آموزش هوش مصنوعی مولد برای تحلیل داده و مهندسی با ChatGPT - آخرین آپدیت

دانلود Generative AI for Data Analysis and Engineering with ChatGPT

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

دوره جامع آموزش تحلیل داده و یادگیری ماشین با ChatGPT-4o و تکنیک‌های پیشرفته هوش مصنوعی

ChatGPT and AI | Data Analytics and ML Mastering Course with ChatGPT-4o and Next-Gen AI Techniques for Data Analyst

تحلیل داده فرآیند بررسی و دستکاری یک مجموعه داده به منظور کسب نوعی بینش است.

خبر بزرگ: معرفی ChatGPT-4o

ChatGPT-4o چیست؟ نحوه استفاده از ChatGPT-4o؟ توسعه تاریخی ChatGPT چگونه بوده است؟ قابلیت‌های ChatGPT-4o چیست؟ ChatGPT به عنوان یک اپلیکیشن چه کاربردی دارد؟

یادگیری نحوه استفاده از ChatGPT-4o

  • ارتباط صوتی با ChatGPT-4o
  • ترجمه فوری به بیش از 50 زبان
  • آمادگی برای مصاحبه با ChatGPT-4o
  • تفسیر تصویری با ChatGPT-4o

مقدمه‌ای بر ChatGPT برای هوش مصنوعی مولد

هوش مصنوعی مولد (Generative AI) نوعی از هوش مصنوعی است که می‌تواند محتوای اصلی را در پاسخ به یک درخواست یا دستور کاربر ایجاد کند.

آموزش گام به گام تحلیل داده با ChatGPT-4o

  • دسترسی به مجموعه داده
  • اولین گام: دانش میدانی
  • ادامه دانش میدانی
  • بارگیری مجموعه داده و درک متغیرها
  • بررسی جزئیات متغیرها
  • انجام اولین تحلیل
  • به‌روزرسانی نام متغیرها
  • بررسی مقادیر از دست رفته
  • بررسی مقادیر یکتا
  • بررسی آمار متغیرها

تحلیل اکتشافی داده (EDA)

  • متغیرهای دسته‌بندی (تحلیل با نمودار دایره‌ای)
  • اهمیت تحلیل دو متغیره در علم داده
  • متغیرهای عددی در مقابل متغیر هدف
  • متغیرهای دسته‌بندی در مقابل متغیر هدف
  • همبستگی بین متغیرهای عددی و دسته‌بندی و متغیر هدف
  • بررسی متغیرهای عددی در بین خودشان
  • متغیرهای عددی - متغیرهای دسته‌بندی
  • متغیرهای عددی - متغیرهای دسته‌بندی با Swarm Plot
  • روابط بین متغیرها (تحلیل با Heatmap)

آماده‌سازی برای مدل‌سازی

  • حذف ستون‌ها با همبستگی کم
  • مقابله با داده‌های پرت
  • تصویرسازی داده‌های پرت
  • مدیریت داده‌های پرت
  • تعیین توزیع‌ها
  • تعیین توزیع متغیرهای عددی
  • اعمال روش One Hot Encoding به متغیرهای دسته‌بندی
  • مقیاس‌بندی ویژگی با روش RobustScaler برای الگوریتم‌های یادگیری ماشین
  • الگوریتم رگرسیون لجستیک
  • اعتبارسنجی متقابل (Cross Validation)
  • منحنی ROC و ناحیه زیر منحنی (AUC)
  • تنظیم ابرپارامتر برای مدل رگرسیون لجستیک
  • الگوریتم درخت تصمیم (Decision Tree)
  • الگوریتم ماشین بردار پشتیبان (Support Vector Machine)
  • الگوریتم جنگل تصادفی (Random Forest)

پیش‌نیازها:

  • یک کامپیوتر دارای سیستم عامل (ویندوز، مک یا لینوکس)
  • انگیزه برای یادگیری دومین موقعیت شغلی پرتقاضا در زمینه هوش مصنوعی
  • تمایل به یادگیری هوش مصنوعی مولد و ChatGPT
  • کنجکاوی در مورد هوش مصنوعی و علم داده
  • دانش پایه پایتون
  • هیچ چیز دیگر! فقط شما، کامپیوترتان و جاه‌طلبی‌تان برای شروع امروز

سلام، به دوره "هوش مصنوعی مولد برای تحلیل داده و مهندسی با ChatGPT" خوش آمدید.

ChatGPT and AI | Data Analytics and ML Mastering Course with ChatGPT-4o and Next-Gen AI Techniques for Data Analyst

هوش مصنوعی (AI) نحوه تعامل ما با فناوری را متحول می‌کند و تسلط بر ابزارهای هوش مصنوعی برای هر کسی که به دنبال پیشرفت در عصر دیجیتال است، ضروری شده است.

در دنیای داده‌محور امروزی، توانایی تجزیه و تحلیل داده‌ها، استخراج بینش‌های معنادار و اعمال الگوریتم‌های یادگیری ماشین بیش از هر زمان دیگری اهمیت دارد. این دوره طراحی شده است تا شما را در هر مرحله از این سفر راهنمایی کند، از اصول اولیه تحلیل اکتشافی داده (EDA) گرفته تا تسلط بر الگوریتم‌های پیشرفته یادگیری ماشین، همه این‌ها با استفاده از قدرت ChatGPT-4o.

یادگیری ماشین سیستم‌هایی را توصیف می‌کند که با استفاده از یک مدل آموزش‌دیده بر روی داده‌های دنیای واقعی، پیش‌بینی انجام می‌دهند. به عنوان مثال، فرض کنید می‌خواهیم سیستمی بسازیم که بتواند تشخیص دهد آیا یک گربه در تصویر وجود دارد یا خیر. ابتدا تصاویر زیادی را جمع‌آوری می‌کنیم تا مدل یادگیری ماشین خود را آموزش دهیم. در طول این مرحله آموزشی، تصاویر را به همراه اطلاعاتی در مورد اینکه آیا حاوی گربه هستند یا خیر، به مدل می‌دهیم. در طول آموزش، مدل الگوهایی را در تصاویر یاد می‌گیرد که بیشترین ارتباط را با گربه‌ها دارند. سپس این مدل می‌تواند از الگوهای آموخته‌شده در طول آموزش برای پیش‌بینی اینکه آیا تصاویر جدید حاوی گربه هستند یا خیر، استفاده کند.

یک دوره یادگیری ماشین به شما فناوری و مفاهیم پشت متن پیش‌بینی‌کننده، دستیارهای مجازی و هوش مصنوعی را آموزش می‌دهد. شما می‌توانید مهارت‌های اساسی مورد نیاز برای پیشرفت در ساخت شبکه‌های عصبی و ایجاد عملکردهای پیچیده‌تر از طریق زبان‌های برنامه‌نویسی پایتون و R را توسعه دهید.

ما بیش از هر زمان دیگری داده داریم. اما داده‌ها به تنهایی نمی‌توانند اطلاعات زیادی در مورد دنیای اطرافمان به ما بدهند. ما باید اطلاعات را تفسیر کنیم و الگوهای پنهان را کشف کنیم. اینجاست که علم داده وارد می‌شود. علم داده از الگوریتم‌ها برای درک داده‌های خام استفاده می‌کند. تفاوت اصلی بین علم داده و تحلیل داده سنتی، تمرکز آن بر پیش‌بینی است.

کاربرد علم داده یک مهارت مورد تقاضا در بسیاری از صنایع در سراسر جهان است، از جمله امور مالی، حمل و نقل، آموزش، تولید، منابع انسانی و بانکداری. دوره‌های علم داده را با پایتون، آمار، یادگیری ماشین و موارد دیگر کاوش کنید تا دانش خود را افزایش دهید.

اگر شما یک دانشمند داده مشتاق هستید، Kaggle بهترین راه برای شروع است. بسیاری از شرکت‌ها به کسانی که در مسابقات آنها رتبه بالایی کسب می‌کنند، شغل پیشنهاد می‌کنند. در واقع، اگر بتوانید به یکی از رتبه‌های بالای آنها برسید، Kaggle ممکن است به شغل تمام وقت شما تبدیل شود.

چرا ChatGPT-4o؟

این دوره به طور منحصربه‌فردی ChatGPT-4o، ابزار هوش مصنوعی نسل بعدی را برای کمک به شما در طول سفر یادگیری خود ادغام می‌کند. ChatGPT-4o با خودکارسازی وظایف، کمک به تولید کد، پاسخگویی به پرسش‌ها و ارائه پیشنهادهایی برای تجزیه و تحلیل بهتر و بهینه‌سازی مدل، بهره‌وری شما را افزایش می‌دهد. خواهید دید که چگونه این هوش مصنوعی پیشرفته، گردش کار تجزیه و تحلیل داده را متحول می‌کند و سطوح جدیدی از کارایی و خلاقیت را باز می‌کند.

تسلط بر یادگیری ماشین:

هنگامی که پایه شما در EDA محکم شد، دوره شما را از طریق الگوریتم‌های پیشرفته یادگیری ماشین مانند رگرسیون لجستیک، درختان تصمیم، جنگل تصادفی و موارد دیگر راهنمایی می‌کند. شما نه تنها یاد می‌گیرید که این الگوریتم‌ها چگونه کار می‌کنند، بلکه یاد می‌گیرید که چگونه آنها را با استفاده از مجموعه‌های داده دنیای واقعی پیاده‌سازی و بهینه کنید. در پایان دوره، شما در انتخاب مدل‌های مناسب، تنظیم دقیق ابرپارامترها و ارزیابی عملکرد مدل با اطمینان، ماهر خواهید بود.

آنچه خواهید آموخت:

  • تحلیل اکتشافی داده (EDA): بر تکنیک‌های تجزیه و تحلیل و تجسم داده‌ها، تشخیص روندها و آماده‌سازی داده‌ها برای مدل‌سازی تسلط یابید.
  • الگوریتم‌های یادگیری ماشین: الگوریتم‌هایی مانند رگرسیون لجستیک، درختان تصمیم و جنگل تصادفی را پیاده‌سازی کنید و درک کنید که چه زمانی و چگونه از آنها استفاده کنید.
  • ادغام ChatGPT-4o: از قابلیت‌های هوش مصنوعی ChatGPT-4o برای خودکارسازی گردش کار، تولید کد و بهبود بینش داده‌ها استفاده کنید.
  • کاربردهای دنیای واقعی: دانش به دست آمده را برای حل مسائل پیچیده و تصمیم‌گیری مبتنی بر داده در صنایعی مانند امور مالی، بهداشت و درمان و فناوری به کار ببرید.
  • تکنیک‌های هوش مصنوعی نسل بعدی: تکنیک‌های پیشرفته‌ای را که هوش مصنوعی را با یادگیری ماشین ترکیب می‌کنند، کاوش کنید و مرزهای تجزیه و تحلیل داده را جابجا کنید.

چرا این دوره متمایز است:

برخلاف دوره‌های سنتی علم داده، این دوره نظریه را با عمل ترکیب می‌کند. شما فقط یاد نخواهید گرفت که چگونه تجزیه و تحلیل داده را انجام دهید یا مدل‌های یادگیری ماشین بسازید—شما همچنین این مهارت‌ها را در سناریوهای دنیای واقعی با راهنمایی ChatGPT-4o به کار خواهید برد. پروژه‌های عملی تضمین می‌کنند که تا پایان دوره، می‌توانید با اطمینان هر چالشی را در حرفه خود بپذیرید.

در این دوره خواهید آموخت:

  • خبر بزرگ: معرفی ChatGPT-4o
  • نحوه استفاده از ChatGPT-4o؟
  • توسعه تاریخی ChatGPT
  • قابلیت‌های ChatGPT-4o چیست؟
  • ChatGPT به عنوان یک برنامه: ChatGPT
  • ارتباط صوتی با ChatGPT-4o
  • ترجمه فوری به بیش از 50 زبان
  • آماده‌سازی مصاحبه با ChatGPT-4o
  • تفسیر بصری با ChatGPT-4o
  • مقدمه ChatGPT برای هوش مصنوعی مولد
  • دسترسی به مجموعه داده
  • وظیفه اول: دانش زمینه
  • ادامه دانش زمینه
  • بارگذاری مجموعه داده و درک متغیرها
  • بررسی دقیق متغیرها
  • اجازه دهید اولین تحلیل را انجام دهیم
  • به روز رسانی نام متغیرها
  • بررسی مقادیر از دست رفته
  • بررسی مقادیر منحصر به فرد
  • بررسی آماری متغیرها
  • تحلیل اکتشافی داده (EDA)
  • متغیرهای طبقه‌بندی شده (تحلیل با نمودار دایره‌ای)
  • اهمیت تحلیل دو متغیره در علم داده
  • متغیرهای عددی در مقابل متغیر هدف
  • متغیرهای طبقه‌بندی شده در مقابل متغیر هدف
  • همبستگی بین متغیرهای عددی و طبقه‌بندی شده و متغیر هدف
  • بررسی متغیرهای عددی در بین خودشان
  • متغیرهای عددی - متغیرهای طبقه‌بندی شده
  • متغیرهای عددی - متغیرهای طبقه‌بندی شده با نمودار Swarm
  • روابط بین متغیرها (تحلیل با Heatmap)
  • آماده‌سازی برای مدل‌سازی
  • حذف ستون‌ها با همبستگی پایین
  • مقابله با نقاط پرت
  • تجسم نقاط پرت
  • مدیریت نقاط پرت
  • تعیین توزیع‌ها
  • تعیین توزیع متغیرهای عددی
  • اعمال روش کدگذاری یک داغ برای متغیرهای طبقه‌بندی شده
  • مقیاس‌بندی ویژگی با روش RobustScaler برای الگوریتم‌های یادگیری ماشین
  • الگوریتم رگرسیون لجستیک
  • اعتبارسنجی متقابل
  • منحنی ROC و ناحیه زیر منحنی (AUC)
  • بهینه‌سازی ابرپارامتر (با GridSearchCV)
  • تنظیم ابرپارامتر برای مدل رگرسیون لجستیک
  • الگوریتم درخت تصمیم
  • الگوریتم ماشین بردار پشتیبان
  • الگوریتم جنگل تصادفی

آنچه به دست خواهید آورد:

در پایان این دوره، شما یک جعبه ابزار قوی خواهید داشت که به شما امکان می‌دهد:

  • تبدیل داده‌های خام به بینش‌های عملی با EDA.
  • ساخت، ارزیابی و تنظیم دقیق مدل‌های یادگیری ماشین با اطمینان.
  • استفاده از ChatGPT-4o برای ساده‌سازی تحلیل داده، خودکارسازی وظایف تکراری و تولید نتایج سریع‌تر.
  • اعمال تکنیک‌های پیشرفته هوش مصنوعی برای مقابله با مسائل در سطح صنعت و تصمیم‌گیری مبتنی بر داده.

این دوره دروازه شما به تسلط بر تحلیل داده، یادگیری ماشین، و هوش مصنوعی است و برای ارائه دانش نظری و مهارت‌های عملی مورد نیاز برای موفقیت در دنیای داده‌محور امروزی طراحی شده است.

در این سفر کامل به ما بپیوندید و پتانسیل کامل داده‌ها را با ChatGPT-4o و الگوریتم‌های پیشرفته یادگیری ماشین آزاد کنید. بیایید شروع کنیم!

کیفیت تولید ویدیو و صدا

تمام ویدیوهای ما به صورت ویدیو و صدای با کیفیت بالا ایجاد/تولید می‌شوند تا بهترین تجربه یادگیری را به شما ارائه دهند.

شما:

  • به وضوح خواهید دید
  • به وضوح خواهید شنید
  • بدون حواس‌پرتی در دوره حرکت خواهید کرد

شما همچنین دریافت خواهید کرد:

دسترسی مادام العمر به دوره

پشتیبانی سریع و دوستانه در بخش پرسش و پاسخ

گواهی تکمیل دوره Udemy آماده دانلود

اکنون شیرجه بزنید!

ما پشتیبانی کامل ارائه می‌دهیم و به هر سوالی پاسخ می‌دهیم.

شما را در دوره "هوش مصنوعی مولد برای تحلیل داده و مهندسی با ChatGPT" می‌بینیم.

ChatGPT and AI | Data Analytics and ML Mastering Course with ChatGPT-4o and Next-Gen AI Techniques for Data Analyst


سرفصل ها و درس ها

پروژه‌های فایل و منابع Project Files and Sources

  • منبع اصلی اعلان دوره The Main Prompt Source of The Course

  • اعلان‌ها Prompts

  • لینک گیت‌هاب Github Link

  • لینک کگل Kaggle Link

رونمایی از ChatGPT-4o: نوآوری‌ها در ارتباطات و یادگیری ChatGPT-4o Unleashed: Innovations in Communication and Learning

  • خبر بزرگ: معرفی ChatGPT-4o Big News: Introducing ChatGPT-4o

  • چگونه از ChatGPT-4o استفاده کنیم؟ How to Use ChatGPT-4o?

  • توسعه‌ی زمانی ChatGPT Chronological Development of ChatGPT

  • قابلیت‌های ChatGPT-4o چیست؟ What Are the Capabilities of ChatGPT-4o?

  • به عنوان یک اپلیکیشن: ChatGPT As an App: ChatGPT

  • ارتباط صوتی با ChatGPT-4o Voice Communication with ChatGPT-4o

  • ترجمه فوری به بیش از 50 زبان Instant Translation in 50+ Languages

  • آماده‌سازی مصاحبه با ChatGPT-4o Interview Preparation with ChatGPT-4o

  • تفسیر بصری با ChatGPT-4o: درس 1 Visual Commentary with ChatGPT-4o: Lesson 1

  • تفسیر بصری با ChatGPT-4o: درس 2 Visual Commentary with ChatGPT-4o: Lesson 2

اکتشاف مجموعه داده و دانش میدانی Dataset Exploration and Field Knowledge

  • مقدمه‌ای بر ChatGPT برای هوش مصنوعی مولد ChatGPT for Generative AI Introduction

  • دسترسی به مجموعه داده Accessing the Dataset

  • وظیفه اول: دانش میدانی First Task: Field Knowledge

  • استفاده از DeepSeek AI - وظیفه اول - دانش میدانی Using DeepSeek AI- First Task- Field Knowledge

  • استفاده از Copilot AI - وظیفه اول - دانش میدانی Using Copilot AI - First Task - Field Knowledge

  • استفاده از Gemini AI - وظیفه اول - دانش میدانی Using Gemini AI - First Task - Field Knowledge

  • ادامه با دانش میدانی Continuing with Field Knowledge

  • استفاده از DeepSeek AI - ادامه با دانش میدانی Using DeepSeek AI- Continuing with Field Knowledge

  • بارگذاری مجموعه داده و درک متغیرها Loading the Dataset and Understanding Variables

  • کاوش در جزئیات متغیرها Delving into the Details of Variables

ChatGPT - راهنمای کاربری به‌روز شده و نمای کلی مدل ChatGPT – Updated User Guide and Model Overview

  • اطلاعیه مهم Important Announcement

  • آخرین به‌روزرسانی‌های ChatGPT - بررسی رابط کاربری نسخه رایگان ChatGPT Latest Updates – Free Version Interface Review

  • آخرین به‌روزرسانی‌های ChatGPT - بررسی رابط کاربری نسخه پولی ChatGPT Latest Updates – Paid Version Interface Review

  • مدل Chatgpt 4o Chatgpt 4o Model

  • Chatgpt 4o با وظیفه زمان‌بندی شده و مدل 4.5 Chatgpt 4o with scheduled task & 4.5 model

  • مدل‌های ChatGPT o1 & o3 & o3 mini ChatGPT o1 & o3 & o3 mini model

  • ChatGPT - مدل‌های دیگر ChatGPT – Other Models

  • ChatGPT Canvas ChatGPT Canvas

  • ChatGPT - جستجو و تحقیقات عمیق ChatGPT – Search & Deep Research

مقدمه‌ای بر ابزارها و ویژگی‌های DeepSeek Introduction to DeepSeek Tools and Features

  • اطلاعیه مهم Important Announcement

  • معرفی DeepSeek - درس 1 DeepSeek Introduction - Lesson 1

  • معرفی DeepSeek - درس 2 DeepSeek Introduction - Lesson 2

  • ایجاد حساب کاربری DeepSeek Creating a DeepSeek Account

  • بیایید با رابط کاربری DeepSeek آشنا شویم Let's get to know the DeepSeek Interface

  • نوشتن اعلان با DeepSeek درس 1 Writing prompts with DeepSeek Lesson 1

  • نوشتن یک اعلان با DeepSeek - تفکر عمیق (R1) Writing a Prompt with DeepSeek- DeepThink (R1)

  • نوشتن یک اعلان با DeepSeek - دکمه جستجو Writing a Prompt with DeepSeek- Search Button

  • بارگذاری و خواندن فایل‌ها با DeepSeek Uploading and Reading Files with DeepSeek

  • تحلیل بصری با DeepSeek - تفسیر نمودار Visual Analysis with DeepSeek- Graph Interpretation

  • مطالعات بصری دیگری که می‌توان با DeepSeek انجام داد Other Visual Studies That Can Be Done with DeepSeek

مقدمه‌ای بر ابزارها و ویژگی‌های Copilot Introduction to Copilot Tools and Features

  • معرفی Copilot درس 1 Copilot Introduction Lesson 1

  • معرفی Copilot درس 2 Copilot Introduction Lesson 2

  • ایجاد حساب کاربری Copilot Creating a Copilot Account

  • بررسی رابط کاربری Copilot Copilot Interface Review

  • مقایسه Copilot در مقابل ChatGPT Copilot vs. ChatGPT Comparison

  • مقایسه Copilot و DeepSeek Copilot – DeepSeek Comparison

  • Copilot - داستان نویسی Copilot – Story Writing

  • Copilot - تفکر عمیق‌تر Copilot – Think Deeper

  • خواندن فایل‌ها با Copilot Reading Files with Copilot

  • تحلیل بصری با Copilot Visual Analysis with Copilot

  • تولید تصاویر بصری با Copilot Generating Visuals with Copilot

مقدمه‌ای بر ابزارها و ویژگی‌های Gemini Introduction to Gemini Tools and Features

  • معرفی Gemini Gemini Introduction

  • بررسی رابط کاربری Gemini Gemini Interface Review

  • یادآوری کلی نسخه Gemini Gemini Version General Reminder

  • Gemini - نسخه 2.0 فلش Gemini – 2.0 Flash Version

  • Gemini - تفکر آزمایشی 2.0 فلش Gemini – 2.0 Flash Thinking Experimental

  • Gemini - نسخه آزمایشی 2.0 فلش با برنامه‌ها Gemini – 2.0 Flash Experimental with Apps

  • Gemini - تحقیقات عمیق Gemini – Deep Research

  • Gemini - شخصی‌سازی (آزمایشی) Gemini – Personalization (Experimental)

  • عملیات بر روی خروجی Gemini Operations on Gemini Output

  • تحلیل بصری Gemini Gemini Visual Analysis

  • خواندن فایل با Gemini Gemini File Reading

  • تولید تصاویر با Gemini Generating Images with Gemini

  • مقایسه Gemini Imagen 3 با OpenAI DALL·E Gemini Imagen 3 vs OpenAI DALL·E

  • هوش مصنوعی Gemini - کار با یک مجموعه داده روش 1 Gemini AI – Working with a Dataset Method 1

  • هوش مصنوعی Gemini - کار با یک مجموعه داده روش 2 (Colab - قدرت Gemini) Gemini AI – Working with a Dataset Method 2 (Colab – Gemini Power)

مقدمه‌ای بر ابزارها و ویژگی‌های Claude Introduction to Claude Tools and Features

  • معرفی هوش مصنوعی Claude Claude AI Introduction

  • بررسی رابط کاربری Claude Claude Interface Review

  • Claude 3.7 Sonnet & حالت عادی درس 1 Claude 3.7 Sonnet & Normal Mode Lesson 1

  • Claude 3.7 Sonnet & حالت عادی درس 2 Claude 3.7 Sonnet & Normal Mode Lesson 2

  • Claude 3.5 Haiku & حالت توسعه یافته Claude 3.5 Haiku & Extended Mode

  • Claude 3.5 Sonnet & Claude Opus Claude 3.5 Sonnet & Claude Opus

  • پردازش متون طولانی با Claude - درس 1 Processing Long Texts with Claude – Lesson 1

  • پردازش متون طولانی با Claude - درس 2 Processing Long Texts with Claude – Lesson 2

  • تحلیل بصری با Claude Visual Analysis with Claude

مقدمه‌ای بر ابزارها و ویژگی‌های Grok Introduction to Grok Tools and Features

  • معرفی Grok Grok Introduction

  • بررسی رابط کاربری Grok Grok Interface Review

  • مدل Grok 3 - درس 1 Grok 3 Model – Lesson 1

  • مدل Grok 3 - درس 2 Grok 3 Model – Lesson 2

  • مدل Grok 2 درس 1 Grok 2 Model Lesson 1

  • مدل Grok 2 درس 2 Grok 2 Model Lesson 2

  • Grok DeepResearch Grok DeepResearch

  • Grok - تحقیقات عمیق‌تر Grok – Deeper Research

  • Grok - حالت تفکر Grok – Think Mode

  • Grok - تولید بصری Grok – Visual Generation

  • Grok - خواندن فایل Grok – File Reading

  • Grok تحلیل بصری Grok Visual Analysis

تجزیه و تحلیل متغیرها: داده‌های گمشده، مقادیر منحصربه‌فرد و آمار Variable Analysis: Missing Data, Unique Values, and Statistics

  • بیایید اولین تحلیل را انجام دهیم Let's Perform the First Analysis

  • با استفاده از DeepSeek AI بیایید اولین تحلیل را انجام دهیم Using DeepSeek AI Let's Perform the First Analysis

  • به‌روزرسانی نام متغیرها Updating Variable Names

  • بررسی مقادیر گمشده Examining Missing Values

  • بررسی مقادیر منحصربه‌فرد Examining Unique Values

  • با استفاده از DeepSeek AI - بررسی مقادیر منحصربه‌فرد Using DeepSeek AI- Examining Unique Values

  • با استفاده از Copilot AI - بررسی مقادیر منحصربه‌فرد Using Copilot AI - Examining Unique Values

  • بررسی آمار متغیرها درس 1 Examining Statistics of Variables Lesson 1

  • بررسی آمار متغیرها درس 2 Examining Statistics of Variables Lesson 2

  • بررسی آمار متغیرها درس 3 Examining Statistics of Variables Lesson 3

  • با استفاده از DeepSeek AI - بررسی آمار متغیرها Using DeepSeek AI- Examining Statistics of Variables

  • با استفاده از Copilot AI - بررسی آمار متغیرها Using Copilot AI – Examining Statistics of Variables

تحلیل اکتشافی داده (EDA) 1 Exploratory Data Analysis (EDA) 1

  • تحلیل اکتشافی داده (EDA) Exploratory Data Analysis (EDA)

  • متغیرهای دسته‌ای (تحلیل با نمودار دایره‌ای) درس 1 Categorical Variables (Analysis with Pie Chart) Lesson 1

  • متغیرهای دسته‌ای (تحلیل با نمودار دایره‌ای) درس 2 Categorical Variables (Analysis with Pie Chart) Lesson 2

  • متغیرهای دسته‌ای (تحلیل با نمودار دایره‌ای) درس 3 Categorical Variables (Analysis with Pie Chart) Lesson 3

  • متغیرهای دسته‌ای (تحلیل با نمودار دایره‌ای) درس 4 Categorical Variables (Analysis with Pie Chart) Lesson 4

  • متغیرهای دسته‌ای (تحلیل با نمودار دایره‌ای) درس 5 Categorical Variables (Analysis with Pie Chart) Lesson 5

تحلیل اکتشافی داده (EDA) 2 Exploratory Data Analysis (EDA) 2

  • اهمیت تجزیه و تحلیل دو متغیره در علم داده Importance of Bivariate Analysis in Data Science

  • متغیرهای عددی در مقابل متغیر هدف درس 1 Numerical Variables vs Target Variable Lesson 1

  • متغیرهای عددی در مقابل متغیر هدف درس 2 Numerical Variables vs Target Variable Lesson 2

  • متغیرهای عددی در مقابل متغیر هدف درس 3 Numerical Variables vs Target Variable Lesson 3

  • متغیرهای عددی در مقابل متغیر هدف درس 4 Numerical Variables vs Target Variable Lesson 4

  • متغیرهای دسته‌ای در مقابل متغیر هدف درس 1 Categoric Variables vs Target Variable Lesson 1

  • متغیرهای دسته‌ای در مقابل متغیر هدف درس 2 Categoric Variables vs Target Variable Lesson 2

  • متغیرهای دسته‌ای در مقابل متغیر هدف درس 3 Categoric Variables vs Target Variable Lesson 3

  • متغیرهای دسته‌ای در مقابل متغیر هدف درس 4 Categoric Variables vs Target Variable Lesson 4

  • متغیرهای دسته‌ای در مقابل متغیر هدف درس 5 Categoric Variables vs Target Variable Lesson 5

تحلیل اکتشافی داده (EDA) 3 Exploratory Data Analysis (EDA) 3

  • همبستگی بین متغیرهای عددی و دسته‌ای و متغیر هدف Correlation Between Numerical and Categorical Variables and the Target Variable

  • همبستگی بین متغیرهای عددی و دسته‌ای و متغیر هدف Correlation Between Numerical and Categorical Variables and the Target Variable

  • بررسی متغیرهای عددی در بین خودشان درس 1 Examining Numeric Variables Among Themselves Lesson 1

  • بررسی متغیرهای عددی در بین خودشان درس 2 Examining Numeric Variables Among Themselves Lesson 2

  • متغیرهای عددی - متغیرهای دسته‌ای درس 1 Numerical Variables - Categorical Variables Lesson 1

  • متغیرهای عددی - متغیرهای دسته‌ای درس 2 Numerical Variables - Categorical Variables Lesson 2

  • متغیرهای عددی - متغیرهای دسته‌ای درس 3 Numerical Variables - Categorical Variables Lesson 3

  • متغیرهای عددی - متغیرهای دسته‌ای درس 4 Numerical Variables - Categorical Variables Lesson 4

  • متغیرهای عددی - متغیرهای دسته‌ای درس 5 Numerical Variables - Categorical Variables Lesson 5

  • متغیرهای عددی - متغیرهای دسته‌ای با نمودار Swarm درس 1 Numerical Variables - Categorical Variables with Swarm Plot Lesson 1

  • متغیرهای عددی - متغیرهای دسته‌ای با نمودار Swarm درس 2 Numerical Variables - Categorical Variables with Swarm Plot Lesson 2

  • متغیرهای عددی - متغیرهای دسته‌ای با نمودار Swarm درس 3 Numerical Variables - Categorical Variables with Swarm Plot Lesson 3

  • متغیرهای عددی - متغیرهای دسته‌ای با نمودار Swarm درس 4 Numerical Variables - Categorical Variables with Swarm Plot Lesson 4

  • متغیرهای عددی - متغیرهای دسته‌ای با نمودار Swarm درس 5 Numerical Variables - Categorical Variables with Swarm Plot Lesson 5

  • متغیرهای عددی - متغیرهای دسته‌ای با نمودار Swarm درس 6 Numerical Variables - Categorical Variables with Swarm Plot Lesson 6

  • روابط بین متغیرها (تجزیه و تحلیل با Heatmap) درس 1 Relationships between variables (Analysis with Heatmap) Lesson 1

  • روابط بین متغیرها (تجزیه و تحلیل با Heatmap) درس 2 Relationships between variables (Analysis with Heatmap) Lesson 2

آماده سازی برای مدل سازی Preparation for Modeling

  • آماده سازی برای مدل سازی Preparation for Modeling

  • حذف ستون ها با همبستگی کم Dropping Columns with Low Correlation

  • شناسایی پرت‌ها Struggling Outliers

  • تجسم پرت‌ها درس 1 Visualizing Outliers Lesson 1

  • تجسم پرت‌ها درس 2 Visualizing Outliers Lesson 2

  • تجسم پرت‌ها درس 3 Visualizing Outliers Lesson 3

  • برخورد با پرت‌ها درس 1 Dealing with Outliers Lesson 1

  • برخورد با پرت‌ها درس 2 Dealing with Outliers Lesson 2

  • برخورد با پرت‌ها درس 3 Dealing with Outliers Lesson 3

  • برخورد با پرت‌ها درس 4 Dealing with Outliers Lesson 4

  • برخورد با پرت‌ها درس 5 Dealing with Outliers Lesson 5

  • تعیین توزیع‌ها Determining Distributions

  • تعیین توزیع متغیرهای عددی درس 1 Determining Distributions of Numeric Variables Lesson 1

  • تعیین توزیع متغیرهای عددی درس 2 Determining Distributions of Numeric Variables Lesson 2

  • تعیین توزیع متغیرهای عددی درس 3 Determining Distributions of Numeric Variables Lesson 3

  • تعیین توزیع متغیرهای عددی درس 4 Determining Distributions of Numeric Variables Lesson 4

  • تعیین توزیع متغیرهای عددی درس 5 Determining Distributions of Numeric Variables Lesson 5

  • اعمال روش One Hot Encoding به متغیرهای دسته‌ای درس 1 Applying One Hot Encoding Method to Categorical Variables Lesson

  • اعمال روش One Hot Encoding به متغیرهای دسته‌ای درس 2 Applying One Hot Encoding Method to Categorical Variables Lesson 2

  • مقیاس بندی ویژگی ها با روش RobustScaler برای الگوریتم های یادگیری ماشین Feature Scaling with the RobustScaler Method for Machine Learning Algorithms

  • جدا کردن داده‌ها به مجموعه تست و آموزش Separating Data into Test and Training Set

الگوریتم یادگیری ماشین – رگرسیون لجستیک Machine Learning Algorithm – Logistic Regression

  • الگوریتم رگرسیون لجستیک درس 1 Logistic Regression Algorithm Lesson 1

  • الگوریتم رگرسیون لجستیک درس 2 Logistic Regression Algorithm Lesson 2

  • اعتبارسنجی متقابل Cross Validation

  • منحنی ROC و ناحیه زیر منحنی (AUC) درس 1 ROC Curve and Area Under Curve (AUC) Lesson 1

  • منحنی ROC و ناحیه زیر منحنی (AUC) درس 2 ROC Curve and Area Under Curve (AUC) Lesson 2

  • بهینه سازی ابرپارامتر (با GridSearchCV) Hyperparameter Optimization (with GridSearchCV)

  • تنظیم ابرپارامترها برای مدل رگرسیون لجستیک Hyperparameter Tuning for Logistic Regression Model

الگوریتم یادگیری ماشین – درخت تصمیم و SVM Machine Learning Algorithm – Decision Tree & SVM

  • الگوریتم درخت تصمیم درس 1 Decision Tree Algorithm Lesson 1

  • الگوریتم درخت تصمیم درس 2 Decision Tree Algorithm Lesson 2

  • الگوریتم ماشین بردار پشتیبان درس 1 Support Vector Machine Algorithm Lesson 1

  • الگوریتم ماشین بردار پشتیبان درس 2 Support Vector Machine Algorithm Lesson 2

الگوریتم یادگیری ماشین – جنگل تصادفی Machine Learning Algorithm – Random Forest

  • الگوریتم جنگل تصادفی درس 1 Random Forest Algorithm Lesson 1

  • الگوریتم جنگل تصادفی درس 2 Random Forest Algorithm Lesson 2

  • الگوریتم جنگل تصادفی درس 3 Random Forest Algorithm Lesson 3

  • الگوریتم جنگل تصادفی درس 4 Random Forest Algorithm Lesson 4

نتیجه گیری Conclusion

  • نتیجه گیری پروژه Project Conclusion

  • پیشنهادات و اختتامیه Suggestions and Closing

اضافی Extra

  • هوش مصنوعی مولد برای تجزیه و تحلیل داده و مهندسی با ChatGPT Generative AI for Data Analysis and Engineering with ChatGPT

نمایش نظرات

آموزش هوش مصنوعی مولد برای تحلیل داده و مهندسی با ChatGPT
جزییات دوره
20.5 hours
175
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
267
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

OAK Academy OAK Academy

کارآفرین

OAK Academy Team OAK Academy Team

مربی

Ali̇ CAVDAR Ali̇ CAVDAR

دانشمند داده و مدرس IT