آموزش علم داده با پایتون: تحلیل و بصری‌سازی داده‌ها - آخرین آپدیت

دانلود Data Science with Python: Analyze & Visualize

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: با گذراندن این دوره، فراگیران قادر خواهند بود از برنامه‌نویسی پایتون برای تحلیل مجموعه‌داده‌ها، ایجاد بصری‌سازی‌های جذاب، ارزیابی معیارهای آماری و پیاده‌سازی تکنیک‌های یادگیری ماشین برای تولید بینش‌های کاربردی استفاده کنند. شما مهارت‌های عملی در اسکریپت‌نویسی پایتون، ایجاد کتابخانه‌های قابل استفاده مجدد، ساخت توابع و پیش‌پردازش داده‌ها برای تحلیل دقیق را توسعه خواهید داد. همچنین، زبان‌آموزان نمودارهای میله‌ای، نمودارهای پراکندگی، هیستوگرام‌ها و نمودارهای جعبه‌ای (Box Plots) را رسم کرده، احتمالات و فرضیات را ارزیابی می‌کنند و مدل‌های رگرسیون و بهینه‌سازی را با استفاده از روش گرادینت نزولی پیاده‌سازی خواهند کرد. این دوره برای هر کسی که به دنبال پیشرفت شغلی در زمینه‌های علم داده، تحلیل داده‌ها یا هوش تجاری (BI) است، تجربه‌ای عملی و پروژه‌محور فراهم می‌کند. برخلاف آموزش‌های عمومی، این برنامه مبانی پایتون را با روش‌های آماری دنیای واقعی، استنباط بیزی و جریان‌های کاری یادگیری ماشین کاربردی ادغام می‌کند. رویکرد ساختاریافته این دوره — از مفاهیم پایه پایتون تا تحلیل‌های پیشرفته — تضمین می‌کند که فراگیران بتوانند با اعتمادبه‌نفس داده‌ها را تفسیر کرده، مفروضات را اعتبارسنجی کنند و یافته‌های خود را با شفافیت ارائه دهند.

سرفصل ها و درس ها

مبانی پایتون برای علم داده Python Foundations for Data Science

  • مقدمه‌ای بر بصری‌سازی داده‌ها Introduction to Data Visualization

  • درک مفاهیم علم داده Understanding Data Science

  • چارچوب محیطی پایتون Python Environment Framework

  • بررسی اسکریپت‌های مختلف پایتون Various Python Scripts

  • مفاهیم پیشرفته پایتون Concept of Advanced Python

  • ساخت توابع در پایتون Creating Functions for Python

  • ایجاد یک کتابخانه جدید Creating a New Library

تکنیک‌های بصری‌سازی داده‌ها Data Visualization Techniques

  • رسم نمودارهای میله‌ای Creating Bar Charts

  • تحلیل نمودارهای خطی Analysis on Line Chart

  • درک نمودارهای پراکندگی Understanding Scattered Plots

  • فضاهای برداری در جبر خطی Vector Spaces in Linear Algebra

  • ماتریس‌ها در جبر خطی Matrices in Linear Algebra

  • تحلیل داده‌های آماری Analysing Statistical Data

آمار و احتمال در عمل Statistics and Probability in Action

  • درک شاخص‌های گرایش به مرکز Understanding Central Tendencies

  • پراکندگی داده‌ها Dispersion for Data

  • احتمال در ریاضیات گسسته Probability in Discreet Mathematics

  • منحنی توزیع نرمال Normal Distribution Curve

  • مثال‌هایی از منحنی توزیع نرمال Example for Normal Distribution Curve

  • قضیه حد مرکزی Central Limit Theorem

  • مفهوم فرضیه Concept of Hypothesis

  • مثالی از آزمون فرضیه Example on Hypothesis Testing

  • تعیین مقدار بعدی Defining the Next Value

  • اصول P-Hacking Principle of P Hacking

  • درک استنباط بیزی Understanding Bayesian Inference

یادگیری ماشین و تحلیل کاربردی داده‌ها Machine Learning and Applied Data Analysis

  • خط برازش بهینه Line of Best Fit

  • علم داده با گرادینت نزولی Datascience with Gradient Descent

  • مثالی از گرادینت نزولی Example on Gradient Descent

  • وارد کردن مقادیر Value Import

  • توابع خروجی برای گرادینت Output Functions for Gradient

  • کار با تحلیل داده‌ها Working with Data Analysis

  • ایجاد هیستوگرام نرمال Creating Normal Histogram

  • نمودارهای دو بعدی Two Dimensional Graph

  • نمودارهای پراکندگی چندگانه Multiple Scatter Plots

  • تحلیل مجموعه‌داده‌ها Analyzing Data Sets

  • آموزش نمودارهای جعبه‌ای Learnig Box Plots

  • مرور کلی و جمع‌بندی Overview and Conclusion

نمایش نظرات

آموزش علم داده با پایتون: تحلیل و بصری‌سازی داده‌ها
جزییات دوره
8h 59m
36
(آخرین آپدیت)
489
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده