آموزش کامل علوم داده با پایتون برای تجزیه و تحلیل داده ها

سرفصل ها و درس ها

مقدمه ای بر علم داده در بوت کمپ پایتون Introduction to the Data Science in Python Bootcamp

• علم داده چیست؟ What is Data Science?

• معرفی دوره و مدرس Introduction to the Course & Instructor

• داده های دوره Data For the Course

• مقدمه ای بر ابزار علوم داده پایتون Introduction to the Python Data Science Tool

• برای کاربران مک For Mac Users

• مقدمه ای بر محیط علم داده پایتون Introduction to the Python Data Science Environment

• برخی از حقایق مختلف استفاده از IPython Some Miscellaneous IPython Usage Facts

• مترجم آنلاین آی پایتون Online iPython Interpreter

• نتیجه گیری در بخش 1 Conclusion to Section 1

مقدمه ای بر پیش نیازهای پایتون برای علم داده Introduction to Python Pre-Requisites for Data Science

• منطق پشت این بخش Rationale Behind This Section

• انواع مختلف داده های مورد استفاده در تجزیه و تحلیل آماری و ML Different Types of Data Used in Statistical & ML Analysis

• انواع مختلف داده هایی که به صورت برنامه ای استفاده می شوند Different Types of Data Used Programatically

• بسته های علوم داده پایتون مورد استفاده قرار می گیرند Python Data Science Packages To Be Used

• نتیجه گیری در بخش 2 Conclusions to Section 2

معرفی Numpy Introduction to Numpy

• Numpy: مقدمه Numpy: Introduction

• آرایه های Numpy ایجاد کنید Create Numpy Arrays

• عملیات Numpy Numpy Operations

• حساب ماتریسی و سیستم های خطی Matrix Arithmetic and Linear Systems

• Numpy برای محاسبات برداری پایه Numpy for Basic Vector Arithmetric

• Numpy برای محاسبات ماتریس پایه Numpy for Basic Matrix Arithmetic

• پخش با Numpy Broadcasting with Numpy

• حل معادلات با Numpy Solve Equations with Numpy

• Numpy برای عملیات آماری Numpy for Statistical Operation

• نتیجه گیری در بخش 3 Conclusion to Section 3

• آزمون بخش 3 Section 3 Quiz

آشنایی با پانداها Introduction to Pandas

• ساختارهای داده در پایتون Data Structures in Python

• در داده بخوانید Read in Data

• در داده‌های CSV با استفاده از پاندا بخوانید Read in CSV Data Using Pandas

• در داده های اکسل با استفاده از پاندا بخوانید Read in Excel Data Using Pandas

• خواندن در داده های JSON Reading in JSON Data

• در داده های HTML بخوانید Read in HTML Data

• نتیجه گیری در بخش 4 Conclusion to Section 4

پیش پردازش داده ها/مشاجره Data Pre-Processing/Wrangling

• دلیل پشت این بخش Rationale behind this section

• حذف NA/بدون ارزش از داده های ما Removing NAs/No Values From Our Data

• مدیریت داده های پایه: شروع با انتخاب داده های مشروط Basic Data Handling: Starting with Conditional Data Selection

• رها کردن ستون/ردیف Drop Column/Row

• داده های زیرمجموعه و شاخص Subset and Index Data

• گروه بندی داده های پایه بر اساس ویژگی های کیفی Basic Data Grouping Based on Qualitative Attributes

• جدول بندی متقاطع Crosstabulation

• تغییر شکل دادن Reshaping

• چرخش Pivoting

• رتبه بندی و مرتب سازی داده ها Rank and Sort Data

• الحاق Concatenate

• ادغام و پیوستن به چارچوب های داده Merging and Joining Data Frames

• نتیجه گیری در بخش 5 Conclusion to Section 5

مقدمه ای بر تجسم داده ها Introduction to Data Visualizations

• تجسم داده چیست؟ What is Data Visualization?

• برخی از اصول نظری پشت تجسم داده ها Some Theoretical Principles Behind Data Visualization

• هیستوگرام-تصویرسازی توزیع متغیرهای عددی پیوسته Histograms-Visualize the Distribution of Continuous Numerical Variables

• Boxplots - توزیع متغیرهای عددی پیوسته را تجسم کنید Boxplots-Visualize the Distribution of Continuous Numerical Variables

• طرح پراکندگی - تجسم رابطه بین 2 متغیر پیوسته Scatter Plot-Visualize the Relationship Between 2 Continuous Variables

• بارپلات Barplot

• نمودار دایره ای Pie Chart

• نمودار خطی Line Chart

• نتیجه گیری در بخش 6 Conclusions to Section 6

تجزیه و تحلیل داده های آماری - پایه Statistical Data Analysis-Basic

• تجزیه و تحلیل داده های آماری چیست؟ What is Statistical Data Analysis?

• برخی از نکات در جمع آوری داده ها برای مطالعات آماری Some Pointers on Collecting Data for Statistical Studies

• برخی از نکات در مورد کاوش داده های کمی Some Pointers on Exploring Quantitative Data

• کاوش در داده های کمی: آمار توصیفی Explore the Quantitative Data: Descriptive Statistics

• گروه بندی و خلاصه کردن داده ها بر اساس دسته ها Grouping & Summarizing Data by Categories

• تجسم آمار توصیفی-Boxplots Visualize Descriptive Statistics-Boxplots

• اصطلاحات رایج مربوط به آمار توصیفی Common Terms Relating to Descriptive Statistics

• توزیع داده - توزیع عادی Data Distribution- Normal Distribution

• توزیع عادی را بررسی کنید Check for Normal Distribution

• توزیع نرمال استاندارد و نمرات Z Standard Normal Distribution and Z-scores

• فاصله اطمینان - نظریه Confidence Interval-Theory

• فاصله اطمینان - محاسبه Confidence Interval-Calculation

• نتیجه گیری در بخش 7 Conclusions to Section 7

استنتاج آماری و رابطه بین متغیرها Statistical Inference & Relationship Between Variables

• آزمون فرضیه چیست؟ What is Hypothesis Testing?

• تفاوت بین دو گروه را تست کنید Test the Difference Between Two Groups

• تفاوت بین بیش از دو گروه را آزمایش کنید Test the Difference Between More Than Two Groups

• رابطه بین دو متغیر کمی را بررسی کنید Explore the Relationship Between Two Quantitative Variables

• تجزیه و تحلیل همبستگی Correlation Analysis

• رگرسیون خطی-نظریه Linear Regression-Theory

• رگرسیون خطی - پیاده سازی در پایتون Linear Regression-Implementation in Python

• شرایط رگرسیون خطی Conditions of Linear Regression

• شرایط رگرسیون خطی-بررسی در پایتون Conditions of Linear Regression-Check in Python

• رگرسیون چند جمله ای Polynomial Regression

• GLM: مدل خطی تعمیم یافته GLM: Generalized Linear Model

• رگرسیون لجستیک Logistic Regression

• نتیجه گیری در بخش 8 Conclusions to Section 8

• آزمون بخش 8 Section 8 Quiz

یادگیری ماشین برای علم داده Machine Learning for Data Science

• تفاوت یادگیری ماشینی با تجزیه و تحلیل داده های آماری چیست؟ How is Machine Learning Different from Statistical Data Analysis?

• یادگیری ماشینی (ML) درباره چیست؟ برخی از نکات نظری What is Machine Learning (ML) About? Some Theoretical Pointers

یادگیری بدون نظارت در پایتون Unsupervised Learning in Python

• طبقه بندی بدون نظارت - برخی از ایده های اساسی Unsupervised Classification- Some Basic Ideas

• KMeans-نظریه KMeans-theory

• KMeans - پیاده سازی بر روی داده های عنبیه KMeans-implementation on the iris data

• کمی کردن عملکرد خوشه‌بندی KMeans Quantifying KMeans Clustering Performance

• KMeans خوشه بندی با داده های واقعی KMeans Clustering with Real Data

• چگونه تعداد خوشه ها را انتخاب کنیم؟ How Do We Select the Number of Clusters?

• تئوری خوشه بندی سلسله مراتبی Hierarchical Clustering-theory

• خوشه بندی سلسله مراتبی-عملی Hierarchical Clustering-practical

• تجزیه و تحلیل مؤلفه اصلی (PCA) - نظریه Principal Component Analysis (PCA)-Theory

• تجزیه و تحلیل اجزای اصلی (PCA) - پیاده سازی عملی Principal Component Analysis (PCA)-Practical Implementation

• نتیجه گیری در بخش 10 Conclusions to Section 10

یادگیری تحت نظارت Supervised Learning

• این بخش درباره چیست؟ What is This Section About?

• آماده سازی داده ها برای یادگیری تحت نظارت Data Preparation for Supervised Learning

• نکاتی در مورد ارزیابی دقت طبقه بندی و مدل سازی رگرسیون Pointers on Evaluating the Accuracy of Classification and Regression Modelling

• استفاده از رگرسیون لجستیک به عنوان مدل طبقه بندی Using Logistic Regression as a Classification Model

• طبقه بندی RF RF-Classification

• RF-رگرسیون RF-Regression

• SVM- طبقه بندی خطی SVM- Linear Classification

• SVM- طبقه بندی غیر خطی SVM- Non Linear Classification

• رگرسیون برداری پشتیبانی Support Vector Regression

• knn-طبقه بندی knn-Classification

• knn-رگرسیون knn-Regression

• تقویت گرادیان - طبقه بندی Gradient Boosting-classification

• تقویت گرادیان-رگرسیون Gradient Boosting-regression

• طبقه بندی رأی Voting Classifier

• نتیجه گیری در بخش 11 Conclusions to Section 11

• آزمون بخش 11 Section 11 Quiz

شبکه های عصبی مصنوعی (ANN) و یادگیری عمیق (DL) Artificial Neural Networks (ANN) and Deep Learning (DL)

• نظریه پشت ANN و DNN Theory Behind ANN and DNN

• پرسپترون ها برای طبقه بندی باینری Perceptrons for Binary Classification

• شروع کار با طبقه بندی ANN-دودویی Getting Started with ANN-binary classification

• طبقه بندی چند برچسبی با MLP Multi-label classification with MLP

• رگرسیون با MLP Regression with MLP

• MLP با PCA در یک مجموعه داده بزرگ MLP with PCA on a Large Dataset

• شروع با شبکه عصبی عمیق (DNN) Start With Deep Neural Network (DNN)

• با H20 شروع کنید Start with H20

• الگوریتم پیش فرض یادگیری عمیق H2O Default H2O Deep Learning Algorithm

• تابع فعال سازی را مشخص کنید Specify the Activation Function

• یادگیری عمیق H2O برای پیش بینی H2O Deep Learning For Predictions

• نتیجه گیری در بخش 12 Conclusions to Section 12

• آزمون بخش 12 Section 12 Quiz

سخنرانی ها و اطلاعات متفرقه Miscellaneous Lectures & Information

• داده های این بخش Data For This Section

• اطلاعات را از CSV آنلاین بخوانید Read in Data from Online CSV

• خواندن داده ها از یک پایگاه داده Read Data from a Database

• انتساب داده ها Data Imputation

• دسترسی به Github Accessing Github