آموزش دانشمند داده شوید: SQL، Tableau، ML & DL [4-in-1]

Become a Data Scientist: SQL, Tableau, ML & DL [4-in-1]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: بسته 4 در 1 که 4 موضوع ضروری برای دانشمند داده را پوشش می دهد - SQL، Tableau، ماشین و یادگیری عمیق با استفاده از Python یک پایه قوی در SQL ایجاد کنید و درک کنید که چگونه از پرس و جوهای SQL برای دستکاری و بازیابی داده ها از پایگاه داده استفاده کنید. ویژگی‌های Tableau را کاوش کنید و یاد بگیرید که تجسم‌های تعاملی ایجاد کنید تا به طور مؤثر بینش‌ها را به ذینفعان منتقل کنید. بر مفاهیم یادگیری ماشینی مسلط شوید و پیاده سازی الگوریتم های مختلف یادگیری ماشین را با استفاده از پایتون یاد بگیرید. اصول یادگیری عمیق را کشف کنید و نحوه ساخت و آموزش شبکه عصبی عمیق با استفاده از Keras و TensorFlow را درک کنید. تکنیک‌های پیش‌پردازش داده‌ها و مهندسی ویژگی‌ها، از جمله مدیریت مقادیر گمشده و رمزگذاری متغیرهای طبقه‌بندی را بررسی کنید، در هنر انتخاب و ارزیابی مدل، از جمله تکنیک‌های اعتبارسنجی متقاطع، تنظیم فراپارامتر، و جلوگیری از برازش بیش از حد، مهارت کسب کنید. اصول شبکه های عصبی عمیق را کشف کنید و یاد بگیرید که یک شبکه عصبی کانولوشنال (CNN) برای طبقه بندی تصاویر بسازید و آموزش دهید. یادگیری انتقال را کاوش کنید و نحوه تنظیم دقیق یک CNN از پیش آموزش دیده را برای حل یک مشکل مشابه در یک دامنه متفاوت درک کنید. پیش نیازها: کامپیوتر با اتصال به اینترنت. دستورالعمل نصب تمام ابزارهای مورد استفاده بخشی از دوره است.

اگر شما یک یادگیرنده کنجکاو هستید که به دنبال غواصی در دنیای هیجان انگیز علم داده هستید، پس این دوره برای شما ساخته شده است! آیا می خواهید بر مهارت های ضروری مورد نیاز برای یک حرفه موفق در علم داده تسلط داشته باشید؟ آیا مشتاق توسعه تخصص در SQL، Tableau، ماشین و یادگیری عمیق با استفاده از پایتون هستید؟ اگر پاسخ شما کاملاً "بله" است، به ما بپیوندید و سفری را برای تبدیل شدن به یک دانشمند داده آغاز کنید!

در این دوره، درک جامعی از SQL، Tableau، یادگیری ماشینی و یادگیری عمیق با استفاده از پایتون به دست خواهید آورد. شما مهارت‌های لازم را برای تجزیه و تحلیل داده‌ها، تجسم بینش‌ها، ساخت مدل‌های پیش‌بینی‌کننده و استخراج راه‌حل‌های تجاری عملی ایجاد خواهید کرد. در اینجا برخی از مزایای کلیدی این دوره آمده است:

  • توسعه تسلط در SQL، Tableau، یادگیری عمیق ماشینی با استفاده از Python

  • پایه‌های قوی در تجزیه و تحلیل داده‌ها، تجسم داده‌ها و مدل‌سازی داده بسازید

  • تجربه عملی در کار با مجموعه داده های دنیای واقعی کسب کنید

  • درکی عمیق از مفاهیم اساسی ماشین و یادگیری عمیق بدست آورید

  • بیاموزید که با استفاده از پایتون مدل های پیش بینی خود را بسازید و آموزش دهید

علوم داده حوزه‌ای است که به سرعت در حال رشد است، و تقاضای زیادی برای متخصصان ماهری وجود دارد که بتوانند داده‌ها را تجزیه و تحلیل کنند و بینش‌های ارزشمندی ارائه دهند. با یادگیری SQL، Tableau، Machine Deep Learning با استفاده از Python، می توانید دنیایی از فرصت های شغلی در علم داده، هوش مصنوعی و تجزیه و تحلیل را باز کنید.

چه چیزی در این دوره پوشش داده شده است؟

تحلیل داده ها محور اصلی تجزیه و تحلیل نیست. این تفسیر است که به ارائه بینش پس از استفاده از تکنیک های تحلیلی کمک می کند که تجزیه و تحلیل را به چنین رشته مهمی تبدیل می کند. ما از محبوب ترین ابزارهای نرم افزار تحلیلی که SQL، Tableau و Python هستند استفاده کرده ایم. این به دانش‌آموزانی که هیچ پیش‌زمینه کدنویسی قبلی ندارند، کمک می‌کند تا مفاهیم Analytics و یادگیری ماشینی را یاد بگیرند و پیاده‌سازی کنند تا در واقع مسائل دنیای واقعی علم داده را حل کنند.

اجازه دهید یک مرور مختصر از دوره به شما ارائه دهم

  • قسمت 1 - SQL برای علم داده

در بخش اول، یعنی SQL برای تجزیه و تحلیل داده‌ها، همه چیزهایی را که برای تجزیه و تحلیل داده‌ها در کسب‌وکارها نیاز دارید در SQL به شما آموزش می‌دهیم. ما با عملیات داده های اولیه مانند ایجاد یک جدول، بازیابی داده ها از یک جدول و غیره شروع خواهیم کرد. بعداً، موضوعات پیشرفته ای مانند سؤالات فرعی، پیوستن، تجمیع داده ها، و تطبیق الگو را یاد خواهیم گرفت.

  • قسمت 2 - تجسم داده ها با استفاده از Tableau

در این بخش، نحوه ایجاد داشبوردها، تجسم‌ها و بینش‌های خیره‌کننده را یاد خواهید گرفت که به شما امکان می‌دهد داده‌های خود را به طور مؤثر کاوش، تجزیه و تحلیل و ارتباط برقرار کنید. شما به مفاهیم کلیدی Tableau مانند ترکیب داده ها، محاسبات و نقشه برداری تسلط خواهید داشت. در پایان این بخش، می‌توانید تجسم‌های جذابی ایجاد کنید که به شما امکان می‌دهد با اطمینان تصمیمات مبتنی بر داده را بگیرید.

  • قسمت 3 - یادگیری ماشینی با استفاده از پایتون

در این قسمت ابتدا یک دوره آموزشی crash در پایتون خواهیم داد تا شما را با این زبان برنامه نویسی شروع کنید. سپس نحوه پیش پردازش و آماده سازی داده ها را قبل از ساخت یک مدل یادگیری ماشینی خواهیم آموخت. پس از آماده شدن داده ها، ساخت مدل های رگرسیون و طبقه بندی مختلف مانند رگرسیون خطی و لجستیک، درختان تصمیم، KNN، جنگل های تصادفی و غیره را شروع خواهیم کرد.

  • قسمت 4 - یادگیری عمیق با استفاده از پایتون

در قسمت آخر، نحوه ساخت شبکه های عصبی برای یافتن الگوهای پیچیده در داده ها و ساخت مدل های پیش بینی را خواهید آموخت. همچنین مفاهیم پشت مدل‌های تشخیص تصویر را یاد می‌گیریم و یک شبکه عصبی کانولوشنال برای این منظور می‌سازیم.

در طول دوره، شما بر روی چندین فعالیت مانند:

کار خواهید کرد
  • ساخت یک پایگاه داده SQL و بازیابی داده های مرتبط از آن

  • ایجاد داشبوردهای تعاملی با استفاده از Tableau

  • پیاده سازی الگوریتم های مختلف یادگیری ماشین

  • ساخت یک مدل یادگیری عمیق با استفاده از Keras و TensorFlow

این دوره منحصر به فرد است زیرا چهار موضوع ضروری برای یک دانشمند داده را پوشش می دهد و یک تجربه یادگیری جامع را ارائه می دهد. شما از کارشناسان صنعت که تجربه عملی در علم داده دارند و با مجموعه داده های دنیای واقعی کار کرده اند، یاد خواهید گرفت.

چه چیزی ما را واجد شرایط آموزش به شما می کند؟

این دوره توسط Abhishek (MBA - FMS Delhi, B. Tech - IIT Roorkee) و Pukhraj (MBA - IIM Ahmedabad, B. Tech - IIT Roorkee) تدریس می شود. ما به عنوان مدیران شرکت مشاوره گلوبال آنالیتیکس، به کسب و کارها کمک کرده ایم تا مشکلات تجاری خود را با استفاده از Analytics حل کنند و از تجربیات خود برای گنجاندن جنبه های عملی تجزیه و تحلیل کسب و کار در این دوره استفاده کرده ایم. ما در تجزیه و تحلیل کسب و کار تجربه داریم.

ما همچنین خالق برخی از محبوب ترین دوره های آنلاین هستیم - با بیش از 1200000 ثبت نام و هزاران بررسی 5 ستاره مانند این:

این خیلی خوب است، من عاشق این واقعیت هستم که تمام توضیحات ارائه شده توسط یک فرد غیر روحانی قابل درک است - جاشوا

با تشکر از نویسنده برای این دوره فوق العاده. شما بهترین هستید و این دوره به هر قیمتی ارزش دارد. - دیزی

قول ما

آموزش دانش آموزان وظیفه ماست و به آن متعهد هستیم. اگر در مورد محتوای دوره، برگه تمرین یا هر موضوعی مرتبط با هر موضوعی سؤالی دارید، همیشه می توانید سؤالی را در دوره ارسال کنید یا برای ما پیام مستقیم ارسال کنید.

این فرصت را برای تبدیل شدن به یک دانشمند داده و استفاده از پتانسیل کامل خود از دست ندهید! اکنون ثبت نام کنید و سفر خود را به سمت یک حرفه کامل در علم داده آغاز کنید.



سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

نصب و راه اندازی Installation and getting started

  • نصب PostgreSQL و pgAdmin در رایانه شخصی Installing PostgreSQL and pgAdmin in your PC

  • این یک نقطه عطف است! This is a milestone!

  • اگر pgAdmin باز نمی شود ... If pgAdmin is not opening...

  • منابع دوره Course resources

بیانیه های اساسی SQL Fundamental SQL statements

  • ايجاد كردن CREATE

  • درج کنید INSERT

  • وارد کردن داده ها از فایل Import data from File

  • عبارت SELECT SELECT statement

  • متمایز را انتخاب کنید SELECT DISTINCT

  • جایی که WHERE

  • عملگرهای منطقی Logical Operators

  • به روز رسانی UPDATE

  • حذف DELETE

  • ALTER قسمت - 1 ALTER Part - 1

  • ALTER قسمت - 2 ALTER Part - 2

بازیابی و پشتیبان گیری Restore and Back-up

  • بازیابی و پشتیبان گیری Restore and Back-up

  • اشکال زدایی مشکلات بازیابی Debugging restoration issues

  • ایجاد DB با استفاده از فایل های CSV Creating DB using CSV files

  • خلاصه اشکال زدایی و کد برای فایل های CSV Debugging summary and Code for CSV files

دستورات انتخاب: فیلتر کردن Selection commands: Filtering

  • که در IN

  • بین BETWEEN

  • پسندیدن LIKE

دستورات انتخاب: سفارش Selection commands: Ordering

  • سخنرانی جانبی: اظهار نظر در SQL Side Lecture: Commenting in SQL

  • سفارش توسط ORDER BY

  • حد LIMIT

نام مستعار Alias

  • مانند AS

دستورات جمع Aggregate Commands

  • شمردن COUNT

  • جمع SUM

  • میانگین AVERAGE

  • MIN & MAX MIN & MAX

گروه بندی بر اساس دستورات Group By Commands

  • دسته بندی بر اساس GROUP BY

  • داشتن HAVING

بیانیه مشروط Conditional Statement

  • مورد چه زمانی CASE WHEN

می پیوندد JOINS

  • مقدمه ای بر Joins Introduction to Joins

  • مفاهیم پیوستن و ترکیب داده ها Concepts of Joining and Combining Data

  • آماده سازی داده ها Preparing the data

  • پیوستن داخلی Inner Join

  • چپ پیوستن Left Join

  • حق عضویت Right Join

  • پیوستن کامل بیرونی Full Outer Join

  • کراس Join Cross Join

  • تقاطع و تقاطع ALL Intersect and Intersect ALL

  • بجز Except

  • اتحاد. اتصال Union

سوالات فرعی Subqueries

  • استعلام فرعی در بند WHERE Subquery in WHERE clause

  • استعلام فرعی در بند FROM Subquery in FROM clause

  • استعلام فرعی در عبارت SELECT Subquery in SELECT clause

نماها و شاخص ها Views and Indexes

  • نماها VIEWS

  • فهرست مطالب INDEX

توابع رشته String Functions

  • طول LENGTH

  • بالا پایین UPPER LOWER

  • جایگزین کردن REPLACE

  • TRIM، LTRIM، RTRIM TRIM, LTRIM, RTRIM

  • الحاق CONCATENATION

  • SUBSTRING SUBSTRING

  • فهرست تجمع LIST AGGREGATION

توابع ریاضی Mathematical Functions

  • سقف و کف CEIL & FLOOR

  • تصادفی RANDOM

  • SETSEED SETSEED

  • گرد ROUND

  • قدرت POWER

توابع تاریخ-زمان Date-Time Functions

  • تاریخ و زمان فعلی CURRENT DATE & TIME

  • سن AGE

  • استخراج کردن EXTRACT

تطبیق الگو (رشته). PATTERN (STRING) MATCHING

  • اصول تطبیق الگو PATTERN MATCHING BASICS

  • تطبیق الگوی پیشرفته - قسمت 1 ADVANCE PATTERN MATCHING - Part 1

  • تطبیق الگوی پیشرفته - قسمت 2 ADVANCE PATTERN MATCHING - Part 2

توابع پنجره Window Functions

  • مقدمه ای بر توابع پنجره Introduction to Window functions

  • آشنایی با شماره ردیف Introduction to Row number

  • پیاده سازی شماره ردیف در SQL Implementing Row number in SQL

  • RANK و DENSERANK RANK and DENSERANK

  • تابع NTILE NTILE function

  • تابع AVERAGE AVERAGE function

  • شمردن COUNT

  • جمع کل SUM TOTAL

  • در حال اجرا کل RUNNING TOTAL

  • LAG و LEAD LAG and LEAD

تابع COALESCE COALESCE function

  • تابع COALESCE COALESCE function

توابع تبدیل نوع داده Data Type conversion functions

  • تبدیل اعداد/تاریخ به رشته Converting Numbers/ Date to String

  • تبدیل رشته به اعداد/تاریخ Converting String to Numbers/ Date

توابع کنترل دسترسی کاربر User Access Control Functions

  • کنترل دسترسی کاربر - قسمت 1 User Access Control - Part 1

  • کنترل دسترسی کاربر - قسمت 2 User Access Control - Part 2

میخ که مصاحبه! Nail that Interview!

  • فضای جدول Tablespace

  • کلید اولیه و کلید خارجی PRIMARY KEY & FOREIGN KEY

  • انطباق با اسید ACID compliance

  • کوتاه کردن Truncate

جدول TABLEAU

  • چرا تابلو Why Tableau

  • محصولات تابلو فرش Tableau Products

نصب و راه اندازی Installing and getting started

  • نصب Tableau Desktop و Public Installing Tableau desktop and Public

  • در مورد داده ها About the data

  • اتصال به داده Connecting to data

  • Live vs Extract Live vs Extract

ترکیب داده ها برای ایجاد مدل داده Combining data to create Data model

  • ترکیب داده ها از چندین جدول Combining data from multiple tables

  • روابط در تابلو Relationships in Tableau

  • به Tableau می پیوندد Joins in Tableau

  • انواع اتصالات در تابلو Types of Joins in Tableau

  • اتحادیه در تابلو Union in Tableau

  • لایه منطقی فیزیکی و مدل های داده Physical Logical layer and Data models

  • صفحه تجسم - ورق The visualization screen - Sheet

دسته بندی داده ها در Tableau Data categorization in Tableau

  • انواع داده ها - ابعاد و اندازه گیری ها Types of Data - Dimensions and Measures

  • انواع داده ها - گسسته و پیوسته Types of Data - Discreet and Continuous

  • تغییر نوع داده در Tableau Changing Data type in Tableau

نمودارهای پر استفاده Most used charts

  • نمودار میله Bar charts

  • نمودارهای خطی Line charts

  • نمودارهای پراکنده Scatterplots

سفارشی کردن نمودارها با استفاده از قفسه علامت ها Customizing charts using Marks shelf

  • کارت ها را علامت گذاری می کند Marks cards

  • انداختن ابعاد و اندازه ها روی کارت علائم Dropping Dimensions and Measures on marks card

  • حذف ابعاد در نمودار خط Dropping Dimensions on Line chart

  • اضافه کردن علائم در نمودار پراکندگی Adding marks in scatterplot

نمودارهای مهم دیگر Other important charts

  • جداول متن، نقشه حرارتی و جداول برجسته Text tables, heat map and highlight tables

  • نمودارهای دایره ای Pie charts

  • نمودارهای مساحتی Area charts

  • ایجاد سلسله مراتب سفارشی Creating custom hierarchy

  • نقشه درختی Tree map

  • نمودارهای ترکیبی دوگانه Dual combination charts

  • ایجاد سطل ها Creating Bins

  • هیستوگرام Histogram

گروه بندی و فیلتر کردن داده ها Grouping and Filtering data

  • گروه بندی داده ها Grouping Data

  • فیلتر کردن داده ها Filtering data

  • فیلترهای ابعادی Dimension filters

  • اندازه گیری فیلترها Measure filters

  • فیلترهای تاریخ و زمان Date-Time filters

  • گزینه های فیلتر Filter options

  • انواع فیلترها و ترتیب عملکرد Types of filters and order of operation

  • سفارشی کردن فیلترهای بصری Customizing visual filters

  • گزینه های مرتب سازی Sorting options

نمودارهای نقشه در Tableau Map charts in Tableau

  • نحوه ساخت نمودار نقشه How to make a map chart

  • ملاحظات قبل از تهیه نمودار نقشه Considerations before making a Map chart

  • کارت را برای سفارشی کردن نقشه ها علامت گذاری می کند Marks card for customizing maps

  • سفارشی کردن نقشه ها با استفاده از منوی نقشه Customizing maps using map menu

  • لایه ها در نقشه Layers in a Map

  • نوار ابزار بصری روی نقشه Visual toolbar on a map

  • تصاویر پس زمینه سفارشی Custom background images

  • قلمروها در نقشه ها Territories in maps

  • ترکیب داده ها برای کدگذاری جغرافیایی از دست رفته Data blending for missing geocoding

محاسبه و تجزیه و تحلیل Calculation and Analytics

  • فیلدهای محاسبه شده در Tableau Calculated fields in Tableau

  • توابع در Tableau Functions in Tableau

  • تئوری محاسبات جدول Table calculations theory

  • محاسبات جدول در Tableau Table calculations in Tableau

  • درک عبارات LOD Understanding LOD expressions

  • مثال هایی از عبارت LOD LOD expressions examples

  • صفحه تجزیه و تحلیل Analytics pane

مجموعه ها و پارامترها Sets and Parameters

  • درک مجموعه ها در Tableau Understanding sets in Tableau

  • ایجاد مجموعه در Tableau Creating Sets in Tableau

  • مولفه های Parameters

داشبورد و داستان Dashboard and Story

  • قسمت داشبورد -1 Dashboard part -1

  • قسمت داشبورد - 2 Dashboard part - 2

  • داستان Story

ضمیمه Appendix

  • اتصال به منبع داده SQL Connecting to SQL data source

  • اتصال به سرویس های ذخیره سازی ابری Connecting to cloud storage services

یادگیری ماشینی با پایتون Machine Learning with Python

  • معرفی Introduction

راه اندازی نوت بوک پایتون و ژوپیتر Setting up Python and Jupyter notebook

  • نصب پایتون و آناکوندا Installing Python and Anaconda

  • باز کردن نوت بوک Jupyter Opening Jupyter Notebook

  • آشنایی با ژوپیتر Introduction to Jupyter

  • عملگرهای حسابی در پایتون: مبانی پایتون Arithmetic operators in Python: Python Basics

  • رشته ها در پایتون: اصول پایتون Strings in Python: Python Basics

  • لیست ها، تاپل ها و فهرست ها: اصول پایتون Lists, Tuples and Directories: Python Basics

  • کار با کتابخانه Numpy پایتون Working with Numpy Library of Python

  • کار با Pandas Library of Python Working with Pandas Library of Python

  • کار با کتابخانه Seaborn پایتون Working with Seaborn Library of Python

مبانی آمار Basics of statistics

  • انواع داده ها Types of Data

  • انواع آمار Types of Statistics

  • توصیف گرافیکی داده ها Describing data Graphically

  • اقدامات مراکز Measures of Centers

  • اقدامات پراکندگی Measures of Dispersion

مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • ساخت یک مدل یادگیری ماشینی Building a Machine Learning Model

پیش پردازش داده ها Data Preprocessing

  • جمع آوری دانش کسب و کار Gathering Business Knowledge

  • کاوش داده ها Data Exploration

  • مجموعه داده و دیکشنری داده The Dataset and the Data Dictionary

  • وارد کردن داده ها در پایتون Importing Data in Python

  • تجزیه و تحلیل تک متغیره و EDD Univariate analysis and EDD

  • EDD در پایتون EDD in Python

  • درمان پرت Outlier Treatment

  • درمان پرت در پایتون Outlier Treatment in Python

  • مقدار گمشده Missing Value Imputation

  • مقدار گمشده در پایتون Missing Value Imputation in Python

  • فصلی بودن در داده ها Seasonality in Data

  • تجزیه و تحلیل دو متغیره و تبدیل متغیر Bi-variate analysis and Variable transformation

  • تبدیل و حذف متغیر در پایتون Variable transformation and deletion in Python

  • متغیرهای غیر قابل استفاده Non-usable variables

  • ایجاد متغیر ساختگی: مدیریت داده های کیفی Dummy variable creation: Handling qualitative data

  • ایجاد متغیر ساختگی در پایتون Dummy variable creation in Python

  • تجزیه و تحلیل همبستگی Correlation Analysis

  • تجزیه و تحلیل همبستگی در پایتون Correlation Analysis in Python

رگرسیون خطی Linear Regression

  • بیانیه مشکل The Problem Statement

  • روش معادلات پایه و حداقل مربعات معمولی (OLS). Basic Equations and Ordinary Least Squares (OLS) method

  • ارزیابی دقت ضرایب پیش بینی شده Assessing accuracy of predicted coefficients

  • ارزیابی دقت مدل: RSE و R مجذور Assessing Model Accuracy: RSE and R squared

  • رگرسیون خطی ساده در پایتون Simple Linear Regression in Python

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • F - آمار The F - statistic

  • تفسیر نتایج متغیرهای طبقه بندی Interpreting results of Categorical variables

  • رگرسیون خطی چندگانه در پایتون Multiple Linear Regression in Python

  • تقسیم آزمایشی-قطار Test-train split

  • مبادله واریانس تعصب Bias Variance trade-off

  • آزمایش تقسیم قطار در پایتون Test train split in Python

  • مدل های رگرسیون غیر از OLS Regression models other than OLS

  • تکنیک های انتخاب زیر مجموعه Subset selection techniques

  • روش های انقباض: ریج و کمند Shrinkage methods: Ridge and Lasso

  • رگرسیون ریج و کمند در پایتون Ridge regression and Lasso in Python

  • دگرگونی Heteroscedasticity

مقدمه ای بر مدل های طبقه بندی Introduction to the classification Models

  • سه مدل طبقه بندی و مجموعه داده Three classification models and Data set

  • وارد کردن داده ها به پایتون Importing the data into Python

  • اظهارات مشکل The problem statements

  • چرا نمی توانیم از رگرسیون خطی استفاده کنیم؟ Why can't we use Linear Regression?

رگرسیون لجستیک Logistic Regression

  • رگرسیون لجستیک Logistic Regression

  • آموزش یک مدل لجستیک ساده در پایتون Training a Simple Logistic Model in Python

  • نتیجه رگرسیون لجستیک ساده Result of Simple Logistic Regression

  • لجستیک با پیش بینی های متعدد Logistic with multiple predictors

  • آموزش مدل لجستیک پیش بینی کننده چندگانه در پایتون Training multiple predictor Logistic model in Python

  • ماتریس سردرگمی Confusion Matrix

  • ایجاد ماتریس سردرگمی در پایتون Creating Confusion Matrix in Python

  • ارزیابی عملکرد مدل Evaluating performance of model

  • ارزیابی عملکرد مدل در پایتون Evaluating model performance in Python

تجزیه و تحلیل تشخیص خطی (LDA) Linear Discriminant Analysis (LDA)

  • تحلیل تشخیصی خطی Linear Discriminant Analysis

  • LDA در پایتون LDA in Python

K طبقه بندی کننده نزدیکترین همسایگان K Nearest neighbors classifier

  • تست-قطار تقسیم Test-Train Split

  • Test-Train Split در پایتون Test-Train Split in Python

  • طبقه بندی کننده K-Nearest Neighbors K-Nearest Neighbors classifier

  • K-نزدیکترین همسایه ها در پایتون: قسمت 1 K-Nearest Neighbors in Python: Part 1

  • K-نزدیکترین همسایگان در پایتون: قسمت 2 K-Nearest Neighbors in Python: Part 2

مقایسه نتایج از 3 مدل Comparing results from 3 models

  • درک نتایج مدل های طبقه بندی Understanding the results of classification models

  • خلاصه ای از سه مدل Summary of the three models

درختان تصمیم گیری ساده Simple Decision Trees

  • مقدمه ای بر درختان تصمیم Introduction to Decision trees

  • مبانی درختان تصمیم Basics of Decision Trees

  • درک درخت رگرسیون Understanding a Regression Tree

  • معیارهای توقف برای کنترل رشد درختان The stopping criteria for controlling tree growth

  • وارد کردن مجموعه داده به پایتون Importing the Data set into Python

  • درمان ارزش از دست رفته در پایتون Missing value treatment in Python

  • ایجاد متغیر ساختگی در پایتون Dummy Variable Creation in Python

  • تقسیم داده های وابسته- مستقل در پایتون Dependent- Independent Data split in Python

  • تقسیم Test-Train در پایتون Test-Train split in Python

  • ایجاد درخت تصمیم در پایتون Creating Decision tree in Python

  • ارزیابی عملکرد مدل در پایتون Evaluating model performance in Python

  • ترسیم درخت تصمیم در پایتون Plotting decision tree in Python

  • هرس درخت Pruning a tree

  • هرس درخت در پایتون Pruning a tree in Python

درختان طبقه بندی ساده Simple Classification Trees

  • درخت طبقه بندی Classification tree

  • مجموعه داده ها برای مشکل طبقه بندی The Data set for Classification problem

  • درخت طبقه بندی در پایتون: پیش پردازش Classification tree in Python : Preprocessing

  • درخت طبقه بندی در پایتون: آموزش Classification tree in Python : Training

  • مزایا و معایب درختان تصمیم Advantages and Disadvantages of Decision Trees

تکنیک گروه 1 - کیسه زدن Ensemble technique 1 - Bagging

  • تکنیک گروه 1 - کیسه زدن Ensemble technique 1 - Bagging

  • تکنیک گروه 1 - کیف در پایتون Ensemble technique 1 - Bagging in Python

تکنیک گروه 2 - جنگل های تصادفی Ensemble technique 2 - Random Forests

  • تکنیک گروه 2 - جنگل های تصادفی Ensemble technique 2 - Random Forests

  • تکنیک گروه 2 - جنگل های تصادفی در پایتون Ensemble technique 2 - Random Forests in Python

  • استفاده از Grid Search در پایتون Using Grid Search in Python

تکنیک گروه 3 - تقویت Ensemble technique 3 - Boosting

  • افزایش Boosting

  • تکنیک Ensemble 3a - تقویت در پایتون Ensemble technique 3a - Boosting in Python

  • تکنیک Ensemble 3b - AdaBoost در پایتون Ensemble technique 3b - AdaBoost in Python

  • تکنیک Ensemble 3c - XGBoost در پایتون Ensemble technique 3c - XGBoost in Python

مقدمه - یادگیری عمیق Introduction - Deep Learning

  • مقدمه ای بر شبکه های عصبی و جریان درس Introduction to Neural Networks and Course flow

  • پرسپترون Perceptron

  • توابع فعال سازی Activation Functions

  • ایجاد مدل پرسپترون در پایتون - قسمت 1 Creating Perceptron model in Python - Part 1

  • ایجاد مدل پرسپترون در پایتون - قسمت 2 Creating Perceptron model in Python - Part 2

شبکه های عصبی - انباشتن سلول ها برای ایجاد شبکه Neural Networks - Stacking cells to create network

  • اصطلاحات پایه Basic Terminologies

  • گرادیان نزول Gradient Descent

  • انتشار پشت قسمت - 1 Back Propagation Part - 1

  • انتشار پشت - قسمت 2 Back Propagation - Part 2

  • چند مفهوم مهم Some Important Concepts

  • فرا پارامتر Hyperparameter

ANN در پایتون ANN in Python

  • کراس و تنسورفلو Keras and Tensorflow

  • نصب تنسورفلو و کراس Installing Tensorflow and Keras

  • مجموعه داده برای طبقه بندی Dataset for classification

  • عادی سازی و تقسیم تست-قطار Normalization and Test-Train split

  • روش های مختلف برای ایجاد ANN با استفاده از Keras Different ways to create ANN using Keras

  • ساخت شبکه عصبی با استفاده از Keras Building the Neural Network using Keras

  • تدوین و آموزش مدل شبکه عصبی Compiling and Training the Neural Network model

  • ارزیابی عملکرد و پیش بینی با استفاده از Keras Evaluating performance and Predicting using Keras

  • ساخت شبکه عصبی برای مسئله رگرسیون - قسمت 1 Building Neural Network for Regression Problem - Part 1

  • ساخت شبکه عصبی برای مسئله رگرسیون - قسمت 2 Building Neural Network for Regression Problem - Part 2

  • ساخت شبکه عصبی برای مسئله رگرسیون - قسمت 3 Building Neural Network for Regression Problem - Part 3

  • استفاده از Functional API برای معماری های پیچیده Using Functional API for complex architectures

  • ذخیره - بازیابی مدل ها و استفاده از تماس های تلفنی - قسمت 1 Saving - Restoring Models and Using Callbacks - Part 1

  • ذخیره - بازیابی مدل ها و استفاده از تماس های تلفنی - قسمت 2 Saving - Restoring Models and Using Callbacks - Part 2

  • تنظیم فراپارامتر Hyperparameter Tuning

اصول CNN CNN Basics

  • CNN مقدمه CNN Introduction

  • گام های بلند برداشتن Stride

  • لایه گذاری Padding

  • فیلترها و نقشه ویژگی Filters and feature map

  • کانال ها Channels

  • لایه ادغام Pooling Layer

ایجاد مدل CNN در پایتون Creating CNN model in Python

  • مدل CNN در پایتون - پیش پردازش CNN model in Python - Preprocessing

  • مدل CNN در پایتون - ساختار و کامپایل CNN model in Python - structure and Compile

  • مدل CNN در پایتون - آموزش و نتایج CNN model in Python - Training and results

  • مقایسه - ادغام در مقابل بدون ادغام در پایتون Comparison - Pooling vs Without Pooling in Python

پروژه: ایجاد مدل CNN از ابتدا در پایتون Project: Creating CNN model from scratch in Python

  • پروژه - مقدمه Project - Introduction

  • داده های پروژه Data for the project

  • پروژه - پیش پردازش داده در پایتون Project - Data Preprocessing in Python

  • پروژه - آموزش مدل CNN در پایتون Project - Training CNN model in Python

  • پروژه در پایتون - نتایج مدل Project in Python - model results

پروژه: افزایش داده ها برای جلوگیری از برازش بیش از حد Project : Data Augmentation for avoiding overfitting

  • پروژه - پیش پردازش افزایش داده ها Project - Data Augmentation Preprocessing

  • پروژه - آموزش افزایش داده ها و نتایج Project - Data Augmentation Training and Results

آموزش انتقالی: مبانی Transfer Learning : Basics

  • ILSVRC ILSVRC

  • LeNET LeNET

  • VGG16NET VGG16NET

  • گوگل لنت GoogLeNet

  • یادگیری انتقالی Transfer Learning

  • پروژه - آموزش انتقال - VGG16 - قسمت - 1 Project - Transfer Learning - VGG16 - Part - 1

  • پروژه - آموزش انتقال - VGG16 - قسمت - 2 Project - Transfer Learning - VGG16 - Part - 2

  • پروژه - آموزش انتقال - VGG16 - قسمت - 3 Project - Transfer Learning - VGG16 - Part - 3

  • نقطه عطف نهایی! The final milestone!

تبریک و بابت گواهینامه شما Congratulations & about your certificate

  • سخنرانی پاداش Bonus Lecture

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش دانشمند داده شوید: SQL، Tableau، ML & DL [4-in-1]
جزییات دوره
36 hours
306
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,208
4.4 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Start-Tech Academy Start-Tech Academy

بیش از 1،700،000+ ثبت نام | 4+ رتبه بندی شده | 160+ CountriesStart-Tech Academy یک شرکت آموزش تجزیه و تحلیل مبتنی بر فناوری است و هدف آن گردآوری شرکتهای تحلیلی و فراگیران علاقه مند است. محتوای آموزشی با کیفیت بالا به همراه کارآموزی و فرصت های پروژه به دانشجویان در شروع سفر Analytics خود کمک می کند. بنیانگذار Abhishek Bansal و Pukhraj Parikh است. Pukhraj که به عنوان مدیر پروژه در یک شرکت مشاوره آنالیز کار می کند ، چندین سال تجربه کار بر روی ابزارها و نرم افزارهای تجزیه و تحلیل را دارد. او در مجموعه های اداری MS ، رایانش ابری ، SQL ، Tableau ، SAS ، Google analytics و Python مهارت دارد. Abhishek قبل از اینکه به فن آوری های یادگیری و آموزش مانند یادگیری ماشین و هوش مصنوعی بپردازد ، به عنوان یک مالک فرآیند اکتساب در یک شرکت مخابراتی پیشرو کار می کرد.