🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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!
نمایش نظرات