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

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 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