لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
تسلط بر علم داده: سفر به یادگیری ماشین
Data Science Mastery: Journey into Machine Learning
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری ماشین، علم داده و یادگیری عمیق با پایتون کسب مهارت در استفاده از کتابخانه های پایتون که معمولاً در علم داده و یادگیری ماشین استفاده می شوند، مانند NumPy، Pandas، و Matplotlib. با نحوه پاکسازی و پیش پردازش مجموعه داده ها، از جمله مدیریت داده های از دست رفته، نقاط پرت، و مقیاس بندی ویژگی ها آشنا شوید. کسب دانش در مورد تکنیک های تجزیه و تحلیل داده های اکتشافی برای استخراج بینش و الگوها از داده ها. بر مبانی تحلیل آماری تسلط داشته باشید و از روش های آماری برای تفسیر و نتیجه گیری از داده ها استفاده کنید. اصول یادگیری ماشین و الگوریتم های مختلف آن مانند رگرسیون، طبقه بندی و خوشه بندی را درک کنید. بیاموزید که چگونه مدل ها و تکنیک های یادگیری ماشینی مناسب را برای انواع مختلف مسائل و مجموعه داده ها انتخاب کنید. توسعه مهارتها در مهندسی ویژگی و انتخاب برای افزایش عملکرد مدلهای یادگیری ماشین. پیش نیازها: فقط اشتیاق به یادگیری!
دوره آموزشی Python for Data Science and Machine Learning برای تجهیز زبان آموزان به درک جامعی از برنامه نویسی پایتون، تکنیک های علم داده و الگوریتم های یادگیری ماشین طراحی شده است.
چه شما یک مبتدی هستید که به دنبال ورود به این رشته هستید یا یک حرفه ای با تجربه که به دنبال گسترش مجموعه مهارت های خود هستید، این دوره دانش و تجربه عملی لازم برای برتری در زمینه به سرعت در حال رشد علم داده را ارائه می دهد.
هدف دوره:
1. برنامه نویسی استاد پایتون: یک پایه قوی در برنامه نویسی پایتون، از جمله نحو، ساختارهای داده، جریان کنترل و توابع ایجاد کنید. در استفاده از کتابخانه های پایتون مانند NumPy، Pandas و Matplotlib برای دستکاری و تجسم موثر داده ها مهارت کسب کنید.
2. پاکسازی و پیش پردازش داده ها: یاد بگیرید که چگونه داده های از دست رفته، موارد دورافتاده و قالب های داده ناسازگار را مدیریت کنید. برای اطمینان از کیفیت و قابلیت اطمینان مجموعه دادهها، مهارتهایی در تکنیکهای پاکسازی و پیشپردازش دادهها کسب کنید.
3. تجزیه و تحلیل داده های اکتشافی: درک اصول و تکنیک های تجزیه و تحلیل داده های اکتشافی. نحوه استخراج بینش، کشف الگوها و تجسم داده ها با استفاده از روش های آماری و کتابخانه های پایتون را بیاموزید.
4. تجزیه و تحلیل آماری: درک کاملی از مفاهیم و تکنیک های آماری به دست آورید. از روش های آماری برای تجزیه و تحلیل داده ها، آزمون فرضیه ها و نتیجه گیری معنادار استفاده کنید.
5. مبانی یادگیری ماشین: مبانی یادگیری ماشین، از جمله یادگیری تحت نظارت و بدون نظارت، رگرسیون، طبقه بندی و خوشه بندی را بیاموزید. نقاط قوت و محدودیت های الگوریتم های مختلف یادگیری ماشین را درک کنید.
6. پیاده سازی یادگیری ماشین: تجربه عملی در پیاده سازی مدل های یادگیری ماشین با استفاده از کتابخانه های پایتون مانند scikit-learn به دست آورید. با نحوه آموزش، ارزیابی و بهینه سازی مدل های یادگیری ماشین آشنا شوید.
7. مهندسی ویژگی و انتخاب: مهارتهایی را در مهندسی ویژگی برای ایجاد ویژگیهای معنادار و آموزنده از دادههای خام توسعه دهید. تکنیکهای انتخاب ویژگی را برای بهبود عملکرد و تفسیرپذیری مدل بیاموزید.
8. ارزیابی و بهینهسازی مدل: یاد بگیرید که چگونه عملکرد مدلهای یادگیری ماشین را با استفاده از تکنیکهایی مانند ارزیابی متقاطع و معیارهای ارزیابی ارزیابی کنید. اهمیت تنظیم و منظم سازی فراپارامتر برای بهینه سازی مدل را درک کنید.
9. مفاهیم یادگیری عمیق: اصول یادگیری عمیق، از جمله شبکه های عصبی، توابع فعال سازی، و بهینه سازی نزول گرادیان را کاوش کنید. درک درستی از معماری های یادگیری عمیق و کاربردهای آنها به دست آورید.
10. یادگیری عمیق عملی: تجربه عملی در ساخت و آموزش شبکه های عصبی با استفاده از چارچوب های یادگیری عمیق محبوب مانند TensorFlow یا PyTorch کسب کنید. بیاموزید که چگونه از تکنیک های یادگیری عمیق برای حل مشکلات دنیای واقعی استفاده کنید.
سرفصل ها و درس ها
معرفی Numpy
Introduction to Numpy
مقدمه
Introduction
آرایه
Array
انواع داده ها
Data Types
dtype Option و ایجاد آرایه
dtype Option and Array Creation
عملگرهای حسابی
Arithmetic Operators
ماتریکس
The Matrix
افزایش و کاهش
Increment and Decrement
توابع ufunc و جمع
ufunc and Aggregate Functions
نمایه سازی
Indexing
برش دادن
Slicing
تکرار
Iteration
آرایه های بولی و شرایط
Boolean Arrays and Conditions
دستکاری شکل
Shape Manipulation
پیوستن به آرایه ها
Joining Arrays
hsplit() و vsplit()
hsplit() and vsplit()
کپی ها
Copies
برداری
Vectorization
پخش
Broadcasting
آرایه های ساخت یافته
Structured Arrays
آشنایی با پانداها
Introduction to Pandas
آشنایی با پانداها
Introduction to Pandas
سری
Series
سری - 2
Series - 2
سری - 3
Series - 3
DataFrame
DataFrame
DataFrame - 2
DataFrame - 2
DataFrame - 3
DataFrame - 3
DataFrame - 4
DataFrame - 4
اشیاء شاخص
Index Objects
فهرست بندی مجدد
Reindexing
نمایه سازی مجدد - 2
Reindexing - 2
محور و سقوط ارزش ها
Axis and the Dropping of Values
نمایه سازی
Indexing
نمایه سازی - 2
Indexing - 2
استفاده از loc و iloc برای انتخاب
Using loc and iloc for Selection
شاخص های عدد صحیح
Integer Indexes
تراز داده ها و حساب
Data Alignment & Arithmetic
تراز داده ها و محاسبات - 2
Data Alignment & Arithmetic - 2
پر کردن مقادیر با روش های حسابی
Fill Values with Arithmetic Methods
DataFrame و Series و عملیات
DataFrame and Series and the Operation
برنامه و نقشه برداری
Application and Mapping
برنامه و نقشه برداری - 2
Application and Mapping - 2
رتبه بندی و مرتب سازی
Ranking and Sorting
رتبه بندی و مرتب سازی - 2
Ranking and Sorting - 2
شاخص های محور
Axis Indexes
محاسبه آمار توصیفی
Computing Descriptive Statistics
محاسبه آمار توصیفی - 2
Computing Descriptive Statistics - 2
شمارش ارزش، عضویت، ارزش های منحصر به فرد
Value Counts, Membership, Unique Values
آماده سازی داده ها و پاکسازی داده ها
Data Preparation and Data Cleaning
اجازه می دهد تا داده های از دست رفته را مدیریت کنیم
Lets Handle Missing Data
فیلتر کردن داده های از دست رفته
Filtration of the Missing Data
پر کردن داده های از دست رفته
Filling of the Missing Data
حذف موارد تکراری
Duplicates Removal
تابع یا نقشه برداری و تبدیل
Function or Mapping and Transformation
تابع یا نقشه برداری
Function or Mapping
تابع یا نقشه برداری - 2
Function or Mapping - 2
جایگزینی ارزش ها
Values Replacing
تغییر نام شاخص های محور
Axis Indexes Renaming
گسسته سازی و بنینگ
Discretization and Binning
گسسته سازی و بنینگ - 2
Discretization and Binning - 2
گسسته سازی و بنینگ - 3
Discretization and Binning - 3
فیلتر کردن و تشخیص نقاط پرت
Filtering and Detecting the Outliers
نمونه گیری تصادفی و جایگشت
Random Sampling and Permutations
محاسبه شاخص
Indicator Computing
محاسبه شاخص - 2
Indicator Computing - 2
محاسبه شاخص - 3
Indicator Computing - 3
محاسبه شاخص - 4
Indicator Computing - 4
روش های شی رشته
String Object Methods
روش های رشته ای شی - 2
String Object Methods - 2
عبارات منظم
Regular Expressions
عبارات منظم - 2
Regular Expressions - 2
عبارات منظم - 3
Regular Expressions - 3
توابع رشته برداری شده
Vectorized String Functions
توابع رشته برداری شده - 2
Vectorized String Functions - 2
نمایه سازی سلسله مراتبی
Hierarchical Indexing
نمایه سازی سلسله مراتبی - 2
Hierarchical Indexing - 2
نمایه سازی سلسله مراتبی - 3
Hierarchical Indexing - 3
مرتب سازی مجدد و سطوح مرتب سازی
Reordering and the Sorting Levels
خلاصه کردن آمار و نمایه سازی با ستون های DataFrames
Summarizing Statistics and Indexing with DataFrames Columns
DataFrame با سبک پایگاه داده بپیوندید
DataFrame Join with Database Style
DataFrame با سبک پایگاه داده بپیوندید - 2
DataFrame Join with Database Style - 2
DataFrame با سبک پایگاه داده بپیوندید - 3
DataFrame Join with Database Style - 3
ادغام در شاخص
Merging on Index
ادغام در شاخص - 2
Merging on Index - 2
ادغام در شاخص - 3
Merging on Index - 3
ادغام در شاخص - 4
Merging on Index - 4
الحاق در امتداد یک محور
Concatenating Along an Axis
الحاق در امتداد یک محور - 2
Concatenating Along an Axis - 2
الحاق در امتداد یک محور - 3
Concatenating Along an Axis - 3
ترکیب داده ها با همپوشانی
Data Combining with the Overlap
نمایه سازی سلسله مراتبی و شکل دهی مجدد
Hierarchical Indexing and Reshaping
نمایه سازی سلسله مراتبی و شکل دهی مجدد - 2
Hierarchical Indexing and Reshaping - 2
pd.ذوب
pd.melt
مقدمه ای بر Matplotlib
Introduction to Matplotlib
مقدمه
Introduction
ارقام و طرح های فرعی
Figures and Subplots
شکل ها و طرح های فرعی - 2
Figures and Subplots - 2
شکل ها و طرح های فرعی - 3
Figures and Subplots - 3
نشانگرها، سبک های خط و رنگ ها
Markers, Line Styles and Colors
برچسبها، افسانهها و کنهها، عنوان، برچسبها، عنوانها
Labels, Legends and Ticks, Title, Ticklabels, Titles
برچسب ها، افسانه ها و تیک ها، اضافه کردن یک افسانه
Labels, Legends and Ticks, Adding a Legend
طراحی روی یک طرح فرعی
Drawing on a Subplot
طرح های خطی
Line Plots
قطعه های بار
Bar Plots
قطعه های نوار - 2
Bar Plots - 2
قطعه های نوار - 3
Bar Plots - 3
هیستوگرام ها
Histograms
پلات های پراکنده
Scatter Plots
داده های دسته بندی و شبکه های وجهی
Categorical Data and Facet Grids
مقدمه ای بر عملیات گروهی
Introduction to Group Operations
مقدمه
Introduction
مکانیک گروه بای
Mechanics of the GroupBy
مکانیک گروه بای - 2
Mechanics of the GroupBy - 2
تکرار بر روی گروه ها
Iterating over the Groups
انتخاب یک ستون
Selecting a Column
گروه بندی با Dicts
Grouping with Dicts
گروه بندی با توابع
Grouping with Functions
گروه بندی با توابع - 2
Grouping with Functions - 2
تجمیع داده ها
Data Aggregation
برنامه کاربردی چند منظوره و ستون عاقلانه
Multiple Function Application and Column Wise
برنامه کاربردی چند منظوره و ستون عاقلانه - 2
Multiple Function Application and Column Wise - 2
برگرداندن داده های جمع شده
Returning Aggregated Data
تقسیم-اعمال-ترکیب
Split-Apply-Combine
کلیدهای گروهی و تجزیه و تحلیل کوانتیل و سطل
Group Keys and Quantile and Bucket Analysis
نمونه ای از پر کردن مقادیر گمشده با توجه به مقادیر خاص گروه
Example of Filling Missing Values with respect to the Group-Specific Values
نمونه ای از نمونه گیری تصادفی و جایگشت
Example of Random Sampling and Permutation
نمونه ای از میانگین وزنی و همبستگی گروهی
Example of Group Weighted Average and Correlation
نمونه ای از میانگین وزنی و همبستگی گروهی - 2
Example of Group Weighted Average and Correlation - 2
مثالی از رگرسیون خطی گروهی
Example of the Group-Wise Linear Regression
جداول متقاطع و محوری
Cross-Tabulation and Pivot Tables
جداول متقاطع و محوری - 2
Cross-Tabulation and Pivot Tables - 2
CrossTab
CrossTab
سری زمانی در پایتون
Time Series in Python
زمان انواع داده ها و ابزارها و داده ها
Time Data Types and Tools and Data
تبدیل تاریخ و رشته بین آنها
Datetime and String Conversion Between Them
تبدیل تاریخ و رشته بین آنها - 2
Datetime and String Conversion Between Them - 2
مبانی سری زمانی
Basics of Time Series
زیرمجموعه، نمایه سازی، انتخاب
Subsetting, Indexing, Selection
شاخصها و سریهای زمانی تکراری
Duplicate Indices and Time Series
تولید محدوده تاریخ
Generation of the Date Ranges
تغییر تاریخ و فرکانس
Date Offsets and Frequencies
تاریخ های هفته از ماه
Week of Month Dates
تغییر داده ها
Shifting Data
تغییر تاریخ ها با افست ها
Shifting Dates with the Offsets
مدیریت منطقه زمانی
Time Zone Handling
محلی سازی و تبدیل زمان
Localization and Conversion of the Time
اشیاء مهر زمانی آگاه
Aware Timestamp Objects
مناطق زمانی مختلف و عملیات بین آنها
Different Time Zones and Operations Between Them
حساب دوره
Period Arithmetic
تبدیل فرکانس دوره
Conversion of Period Frequency
فرکانس های دوره ربع
Period Frequencies of Quarters
تبدیل مُهرهای زمانی به دوره و برگشت
Conversion of Timestamps to Period & Back
PeriodIndex از آرایه ها
PeriodIndex from Arrays
تبدیل فرکانس و نمونه گیری مجدد
Frequency Conversion and Resampling
کاهش نمونه
Downsampling
درون یابی و نمونه برداری
Interpolation and Upsampling
نمونه گیری مجدد با دوره ها
Resampling with the Periods
پنجره کشویی
Sliding Window
توابع وزنی نمایی
Exponentially Weighted Functions
توابع پنجره متحرک باینری
Functions of the Binary Moving Window
فقط چند پاندا پیشرفته
Just Some Advanced Pandas
داده های طبقه بندی شده
Categorical Data
نوع دسته بندی
Categorical Type
محاسبات با دسته بندی ها
Computations with Categoricals
عملکرد سریع با دسته بندی ها
Fast Performance with Categories
روش های طبقه بندی
Categorical Methods
متغیرهای ساختگی برای مدل سازی
Dummy Variables for Modeling
Group Transforms و GroupBy
Group Transforms and GroupBy
نمونه برداری مجدد از زمان گروه بندی شده
Resampling of Grouped Time
روش زنجیر زنی
Method Chaining
لوله
Pipe
مدل سازی کتابخانه ها در پایتون
Modeling Libraries in Python
نمایش نظرات