آموزش علم داده در پایتون: یادگیری بدون نظارت

سرفصل ها و درس ها

شروع شدن Getting Started

• معرفی دوره Course Introduction

• درباره این سریال About This Series

• ساختار و رئوس مطالب دوره Course Structure & Outline

• مرا بخوانید: نکات مهم برای دانشجویان جدیدالورود READ ME: Important Notes for New Students

• دانلود: منابع دوره DOWNLOAD: Course Resources

• معرفی پروژه دوره Introducing the Course Project

• تعیین انتظارات Setting Expectations

• نصب و راه اندازی Jupyter Jupyter Installation & Launch

مقدمه ای بر علم داده Intro to Data Science

• بخش مقدمه Section Introduction

• علم داده چیست؟ What is Data Science?

• مجموعه مهارت های علم داده Data Science Skill Set

• یادگیری ماشینی چیست؟ What is Machine Learning?

• الگوریتم های رایج یادگیری ماشین Common Machine Learning Algorithms

• گردش کار علم داده Data Science Workflow

• مرحله 1: تعیین محدوده یک پروژه Step 1: Scoping a Project

• مرحله 2: جمع آوری داده ها Step 2: Gathering Data

• مرحله 3: پاک کردن داده ها Step 3: Cleaning Data

• مرحله 4: کاوش داده ها Step 4: Exploring Data

• مرحله 5: مدل سازی داده ها Step 5: Modeling Data

• مرحله 6: اشتراک گذاری بینش Step 6: Sharing Insights

• یادگیری بدون نظارت Unsupervised Learning

• خوراکی های کلیدی Key Takeaways

• مقدمه ای بر علم داده Intro to Data Science

یادگیری بدون نظارت 101 Unsupervised Learning 101

• بخش مقدمه Section Introduction

• یادگیری بدون نظارت 101 Unsupervised Learning 101

• تکنیک های یادگیری بدون نظارت Unsupervised Learning Techniques

• برنامه های آموزشی بدون نظارت Unsupervised Learning Applications

• ساختار این دوره Structure of This Course

• گردش کار یادگیری بدون نظارت Unsupervised Learning Workflow

• خوراکی های کلیدی Key Takeaways

• یادگیری بدون نظارت 101 Unsupervised Learning 101

Pre-Modeling Data Prep Pre-Modeling Data Prep

• بخش مقدمه Section Introduction

• آماده سازی داده برای یادگیری بدون نظارت Data Prep for Unsupervised Learning

• تنظیم دانه بندی صحیح ردیف Setting the Correct Row Granularity

• دمو: گروه بر اساس DEMO: Group By

• دمو: محور DEMO: Pivot

• ASSIGNMENT: تنظیم صحیح دانه بندی ردیف ASSIGNMENT: Setting the Correct Row Granularity

• راه حل: تنظیم دانه بندی ردیف صحیح SOLUTION: Setting the Correct Row Granularity

• آماده سازی ستون ها برای مدل سازی Preparing Columns for Modeling

• شناسایی داده های از دست رفته Identifying Missing Data

• رسیدگی به داده های از دست رفته Handling Missing Data

• تبدیل به عددی Converting to Numeric

• تبدیل به DateTime Converting to DateTime

• استخراج تاریخ Extracting DateTime

• محاسبه بر اساس یک شرط Calculating Based on a Condition

• متغیرهای ساختگی Dummy Variables

• تکلیف: آماده سازی ستون ها برای مدل سازی ASSIGNMENT: Preparing Columns for Modeling

• راه حل: آماده سازی ستون ها برای مدل سازی SOLUTION: Preparing Columns for Modeling

• مهندسی ویژگی Feature Engineering

• مهندسی ویژگی در طول آماده سازی داده ها Feature Engineering During Data Prep

• اعمال محاسبات Applying Calculations

• ارزش های باینینگ Binning Values

• شناسایی متغیرهای پروکسی Identifying Proxy Variables

• نکات مهندسی ویژگی Feature Engineering Tips

• تکلیف: مهندسی ویژگی ASSIGNMENT: Feature Engineering

• راه حل: مهندسی ویژگی SOLUTION: Feature Engineering

• حذف شناسه ها از مدل سازی Excluding Identifiers From Modeling

• انتخاب ویژگی Feature Selection

• تکلیف: انتخاب ویژگی ASSIGNMENT: Feature Selection

• راه حل: انتخاب ویژگی SOLUTION: Feature Selection

• مقیاس بندی ویژگی ها Feature Scaling

• عادی سازی Normalization

• استاندارد سازی Standardization

• تکلیف: مقیاس بندی ویژگی ASSIGNMENT: Feature Scaling

• راه حل: مقیاس بندی ویژگی SOLUTION: Feature Scaling

• خوراکی های کلیدی Key Takeaways

• Pre-Modeling Data Prep Pre-Modeling Data Prep

خوشه بندی Clustering

• بخش مقدمه Section Introduction

• مبانی خوشه بندی Clustering Basics

• K-Means Clustering K-Means Clustering

• K-Means Clustering در پایتون K-Means Clustering in Python

• DEMO: K-Means Clustering در پایتون DEMO: K-Means Clustering in Python

• تجسم K-Means Clustering Visualizing K-Means Clustering

• تفسیر K-Means Clustering Interpreting K-Means Clustering

• تجسم مراکز خوشه ای Visualizing Cluster Centers

• تکلیف: K-Means Clustering ASSIGNMENT: K-Means Clustering

• راه حل: K-Means Clustering SOLUTION: K-Means Clustering

• اینرسی Inertia

• ترسیم اینرسی در پایتون Plotting Inertia in Python

• DEMO: رسم اینرسی در پایتون DEMO: Plotting Inertia in Python

• تکلیف: طرح اینرسی ASSIGNMENT: Inertia Plot

• راه حل: طرح اینرسی SOLUTION: Inertia Plot

• تنظیم یک مدل K-Means Tuning a K-Means Model

• دمو: تنظیم یک مدل K-Means DEMO: Tuning a K-Means Model

• تکلیف: تنظیم یک مدل K-Means ASSIGNMENT: Tuning a K-Means Model

• راه حل: تنظیم یک مدل K-Means SOLUTION: Tuning a K-Means Model

• انتخاب بهترین مدل Selecting the Best Model

• DEMO: انتخاب بهترین مدل DEMO: Selecting the Best Model

• تکلیف: انتخاب بهترین مدل K-Means ASSIGNMENT: Selecting the Best K-Means Model

• راه حل: انتخاب بهترین مدل K-Means SOLUTION: Selecting the Best K-Means Model

• خوشه بندی سلسله مراتبی Hierarchical Clustering

• دندروگرام ها در پایتون Dendrograms in Python

• خوشه بندی تجمعی در پایتون Agglomerative Clustering in Python

• DEMO: خوشه بندی تجمعی در پایتون DEMO: Agglomerative Clustering in Python

• نقشه های خوشه ای در پایتون Cluster Maps in Python

• دمو: نقشه های خوشه ای در پایتون DEMO: Cluster Maps in Python

• تکلیف: خوشه بندی سلسله مراتبی ASSIGNMENT: Hierarchical Clustering

• راه حل: خوشه بندی سلسله مراتبی SOLUTION: Hierarchical Clustering

• DBSCAN DBSCAN

• DBSCAN در پایتون DBSCAN in Python

• امتیاز سیلوئت Silhouette Score

• امتیاز Silhouette در پایتون Silhouette Score in Python

• نسخه آزمایشی: DBSCAN و امتیاز Silhouette در پایتون DEMO: DBSCAN and Silhouette Score in Python

• تکلیف: DBSCAN ASSIGNMENT: DBSCAN

• راه حل: DBSCAN SOLUTION: DBSCAN

• مقایسه الگوریتم های خوشه بندی Comparing Clustering Algorithms

• خوشه بندی مراحل بعدی Clustering Next Steps

• DEMO: مدل های خوشه بندی را مقایسه کنید DEMO: Compare Clustering Models

• DEMO: برچسب داده های دیده نشده DEMO: Label Unseen Data

• خوراکی های کلیدی Key Takeaways

• خوشه بندی Clustering

پروژه: خوشه بندی مشتریان PROJECT: Clustering Clients

• بررسی اجمالی پروژه Project Overview

• راه حل: آماده سازی داده ها SOLUTION: Data Prep

• راه حل: K-Means Clustering SOLUTION: K-Means Clustering

• راه حل: خوشه بندی سلسله مراتبی SOLUTION: Hierarchical Clustering

• راه حل: DBSCAN SOLUTION: DBSCAN

• راه حل: مقایسه، توصیه و پیش بینی SOLUTION: Compare, Recommend and Predict

تشخیص ناهنجاری Anomaly Detection

• بخش مقدمه Section Introduction

• مبانی تشخیص ناهنجاری Anomaly Detection Basics

• رویکردهای تشخیص ناهنجاری Anomaly Detection Approaches

• گردش کار تشخیص ناهنجاری Anomaly Detection Workflow

• جنگل های ایزوله Isolation Forests

• جنگل های ایزوله در پایتون Isolation Forests in Python

• تجسم ناهنجاری ها Visualizing Anomalies

• تنظیم و تفسیر جنگل های ایزوله Tuning and Interpreting Isolation Forests

• تکلیف: جنگل های ایزوله ASSIGNMENT: Isolation Forests

• راه حل: جنگل های ایزوله SOLUTION: Isolation Forests

• DBSCAN برای تشخیص ناهنجاری DBSCAN for Anomaly Detection

• DBSCAN برای تشخیص ناهنجاری در پایتون DBSCAN for Anomaly Detection in Python

• تجسم ناهنجاری های DBSCAN Visualizing DBSCAN Anomalies

• تکلیف: DBSCAN برای تشخیص ناهنجاری ASSIGNMENT: DBSCAN for Anomaly Detection

• راه حل: DBSCAN برای تشخیص ناهنجاری SOLUTION: DBSCAN for Anomaly Detection

• مقایسه الگوریتم های تشخیص ناهنجاری Comparing Anomaly Detection Algorithms

• RECAP: خوشه بندی و تشخیص ناهنجاری RECAP: Clustering and Anomaly Detection

• خوراکی های کلیدی Key Takeaways

• تشخیص ناهنجاری Anomaly Detection

کاهش ابعاد Dimensionality Reduction

• بخش مقدمه Section Introduction

• مبانی کاهش ابعاد Dimensionality Reduction Basics

• چرا ابعاد را کاهش دهیم؟ Why Reduce Dimensions?

• گردش کار کاهش ابعاد Dimensionality Reduction Workflow

• تجزیه و تحلیل مؤلفه های اصلی Principal Component Analysis

• تجزیه و تحلیل اجزای اصلی در پایتون Principal Component Analysis in Python

• نسبت واریانس توضیح داده شده Explained Variance Ratio

• DEMO: PCA و نسبت واریانس توضیح داده شده در پایتون DEMO: PCA and Explained Variance Ratio in Python

• تکلیف: تجزیه و تحلیل مؤلفه اصلی ASSIGNMENT: Principal Component Analysis

• راه حل: تجزیه و تحلیل اجزای اصلی SOLUTION: Principal Component Analysis

• تفسیر PCA Interpreting PCA

• DEMO: تفسیر PCA DEMO: Interpreting PCA

• تکلیف: تفسیر PCA ASSIGNMENT: Interpreting PCA

• راه حل: تفسیر PCA SOLUTION: Interpreting PCA

• انتخاب ویژگی در مقابل استخراج ویژگی Feature Selection vs Feature Extraction

• مراحل بعدی PCA PCA Next Steps

• T-SNE T-SNE

• T-SNE در پایتون T-SNE in Python

• تکلیف: T-SNE ASSIGNMENT: T-SNE

• راه حل: T-SNE SOLUTION: T-SNE

• PCA در مقابل t-SNE PCA vs t-SNE

• DEMO: کاهش ابعاد و خوشه بندی DEMO: Dimensionality Reduction and Clustering

• تکلیف: T-SNE و K-Means Clustering ASSIGNMENT: T-SNE & K-Means Clustering

• راه حل: T-SNE & K-Means Clustering SOLUTION: T-SNE & K-Means Clustering

• خوراکی های کلیدی Key Takeaways

• کاهش ابعاد Dimensionality Reduction

توصیه کنندگان Recommenders

• بخش مقدمه Section Introduction

• مبانی توصیه کنندگان Recommenders Basics

• فیلترینگ مبتنی بر محتوا Content-Based Filtering

• شباهت کسینوس Cosine Similarity

• شباهت کسینوس در پایتون Cosine Similarity in Python

• ایجاد یک توصیه فیلترینگ مبتنی بر محتوا Making a Content Based Filtering Recommendation

• تکلیف: فیلتر مبتنی بر محتوا ASSIGNMENT: Content-Based Filtering

• راه حل: فیلتر مبتنی بر محتوا SOLUTION: Content-Based Filtering

• فیلتر مشارکتی Collaborative Filtering

• ماتریس آیتم کاربر User-Item Matrix

• تکلیف: ماتریس کاربر- آیتم ASSIGNMENT: User-Item Matrix

• راه حل: ماتریس کاربر مورد SOLUTION: User-Item Matrix

• تجزیه مقدار منفرد Singular Value Decomposition

• تجزیه ارزش منفرد در پایتون Singular Value Decomposition in Python

• تکلیف: تجزیه ارزش مفرد ASSIGNMENT: Singular Value Decomposition

• راه حل: تجزیه ارزش مفرد SOLUTION: Singular Value Decomposition

• انتخاب تعداد اجزاء Choosing the Number of Components

• DEMO: انتخاب تعداد اجزا DEMO: Choosing the Number of Components

• تکلیف: انتخاب تعداد اجزا ASSIGNMENT: Choosing the Number of Components

• راه حل: انتخاب تعداد اجزاء SOLUTION: Choosing the Number of Components

• ایجاد یک توصیه فیلتر مشارکتی Making a Collaborative Filtering Recommendation

• DEMO: ایجاد یک توصیه فیلتر مشارکتی DEMO: Making a Collaborative Filtering Recommendation

• تکلیف: فیلتر مشارکتی ASSIGNMENT: Collaborative Filtering

• راه حل: فیلتر مشارکتی SOLUTION: Collaborative Filtering

• توصیه مراحل بعدی Recommender Next Steps

• DEMO: رویکرد ترکیبی DEMO: Hybrid Approach

• خوراکی های کلیدی Key Takeaways

• توصیه کنندگان Recommenders

پروژه: توصیه رستوران ها PROJECT: Recommending Restaurants

• بررسی اجمالی پروژه Project Overview

• راه حل: آماده سازی داده ها SOLUTION: Data Prep

• راه حل: TruncatedSVD SOLUTION: TruncatedSVD

• راه حل: شباهت کسینوس SOLUTION: Cosine Similarity

• راه حل: توصیه ها SOLUTION: Recommendations

بررسی آموزش بدون نظارت Unsupervised Learning Review

• بخش مقدمه Section Introduction

• نمودار جریان یادگیری بدون نظارت Unsupervised Learning Flow Chart

• تکنیک ها و کاربردهای یادگیری بدون نظارت Unsupervised Learning Techniques & Applications

• یادگیری بدون نظارت در گردش کار علم داده Unsupervised Learning in the Data Science Workflow

• خوراکی های کلیدی Key Takeaways

پروژه نهایی Final Project

• بررسی اجمالی نهایی پروژه Final Project Overview

• راه حل: آماده سازی داده و EDA SOLUTION: Data Prep & EDA

• راه حل: خوشه بندی SOLUTION: Clustering

• راه حل: PCA SOLUTION: PCA

• راه حل: خوشه بندی (دور 2) SOLUTION: Clustering (Round 2)

• راه حل: PCA (دور 2) SOLUTION: PCA (Round 2)

• راه حل: EDA در خوشه ها SOLUTION: EDA on Clusters

• راه حل: توصیه ها SOLUTION: Recommendations

مراحل بعدی Next Steps

• درس جایزه BONUS LESSON