آموزش پایتون برای علوم داده قسمت 2

Python for Data Science Essential Training Part 2

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Python for Data Science Essential Training یکی از محبوب ترین دوره های علوم داده در LinkedIn Learning است. اکنون برای دستیابی به تجربه عملی بیشتر با پایتون ، به دو قسمت به روز شده و گسترش یافته است. در این دوره ، لیلیان پیرسون مربی شما را گام به گام از طریق یک پروژه علمی کاربردی داده هدایت می کند: ساخت مدل های یادگیری ماشین که می توانند پیش بینی ها و توصیه ها را ایجاد کنند و کارهای معمول را به طور خودکار انجام دهند. در طول راه ، وی نحوه انجام رگرسیون خطی و لجستیکی ، استفاده از K-means و خوشه بندی سلسله مراتبی ، شناسایی روابط بین متغیرها و استفاده از سایر ابزارهای یادگیری ماشین مانند شبکه های عصبی و مدل های بیزی را نشان می دهد. شما باید با استفاده از تجربه برنامه نویسی عملی که می توانید به سرعت در پروژه های علوم داده خود اعمال کنید ، از این آموزش دور شوید.
موضوعات شامل:
  • چرا از پایتون برای علم داده استفاده کنیم
  • یادگیری ماشین 101
  • رگرسیون خطی
  • رگرسیون لجستیک
  • مدلهای خوشه بندی: مدلهای K و معنی سلسله مراتبی
  • روشهای کاهش ابعاد
  • قوانین انجمن
  • روش های گروه
  • آشنایی با شبکه های عصبی
  • مدل های درخت تصمیم

سرفصل ها و درس ها

مقدمه Introduction

  • سنگهای یادگیری ماشین Machine learning rocks

  • آنچه باید بدانید What you should know

1. آشنایی با علوم داده 1. Introduction to Data Science

  • تعریف علم داده Defining data science

  • چرا از پایتون برای علم داده استفاده می کنیم؟ Why use Python for data science?

  • AI در کجا جای می گیرد؟ Where does AI fit in?

2. آشنایی با یادگیری ماشین 2. Introduction to Machine Learning

  • یادگیری ماشین 101 Machine learning 101

  • گروه بندی الگوریتم های یادگیری ماشین Grouping machine learning algorithms

3. مدل های رگرسیون 3. Regression Models

  • رگرسیون خطی Linear regression

  • رگرسیون خطی چندگانه Multiple linear regression

  • رگرسیون لجستیک: مفاهیم Logistic regression: Concepts

  • رگرسیون لجستیک: تهیه اطلاعات Logistic regression: Data preparation

  • رگرسیون لجستیک: مقادیر گمشده را درمان کنید Logistic regression: Treat missing values

  • رگرسیون لجستیک: متغیرها را دوباره رمزگذاری کنید Logistic regression: Re-encode variables

  • رگرسیون لجستیک: اعتبارسنجی مجموعه داده Logistic regression: Validating data set

  • رگرسیون لجستیک: استقرار مدل Logistic regression: Model deployment

  • رگرسیون لجستیک: ارزیابی مدل Logistic regression: Model evaluation

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

4. مدل های خوشه بندی 4. Clustering Models

  • روش K- معنی K-means method

  • روش های سلسله مراتبی Hierarchical methods

  • DBSCAN برای تشخیص فاصله بیشتر DBSCAN for outlier detection

5- روش های کاهش ابعاد 5. Dimension Reduction Methods

  • تحلیل عاملی اکتشافی Explanatory factor analysis

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

6. سایر روشهای یادگیری محبوب ماشین 6. Other Popular Machine Learning Methods

  • انجمن با مدلهای آپریوری قانون می کند Association rules models with Apriori

  • شبکه های عصبی با پرسپترون Neural networks with a perceptron

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

  • مدل های درخت تصمیم گیری با سبد خرید Decision tree models with CART

  • مدلهای بیزی با Bayes Naive Bayesian models with Naive Bayes

  • مدل های گروه با جنگل های تصادفی Ensemble models with random forests

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش پایتون برای علوم داده قسمت 2
جزییات دوره
3h 44m
29
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
11,130
- 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.