آموزش Zero to Agile Data Science

سرفصل ها و درس ها

معرفی Introduction

• 1.0 معرفی دوره 1.0 Course Intro

• 1.1 مخاطب دوره 1.1 Course Audience

• 1.2 بررسی اجمالی دوره 1.2 Course Overview

• 1.3 مزایای دوره 1.3 Course Benefits

• 1.4 راه اندازی دوره 1.4 Course Setup

• 1.5 قالب بندی فهرست مطالب نوت بوک Jupyter 1.5 Formatting Jupyter Notebook Table of Content

پیش بینی کلاهبرداری از کارت اعتباری Predicting Credit Card Fraud

• 2.0 معرفی مشکل کسب و کار 2.0 Business Problem Intro

• 2.1 روز اول معرفی 2.1 Day 1 Intro

• 2.2 روز 1 آماده سازی پیش از مدل سازی 2.2 Day1 Pre-Modelling Prep

• 2.3 روز اول گردش کار مدل سازی 2.3 Day 1 Modelling Workflow

• 2.4 روز 1 متریک دقت در فراخوان 2.4 Day 1 Precision-at-recall metric

• 2.5 روز دوم معرفی 2.5 Day 2 Intro

• 2.6 روز دوم مقایسه تکنیک های نمونه گیری مجدد 2.6 Day 2 Comparison of Resampling Techniques

• 2.7 روز 2 EDA & Cleaning برای تعمیم پذیری ML 2.7 Day 2 EDA & Cleaning for ML Generalizability

• 2.8 روز 3 معرفی و راه اندازی 2.8 Day 3 Intro & Initialization

• 2.9 روز 3 نسل ویژگی 2.9 Day 3 Feature Generation

• 2.10 روز 3 کاهش ویژگی 2.10 Day 3 Feature Reduction

• 2.11 روز 3 عملکرد تست در چارچوب داده مهندسی شده 2.11 Day 3 Testing Performance on Engineered dataframe

• 2.12 روز 4 معرفی و راه اندازی 2.12 Day 4 Intro & Initialization

• 2.13 تنظیم فراپارامتر روز چهارم با استفاده از GridSearchCV 2.13 Day 4 Hyperparameter Tuning using GridSearchCV

• 2.14 روز چهارم عملکرد آزمون 2.14 Day 4 Test Performance

• 2.15 روز پنجم مقدمه و راه اندازی 2.15 Day 5 Intro & Initialization

• 2.16 روز پنجم آماده سازی تنظیم فراپارامتر 2.16 Day 5 Hyperparameter Tuning Prep

• 2.17 روز 5 GridSearchCV در طبقه بندی کننده های متعدد 2.17 Day 5 GridSearchCV on multiple Classifiers

• 2.18 روز 5 گروه با استفاده از VotingClassifier 2.18 Day 5 Ensemble using VotingClassifier

• 2.19 عملکرد گروه تست در مقابل روز 1 2.19 Test Ensemble Performance vs Day1

• 2.20 خلاصه و خلاصه 2.20 Recap and Summary

پیش بینی ریزش مشتری Predicting Customer Churn

• 3.0 معرفی مشکل کسب و کار 3.0 Business Problem Intro

• 3.1: روز اول معرفی 3.1: Day 1 Intro

• 3.2 روز 1 آماده سازی پیش از مدل سازی 3.2 Day 1 Pre-Modelling Prep

• 3.3 روز 1 دقت در آستانه فراخوان 3.3 Day 1 Precision at Recall Threshold

• 3.4 روز دوم معرفی و راه اندازی 3.4 Day 2 Intro and Setup

• 3.5 روز دوم مقایسه نمونه گیری مجدد 3.5 Day 2 Resampling Comparison

• 3.6 EDA و Cleaning برای تعمیم پذیری ML 3.6 EDA and Cleaning for ML Generalizability

• 3.7 روز 2 تقویت سیگنال 3.7 Day 2 Signal Amplification

• تکلیف خانه: روز 2 را بدون تخصیص تهی تکرار کنید Homework: Repeat Day2 without the Null Imputations

• 3.8 روز 3 مهندسی ویژگی 3.8 Day 3 Feature Engineering

• تنظیم فراپارامتر 3.9 روز 4 3.9 Day 4 Hyperparameter Tuning

• 3.10 روز 5: مدل های گروه 3.10 Day 5: Ensemble Models

پیش بینی مشکلات مالی Predicting Financial Distress

• 4.0: معرفی مشکلات تجاری 4.0: Business Problem Intro

• 4.1 روز اول معرفی 4.1 Day 1 Intro

• 4.2 روز اول مدل سازی و تفسیر نتایج 4.2 Day 1 Modelling & Interpreting Results

• 4.3 روز دوم انتخاب روش نمونه گیری مجدد 4.3 Day 2 Resampling Method Selection

• 4.4 روز 2 تقویت سیگنال و عملکرد تست 4.4 Day 2 Signal Amplification and Test Performance

• 4.5 روز 3 مهندسی ویژگی 4.5 Day 3 Feature Engineering

• 4.6 روز 4 تنظیم فراپارامتر جنگل تصادفی 4.6 Day 4 Hyperparameter Tuning of Random Forest

• 4.7 روز 5 مدل های گروه 4.7 Day 5 Ensemble Models

کتابخانه توابع کمکی Helper functions library

• 5.0 فایل پایتون توابع کمکی 5.0 Helper functions python file

• 5.1 find_bad_columns_function() 5.1 find_bad_columns_function()

• 5.2 custom_classification_metrics_function() 5.2 custom_classification_metrics_function()

• 5.3 resample_and_test_performance_function() 5.3 resample_and_test_performance_function()

• 5.4 augment_data_function() 5.4 augment_data_function()

• 5.5 numerical_distribution_function() 5.5 numerical_distribution_function()

• 5.6 data_export_function() 5.6 data_export_function()

• 5.7 reduce_mem_usage_function() 5.7 reduce_mem_usage_function()

• 5.8 plot_feature_importances() 5.8 plot_feature_importances()

• 5.9 precision_at_recal_threshold_function () 5.9 precision_at_recall_threshold_function ()

• 5.10 tune_grid_search_function() 5.10 tune_grid_search_function()

نتیجه Conclusion

• خلاصه Summary