لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
پروژههای تعاملی علوم داده با PyTorch، Shiny و Pandas [آموزش ویدئویی]
- آخرین آپدیت
دانلود Interactive Data Science Projects with PyTorch, Shiny, and Pandas [Video]
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
در این دوره، شما ابزارهای مورد نیاز برای ایجاد اپلیکیشنهای تعاملی و دادهمحور را به طور کامل خواهید آموخت. دوره با معرفی Shiny برای پایتون آغاز میشود و بر مدیریت ورودی/خروجی، منطق سرور و استقرار اپلیکیشنها تمرکز دارد. شما یاد میگیرید چگونه با استفاده از اسلایدرها، دکمهها و چکباکسها دادهها را به صورت پویا بصریسازی کنید و یک جدول ضرب تعاملی با استفاده از HTML بسازید.
با پیشروی در دوره، از دموهای رسمی Shiny برای تعمیق درک خود استفاده کرده و سپس یک داشبورد داده CSV در Shiny طراحی خواهید کرد. شما نحوه آپلود، نمایش و بصریسازی دادههای CSV شامل هیستوگرامها، نمودارهای میلهای و نمودارهای دایرهای را برای اکتشاف پویا در دادهها میآموزید.
این دوره همچنین به بررسی عمیق PyTorch میپردازد و مباحث بنیادی مانند تنسورها، ایندکسگذاری و برادکستینگ (Broadcasting) را پوشش میدهد و به شما میآموزد چگونه طبقهبندی تصاویر را با استفاده از TorchSight در Shiny پیادهسازی کنید. در پایان دوره، مهارتهای لازم برای ادغام مدلهای یادگیری ماشین در اپلیکیشنهای Shiny را کسب کرده و پروژههای قدرتمند و تعاملی علوم داده خلق خواهید کرد.
ویژگیهای کلیدی دوره:
- ساخت داشبوردهای داده تعاملی با استفاده از Shiny و Python
- بصریسازی پویا با نمودارهای میلهای، هیستوگرامها و نمودارهای دایرهای
- پیادهسازی مدلهای یادگیری ماشین PyTorch در اپلیکیشنهای Shiny
- کار با تنسورهای PyTorch برای ایندکسگذاری، ماسکگذاری و برادکستینگ
- آپلود و بصریسازی تعاملی دادههای CSV در Shiny
- ادغام طبقهبندی تصاویر مبتنی بر PyTorch در اپلیکیشنهای وب
این دوره برای دانشمندان داده، تحلیلگران و توسعهدهندگانی که قصد دارند دانش خود را در ابزارهای پایتون برای علوم داده گسترش دهند، ایدهآل است. برای علاقهمندان به ترکیب یادگیری ماشین با PyTorch و ساخت اپلیکیشنهای وب تعاملی با Shiny بسیار مناسب است. داشتن تجربه قبلی در پایتون مفید است اما الزامی نیست، زیرا دوره مفاهیم بنیادی و کاربردهای عملی را پوشش میدهد و برای مبتدیان و متوسطها مناسب است.
سرفصلهای اصلی: داشبوردهای تعاملی و بصریسازی دادهها با Shiny و پایتون * ادغام یادگیری ماشین با PyTorch و Shiny برای طبقهبندی تصاویر * پروژههای عملی تحلیل دادههای CSV و بصریسازیهای پویا
سرفصل ها و درس ها
مقدمه
Introduction
مقدمه
Introduction
بصریسازی دادهها و Shiny
Data Visualization and Shiny
اسلایدرهای ورودی و خروجی متنی با منطق سرور ساده
Input Sliders, Text Output with Simple Server Logic
دموی ورودیهای Shiny
Shiny Input Demo
استفاده از HTML برای ساخت جدول ضرب در Shiny (بخش اول)
Using HTML to Build a Multiplication Table in Shiny (Part 1)
استفاده از HTML برای ساخت جدول ضرب در Shiny (بخش دوم)
Using HTML to Build a Multiplication Table in Shiny (Part 2)
استفاده از Shiny در VSCode و استقرار اپلیکیشن
Using Shiny in VSCode and Deploying Your App
بررسی اجزای Shiny
Exploring Shiny Components
کار با دکمههای عملیاتی (Action Buttons) و چکباکسها
Working with Action Buttons and Checkboxes
استفاده از گروههای چکباکس، Selectize و ساختارهای ردیفی و ستونی
Using Checkbox Groups, Selectize, and Row-Column Structures
مقدمهای بر Shiny Express برای پایتون
Introduction to Shiny Express for Python
استفاده از دموهای رسمی Shiny به عنوان ابزار یادگیری
Using Official Shiny Demos as a Learning Tool
استفاده از دموهای رسمی Shiny به عنوان ابزار یادگیری: اپلیکیشن سایدبار
Using Official Shiny Demos as a Learning Tool - Sidebar App
بررسی پروژه دموی نمودار KDE در Shiny
Walkthrough: Shiny's KDE Plot Demo Project
بررسی دموی داشبورد پنگوئنها توسط تیم Shiny
Walkthrough- Penguins Dashboard Demo by the Shiny Team
ساخت داشبورد تعاملی دادههای CSV در Shiny برای پایتون
Building an Interactive CSV Data Dashboard in Shiny for Python
راهاندازی پروژه
Project Setup
افزودن کتابخانههای مورد نیاز (Imports)
Adding the Imports
آپلود فایل CSV
Uploading a CSV File
نمایش آمار کلی و سریع
Displaying Quick Stats
انتخابگر ستون پویا برای دادههای CSV
Dynamic Column Picker for CSV Data
نمایش جزئیات ستون در کارت اطلاعات
Displaying Column Details in an Info Card
بصریسازی ستونهای عددی با هیستوگرامها
Visualizing Numeric Columns with Histograms
بصریسازی ستونهای دستهبندی شده با نمودارهای دایرهای یا میلهای
Visualizing Categorical Columns with Pie or Bar Charts
نمودارهای شرطی دایرهای یا میلهای و مدیریت پیام عدم وجود داده
Conditional Pie or Bar Charts and No-Data Messaging
مبانی PyTorch
PyTorch Fundamentals
گوگل کولب (Google Colab) و tqdm
Google Colab and tqdm
نحوه دریافت کمک در PyTorch
How to Get Help with PyTorch
بررسی منابع کمکی تکمیلی
Exploring Additional Help Resources
مقدمهای بر PyTorch و تنسورها (بخش اول)
Introduction to PyTorch and Tensors (Part 1)
مقدمهای بر PyTorch و تنسورها (بخش دوم)
Introduction to PyTorch and Tensors (Part 2)
بهرهگیری از GPU برای PyTorch در گوگل کولب
Leveraging the GPU for PyTorch in Google Colab
درک عملیات ریاضی روی تنسورها
Understanding Mathematical Operations on Tensors
درک ایندکسگذاری و ماسکگذاری در تنسورها
Understanding Indexing and Masking in Tensors
توسعه مبحث ماسکگذاری در PyTorch
Expanding on Masking in PyTorch
کلون کردن تنسورها برای عملیات ایمن
Cloning Tensors for Safe Operations
برادکستینگ در PyTorch: گامهای نخست
Broadcasting in PyTorch: The First Steps
برادکستینگ: گامهای بعدی
Broadcasting: Next Steps
تمرین عملی با مثالهای بیشتر برادکستینگ
Hands-on with More Broadcasting Examples
Torch Sight: طبقهبندی تصاویر PyTorch با استفاده از پایتون و Shiny
Torch Sight - PyTorch Image Classification using Python and Shiny
شروع کار با TorchSight
Getting Started with TorchSight
افزودن کتابخانههای PyTorch و پردازش تصویر
Adding the PyTorch and Image Processing Imports
وارد کردن مدلهای TorchVision
Importing the TorchVision Models
پیادهسازی تابع Get Model
Implementing the Get Model Function
تغییرات و تبدیلهای تصویر (Image Transformations)
Image Transformations
ایجاد عنوان و سایدبار
Creating the Title and Sidebar
دریافت برچسبهای ImageNet و درخواست تصویر از کاربر
Getting the ImageNet Labels and Prompting the User for Images
نمایش نظرات