آموزش Python for Data Science and Machine Learning Essential Training قسمت 2

Python for Data Science and Machine Learning Essential Training Part 2

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

اگر حرفه ای هستید که می خواهید از داده های کسب و کار برای تصمیم گیری بهتر از طریق تجزیه و تحلیل پیش بینی استفاده کنید، این دوره می تواند به شما کمک کند. لیلیان پیرسون - مهندس، مدیر عامل و رئیس محصول در Data-Mania - شما را از طریق ترکیبی قوی از تجربیات کدنویسی علوم داده پایه، نمایش‌ها، چالش‌ها، راه‌حل‌ها و تمرین‌هایی راهنمایی می‌کند که می‌توانید به سرعت در تجزیه و تحلیل داده‌ها و پروژه‌های تجزیه و تحلیل سفارشی‌شده اعمال کنید. . بهترین روش ها را برای تمیز کردن داده ها، تجسم داده ها، تجزیه و تحلیل داده ها و برنامه نویسی پایتون بیاموزید.

در پایان دوره، می‌توانید از پایتون برای موارد زیر استفاده کنید:

  • پاک کردن، تغییر شکل، قالب بندی مجدد و توصیف داده ها
  • تجسم داده ها را برای ارائه داده ها و تجزیه و تحلیل اکتشافی بصری ایجاد کنید
  • موارد پرت را شناسایی و حذف کنید
  • تجزیه و تحلیل ساده داده را انجام دهید
  • منبع، ذخیره و تجزیه و تحلیل داده ها از اینترنت
  • با استفاده از Plot.ly دارایی های تجزیه و تحلیل مشترک ایجاد کنید

سرفصل ها و درس ها

معرفی Introduction

  • هک های زندگی علم داده Data science life hacks

  • نحوه استفاده از Codespace در این دوره How to use Codespaces in this course

  • آنچه شما باید بدانید What you should know

1. مقدمه ای بر یادگیری ماشین 1. Introduction to Machine Learning

  • تعریف علم داده Defining data science

  • نقشه راه یادگیری ماشینی سطح بالا High-level machine learning roadmap

  • گروه بندی الگوریتم های یادگیری ماشین Grouping machine learning algorithms

  • دیدن مکان یادگیری ماشینی Seeing where machine learning fits in

  • مبانی هوش مصنوعی یادگیری ماشینی Machine learning AI foundations

2. مدل های رگرسیون 2. Regression Models

  • رگرسیون خطی چندگانه Multiple linear regression

  • رگرسیون لجستیک: اعتبارسنجی مجموعه داده Logistic regression: Validating dataset

  • رگرسیون لجستیک: پیش بینی آزمون Logistic regression: Test prediction

  • رگرسیون لجستیک: ارزش های از دست رفته را درمان کنید Logistic regression: Treat missing values

  • رگرسیون لجستیک: ارزیابی مدل Logistic regression: Model evaluation

  • رگرسیون لجستیک: مفاهیم Logistic regression: Concepts

  • رگرسیون لجستیک: آماده سازی داده ها Logistic regression: Data preparation

  • رگرسیون لجستیک: متغیر را دوباره رمزگذاری کنید Logistic regression: Re-encode variable

  • رگرسیون لجستیک: استقرار مدل Logistic regression: Model deployment

  • رگرسیون خطی Linear regression

3. مدل های خوشه بندی 3. Clustering Models

  • DBSCAN برای تشخیص موارد پرت DBSCAN for outlier detection

  • تحلیل خوشه ای با روش K-means Cluster analysis with the K-means method

  • تجزیه و تحلیل خوشه سلسله مراتبی Hierarchical cluster analysis

4. روش های کاهش ابعاد 4. Dimension Reduction Methods

  • تجزیه و تحلیل مؤلفه اصلی (PCA) Principal component analysis (PCA)

  • تحلیل عاملی تبیینی Explanatory factor analysis

5. سایر روش های محبوب یادگیری ماشینی 5. Other Popular Machine Learning Methods

  • مدل‌های قوانین ارتباط با الگوریتم Apriori Association rules models with the Apriori algorithm

  • یادگیری گروهی با جنگل تصادفی Ensemble learning with random forest

  • ساخت شبکه عصبی Building a neural network

  • شبکه های عصبی با پرسپترون Neural networks with perceptrons

  • آمار بیزی با بیز ساده لوح Bayesian statistics with Naïve Bayes

  • یادگیری مبتنی بر نمونه با KNN Instance-based learning with KNN

  • درختان تصمیم با سبد خرید Decision trees with CART

6. شروع به پردازش زبان طبیعی 6. Getting Started with Natural Language Processing

  • خلاصه سازی و تجزیه و تحلیل داده های متنی Lemmatizing and analyzing textual data

  • مقدمه ای بر پردازش زبان طبیعی (NLP) Introduction to natural language processing (NLP)

  • پاکسازی و ریشه‌یابی داده‌های متنی Cleaning and stemming textual data

7. شروع به کار با مدل های هوش مصنوعی مولد 7. Getting Started with Generative AI Models

  • نسخه ی نمایشی کدنویسی: پیاده سازی یک مدل هوش مصنوعی مولد Coding demo: Implementing a generative AI model

  • مقدمه ای بر هوش مصنوعی مولد Introduction to generative AI

  • همگام با پیشرفت های هوش مصنوعی Keeping up with AI developments

  • به مدل های هوش مصنوعی مولد بروید Deep dive into generative AI models

نتیجه Conclusion

  • مراحل بعدی و منابع اضافی Next steps and additional resources

نمایش نظرات

آموزش Python for Data Science and Machine Learning Essential Training قسمت 2
جزییات دوره
5h 16m
38
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
171
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lillian Pierson, P.E. Lillian Pierson, P.E.

لیلیان پیرسون ، P.E. یک متخصص برجسته در زمینه داده های بزرگ و علوم داده است. او متخصصان و دانشجویان شاغل را به مهارتهای داده مورد نیاز برای رقابت در اقتصاد مبتنی بر داده محور تجهیز می کند. لیلیان اخیراً به عنوان مربی علوم داده برای چندین دوره در زمینه آموزش LinkedIn یاد شده است. او همچنین نویسنده چندین کتاب فنی بسیار مرجع توسط انتشارات جان ویلی و پسران ، از جمله شرکت Data Science for Dummies (2017 ، 2015) است و دهه گذشته را در آموزش و مشاوره برای سازمانهای بزرگ فنی در بخش خصوصی گذرانده است. بخش هایی مانند IBM ، BMC ، دل و اینتل و همچنین سازمان های دولتی از نیروی دریایی ایالات متحده تا سطح دولت محلی. به عنوان بنیانگذار Data-Mania LLC ، لیلیان دوره های آموزشی آنلاین و حضوری و همچنین کارگاه ها و سایر مواد آموزشی را در زمینه داده های بزرگ ، علوم داده و تجزیه و تحلیل داده ها ارائه می دهد.