌نویسی شما، به ویژه در زمینه تجزیه و تحلیل داده، آمار و یادگیری ماشین است.

قبل از شرکت در این دوره چه چیزهایی را باید بدانید؟

شما به مقداری تجربه با برنامه‌نویسی Python یا MATLAB نیاز دارید. لازم نیست یک برنامه‌نویس متخصص باشید، اما اگر با کار با متغیرها، حلقه‌های for و نمودارهای اولیه راحت هستید، از قبل به اندازه کافی برای شرکت در این دوره می‌دانید!


سرفصل ها و درس ها

Introductions

  • دنبال کردن در پایتون، متلب یا اکتاو Following along in Python, MATLAB, or Octave

  • اهداف کلی این دوره Overall goals of this course

  • چرا و چگونه داده ها را شبیه سازی کنیم Why and how to simulate data

  • "سیگنال" چیست و "نویز" چیست؟ What is "signal" and what is "noise"?

  • اهمیت مصورسازی The importance of visualization

آمار توصیفی و مصورسازی های اساسی Descriptive statistics and basic visualizations

  • مطالب دوره برای این بخش (reader، کد متلب، کد پایتون) Course materials for this section (reader, MATLAB code, Python code)

  • میانگین، میانه، انحراف معیار، واریانس Mean, median, standard deviation, variance

  • هیستوگرام Histogram

  • دامنه بین چارکی Interquartile range

  • نمودار ویولن Violin plot

توزیع داده ها Data distributions

  • مطالب دوره برای این بخش (reader، کد متلب، کد پایتون) Course materials for this section (reader, MATLAB code, Python code)

  • توزیع های نرمال و یکنواخت Normal and uniform distributions

  • نمودار QQ QQ plot

  • توزیع پواسون Poisson distribution

  • توزیع لگ نرمال Log-normal distribution

  • معیارهای کیفیت توزیع (SNR و فاکتور فانو) Measures of distribution quality (SNR and Fano factor)

  • Cohen's d برای جدا کردن توزیع ها Cohen's d for separating distributions

سیگنال های سری زمانی Time series signals

  • مطالب دوره برای این بخش (reader، کد متلب، کد پایتون) Course materials for this section (reader, MATLAB code, Python code)

  • گذراهای تند Sharp transients

  • گذراهای ملایم Smooth transients

  • تکرار شونده: امواج سینوسی، مربعی و مثلثی Repeating: sine, square, and triangle waves

  • نوسانگرهای چند جزئی Multicomponent oscillators

  • چیرپ های دوقطبی و چند قطبی Dipolar and multipolar chirps

نویز سری زمانی Time series noise

  • مطالب دوره برای این بخش (reader، کد متلب، کد پایتون) Course materials for this section (reader, MATLAB code, Python code)

  • نویز نرمال و یکنواخت قابل بازتولید seeded Seeded reproducible normal and uniform noise

  • نویز صورتی (معروف به 1/f معروف به فراکتال) Pink noise (aka 1/f aka fractal)

  • نویز براونی (معروف به گام تصادفی) Brownian noise (aka random walk)

  • نویز همبسته چند متغیره Multivariable correlated noise

سیگنال های تصویر Image signals

  • مطالب دوره برای این بخش (reader، کد متلب، کد پایتون) Course materials for this section (reader, MATLAB code, Python code)

  • خطوط و لبه ها Lines and edges

  • تکه های سینوسی و تکه های گابور Sine patches and Gabor patches

  • اشکال هندسی Geometric shapes

  • حلقه ها Rings

نویز تصویر Image noise

  • مطالب دوره برای این بخش (reader، کد متلب، کد پایتون) Course materials for this section (reader, MATLAB code, Python code)

  • نویز سفید تصویر Image white noise

  • الگوهای صفحه شطرنجی و نویز Checkerboard patterns and noise

  • نویز پرلین در 2D Perlin noise in 2D

  • نویز 2D-FFT فیلتر شده Filtered 2D-FFT noise

خوشه بندی داده ها در فضا Data clustering in space

  • مطالب دوره برای این بخش (reader، کد متلب، کد پایتون) Course materials for this section (reader, MATLAB code, Python code)

  • خوشه ها در 2D Clusters in 2D

  • خوشه ها در N-D Clusters in N-D

ساختار فضازمانی با استفاده از مدل های رو به جلو Spatiotemporal structure using forward models

  • مطالب دوره برای این بخش (reader، کد متلب، کد پایتون) Course materials for this section (reader, MATLAB code, Python code)

  • مدل رو به جلو: صفحه 2D Forward model: 2D sheet

  • مدل های رو به جلو همپوشانی مختلط Mixed overlapping forward models

  • مثال: شبیه سازی داده های مغز انسان (EEG) Example: Simulate human brain (EEG) data

بخش جایزه Bonus section

  • سخنرانی جایزه Bonus lecture

نمایش نظرات

آموزش تولید و نمایش تصویری داده ها در پایتون و متلب
جزییات دوره
6.5 hours
46
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
20,424
4.6 از 5
دارد
دارد
دارد
Mike X Cohen
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Mike X Cohen Mike X Cohen

من دانشیار علوم اعصاب در دانشگاه رادبود (هلند) هستم. آزمایشگاه تحقیقاتی من از روش های علوم اعصاب پیشرفته برای اندازه گیری فعالیت الکتریکی مغز استفاده می کند و ما برای درک همه داده ها از روش های پیشرفته پردازش سیگنال چند متغیره و روش یادگیری ماشین یادگیری استفاده می کنیم! من چندین کتاب درسی درباره برنامه نویسی علمی در MATLAB ، پردازش سیگنال و آمار نوشته ام. من همچنین معتقد به اهمیت ادامه تحصیل در سطح حرفه ای هستم. تمرکز آموزش Pluralsight من تجزیه و تحلیل داده های عملی در MATLAB است. آموزش مباحث فنی می تواند یک چالش برای دوره های آنلاین باشد که تعاملات رو در رو در زمان واقعی ندارند. من تمام تلاشم را می کنم تا تعادل درستی بین درک و دقت ریاضی و بین تئوری و اجرا پیدا کنم. امیدوارم موافقت کنید و مشتاقانه منتظر دیدن شما در کلاس هستم!