لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
گردش کار هوش مصنوعی: تحلیل دادهها و آزمون فرضیه
- آخرین آپدیت
دانلود AI Workflow: Data Analysis and Hypothesis Testing
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دومین دوره از تخصص گواهینامه گردش کار سازمانی هوش مصنوعی IBM است. شدیداً توصیه میشود این دورهها را به ترتیب دنبال کنید، زیرا اینها دورههای مستقل نیستند، بلکه بخشی از یک جریان کاری هستند که هر دوره بر پایه مفاهیم دوره قبلی بنا شده است.
در این دوره، شما کار خود را برای یک شرکت فرضی رسانههای استریم با انجام تحلیل اکتشافی دادهها (EDA) آغاز خواهید کرد. بهترین روشها برای بصریسازی دادهها، مدیریت دادههای مفقود و آزمون فرضیه به عنوان بخشی از پروژه شما معرفی میشوند. شما تکنیکهای تخمین با توزیعهای احتمالی و گسترش این تخمینها برای اعمال آزمونهای معنیداری فرضیه صفر را خواهید آموخت. آموختههای خود را از طریق دو مطالعه موردی عملی پیادهسازی میکنید: بصریسازی دادهها و تستهای متعدد با استفاده از یک خط لوله (Pipeline) ساده.
در پایان این دوره، شما قادر خواهید بود:
۱. چندین روش بهینه در رابطه با EDA و بصریسازی دادهها را فهرست کنید
۲. یک داشبورد ساده در Watson Studio ایجاد کنید
۳. استراتژیهای مقابله با دادههای مفقود را شرح دهید
۴. تفاوت بین جایگذاری تکگانه (Imputation) و جایگذاری چندگانه را توضیح دهید
۵. از توزیعهای رایج برای پاسخ به سوالات مربوط به احتمالات رویدادها استفاده کنید
۶. نقش تحقیقی آزمون فرضیه در EDA را توضیح دهید
۷. چندین روش برای مدیریت تستهای متعدد را به کار ببرید
چه کسانی باید در این دوره شرکت کنند؟
این دوره برای متخصصان فعلی علوم داده است که در ساخت مدلهای یادگیری ماشین تخصص دارند و میخواهند مهارتهای خود را در ساخت و استقرار هوش مصنوعی در سازمانهای بزرگ ارتقا دهند. اگر یک متقاضی تازهکار علوم داده هستید، این دوره برای شما مناسب نیست، زیرا برای بهرهمندی از محتوای این دورهها به تجربه عملی در دنیای واقعی نیاز دارید.
چه مهارتهایی باید داشته باشید؟
فرض بر این است که شما دوره اول تخصص گردش کار سازمانی هوش مصنوعی IBM را گذراندهاید و پیش از شروع این دوره، درک استواری از موضوعات زیر دارید: درک بنیادی از جبر خطی؛ آشنایی با نمونهبرداری، تئوری احتمالات و توزیعهای احتمالی؛ دانش مفاهیم آمار توصیفی و استنباطی؛ درک کلی از تکنیکهای یادگیری ماشین و بهترین روشهای آن؛ تسلط عملی بر زبان پایتون و بستههای رایج علوم داده شامل NumPy، Pandas، matplotlib و scikit-learn؛ آشنایی با IBM Watson Studio و آشنایی با فرآیند تفکر طراحی (Design Thinking).
سرفصل ها و درس ها
تحلیل دادهها
Data Analysis
مرور کلی EDA
EDA Overview
مقدمهای بر بصریسازی دادهها
Introduction to Data Visualizations
بصریسازی دادهها
Data Visualizations
مقدمهای بر مقادیر مفقود
Introduction to Missing Values
مدیریت مقادیر مفقود
Missing Values
معرفی مطالعه موردی
Case Study Introduction
بررسی دادهها
Data Investigation
مقدمهای بر آزمون فرضیه
Introduction to hypothesis testing
نمایش نظرات