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

  • استنتاج در PyTorch (Inference) PyTorch Inference

نمایش نظرات

پروژه‌های تعاملی علوم داده با PyTorch، Shiny و Pandas [آموزش ویدئویی]
جزییات دوره
4h 5m
43
Packtpub Packtpub
(آخرین آپدیت)
1
4 از 5
ندارد
دارد
دارد
Ron Erez
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar