لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات