آموزش هوش مصنوعی و علم داده برای توسعه دهندگان SQL: از مبتدی تا پیشرفته

AI and Data Science for SQL Developers: From Beginner to Advanced

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ممکن است لازم باشد از SQL در هماهنگی با هوش مصنوعی و علم داده استفاده کنید، اما اگر قبلاً نمی دانید چگونه می توانید از کجا یاد بگیرید؟ در این دوره آموزشی عمیق، والتر شیلدز، مدرس فناوری و نویسنده پرفروش، با مفاهیم و پروژه‌های سطح مبتدی شروع می‌کند و شما را از طریق یک سری ویدیوهای جذاب و چالش‌های Codespace به سمت مفاهیم پیشرفته‌تر راهنمایی می‌کند. مقدمه ای کامل با علم داده و همچنین هوش مصنوعی، ML و DL داشته باشید، سپس به آمار و احتمال، رگرسیون خطی، و آماده سازی و کاوش داده ها بپردازید. علاوه بر ساخت و ارزیابی مدل، تجسم و پیش پردازش داده ها را کاوش کنید. در مورد تفسیر مدل بیاموزید، سپس آنچه را که در این دوره آموخته اید با یک پروژه capstone نشان دهید.

سرفصل ها و درس ها

معرفی Introduction

  • استفاده از فایل های تمرین دوره Using the course exercise files

  • آنچه شما باید بدانید What you should know

  • هوش مصنوعی و علم داده: مقدمه AI and data science: Introduction

1. مقدمه ای بر علم داده 1. Introduction to Data Science

  • چالش: داده ها Challenge: Data

  • برنامه های کاربردی دنیای واقعی Real-world applications

  • مهارت های لازم برای علم داده Necessary skills for data science

  • داده یا اطلاعات: تفاوت چیست؟ Data or information: What's the difference?

  • مقایسه نقش داده ها Comparing data roles

  • علم داده توضیح داد Data science explained

  • راه حل: داده ها Solution: Data

  • نفوذ فزاینده داده ها Data's increasing influence

2. AI، ML و DL 2. AI, ML, and DL

  • طبقه بندی مشکلات یادگیری ماشین Machine learning problem classifications

  • چالش: هوش مصنوعی Challenge: AI

  • رویکردهای یادگیری ماشین برای سناریوهای تجاری Machine learning approaches for business scenarios

  • چهره در حال تکامل هوش مصنوعی The evolving face of artificial intelligence

  • راه حل: هوش مصنوعی Solution: AI

3. مقدمه ای بر آمار و احتمال 3. Introduction to Stats and Probability

  • انواع آمار Types of statistics

  • راه حل: آمار Solution: Statistics

  • ذهنیت آماری Statistical mindset

  • آمار تعریف شده است Statistics defined

  • آمار استنباطی (احتمال) Inferential statistics (probability)

  • پایتون Python

  • چالش: آمار Challenge: Statistics

  • آمار توصیفی Descriptive statistics

4. پیش بینی قیمت خانه با رگرسیون خطی 4. Predicting House Prices with Linear Regression

  • راه اندازی محیط پایتون Python environment setup

  • رویکرد پروژه Project approach

  • راه اندازی محیط SQL SQL environment setup

  • هدف پروژه Project goal

  • مراحل پروژه Project steps

5. آماده سازی و کاوش داده ها 5. Data Preparation and Exploration

  • بررسی توزیع متغیرها Checking the distribution of the variables

  • بررسی اطلاعات داده ها Checking the data info

  • اعمال تبدیل گزارش و بررسی مجدد توزیع Applying log transformation and re-checking distribution

  • در حال بارگیری داده ها Loading the data

  • آمار خلاصه مجموعه داده Summary statistics of the dataset

  • چالش: آماده سازی Challenge: Preparation

  • وارد کردن کتابخانه های لازم و نمای کلی مجموعه داده ها Importing necessary libraries and dataset overview

  • راه حل: آماده سازی Solution: Preparation

6. تجسم و کاوش داده ها 6. Data Visualization and Exploration

  • تجزیه و تحلیل دو متغیره: نقشه حرارتی Bivariate analysis: Heat-map

  • تجسم روابط: جفت متغیرهای دیگر Visualizing relationships: Other pairs of variables

  • راه حل: تجسم Solution: Visualization

  • تجسم روابط: سن خانه و فاصله تا محل کار Visualizing relationships: Age of homes and distance to work

  • چالش: تجسم Challenge: Visualization

  • تجسم روابط: دسترسی به بزرگراه و مالیات بر دارایی Visualizing relationships: Highway access and property tax

  • بررسی همبستگی پس از حذف موارد پرت Checking correlation after removing outliers

7. پیش پردازش داده ها 7. Data Preprocessing

  • چالش: پیش پردازش Challenge: Preprocessing

  • بررسی چند خطی بودن با استفاده از VIF Checking for multicollinearity using VIF

  • راه حل: پیش پردازش Solution: Preprocessing

  • حذف چند خطی با حذف ویژگی مالیات Removing multicollinearity by dropping the tax feature

  • تقسیم مجموعه داده ها به مجموعه های قطار و آزمایش Splitting the dataset into train and test sets

8. ساخت و ارزیابی مدل 8. Model Building and Evaluation

  • فرض 2: بررسی همجنسگرایی Assumption 2: Checking homoscedasticity

  • فرض 4: بررسی نرمال بودن عبارات خطا Assumption 4: Checking normality of error terms

  • چالش: ساخت مدل Challenge: Model building

  • مقایسه عملکرد مدل در قطار و داده های آزمایشی Model performance comparison on train and test data

  • فرض 1: بررسی میانگین باقیمانده ها Assumption 1: Checking for mean residuals

  • ایجاد مدل رگرسیون خطی و خلاصه مدل: قسمت 3 Creating the linear regression model and model summary: Part 3

  • فرض 3: بررسی خطی بودن Assumption 3: Checking linearity

  • راه حل: مدل سازی Solution: Model building

  • حذف متغیرهای ناچیز و ایجاد مجدد مدل Dropping insignificant variables and re-creating the model

  • بررسی مفروضات برای رگرسیون خطی Checking assumptions for linear regression

  • نمودار Q-Q برای بررسی نرمال بودن عبارات خطا Q-Q plot for checking the normality of error terms

  • استفاده از اعتبارسنجی و ارزیابی متقابل Applying cross-validation and evaluation

  • ایجاد مدل رگرسیون خطی و خلاصه مدل: قسمت 1 Creating the linear regression model and model summary: Part 1

  • ایجاد مدل رگرسیون خطی و خلاصه مدل: قسمت 2 Creating the linear regression model and model summary: Part 2

9. تفسیر و گزارش مدل 9. Model Interpretation and Reporting

  • چالش: تفسیر Challenge: Interpretation

  • نوشتن معادله رگرسیون خطی و ضرایب Writing the linear regression equation and coefficients

  • نتیجه گیری و توصیه های تجاری Conclusions and business recommendations

  • استخراج و ایجاد یک DataFrame از ضرایب Extracting and creating a DataFrame of coefficients

  • راه حل: تفسیر Solution: Interpretation

10. پروژه نهایی Capstone 10. Final Capstone Project

  • جزئیات پروژه نهایی Final capstone project details

  • راه حل نهایی پروژه سنگ بنای نهایی Final capstone project solution walkthrough

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش هوش مصنوعی و علم داده برای توسعه دهندگان SQL: از مبتدی تا پیشرفته
جزییات دوره
4h 7m
71
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
459
- 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