آموزش اکسل برای علم داده و یادگیری ماشین

Excel for Data Science and Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری ماشینی و تجزیه و تحلیل آماری پیشرفته را به تنهایی انجام دهید - حتی اگر کدنویسی نکنید! 100% در اکسل از این دوره برای بهبود مهارت های اکسل خود استفاده کنید یاد بگیرید چگونه تکنیک های یادگیری ماشینی را به تنهایی انجام دهید - بدون نیاز به مهارت های کدنویسی مفاهیم اساسی آماری درک شهود در پشت آمارهای پیشرفته نحوه استفاده از اکسل برای تجزیه و تحلیل آماری پیشرفته. رگرسیون خطی چندگانه رگرسیون لجستیک تجزیه و تحلیل خوشه ای K-Means خوشه بندی درختان تصمیم گیری پیش نیازها:آشنایی با آمار پایه دانش مبتدی اکسل

چرا یادگیری ماشین و علم داده در اکسل؟

آیا دانشمندان داده و تحلیلگران داده اصلاً از Excel استفاده می کنند؟

پاسخ قاطعانه "بله، آنها هستند!"

است

تعداد کمی از افراد در یک سازمان می توانند یک نوت بوک Jupyter را بخوانند، اما به معنای واقعی کلمه همه با Excel آشنا هستند. این بینش مستقیم و بصری را ارائه می دهد که هم متخصصان و هم مبتدیان برای استفاده از رایج ترین روش های یادگیری ماشینی به آن نیاز دارند. به علاوه، به طور طبیعی برای آماده سازی داده ها مناسب است.

در واقع، سادگی اکسل موانع ورود را کاهش می دهد و به شما امکان می دهد فوراً تجزیه و تحلیل داده های خود را انجام دهید. حتی اگر شما فارغ التحصیل علوم کامپیوتر با مهارت های کدنویسی پایتون نیستید، این دوره به شما یاد می دهد که چگونه یادگیری ماشین و تجزیه و تحلیل آماری پیشرفته را به تنهایی انجام دهید.

اکسل محیطی عالی برای درک منطق تکنیک های مختلف یادگیری ماشینی به روشی آسان است. تنها کاری که باید انجام دهید این است که شروع کنید و در کمترین زمان می‌توانید شهود پشت الگوریتم‌های ML را بدون نیاز به کدنویسی کاملاً درک کنید.

بنابراین، اگر اهل برنامه‌نویسی نیستید، اما می‌خواهید به علوم داده، تجزیه و تحلیل آماری، و یادگیری ماشین نفوذ کنید، و آرزو دارید که یک تحلیلگر داده یا دانشمند داده شوید، به جای درستی آمده‌اید.

روش های یادگیری ماشینی که در این دوره به آنها خواهیم پرداخت:

  • رگرسیون خطی

  • رگرسیون خطی چندگانه

  • رگرسیون لجستیک

  • تحلیل خوشه ای

  • K-Means Clustering

  • درخت تصمیم

شما مفاهیم اساسی آماری و یادگیری ماشینی را یاد خواهید گرفت، مانند:

  • ضرایب رگرسیون

  • تغییرپذیری

  • فرض های OLS

  • منحنی ROC

  • تناسب

  • تناسب بیش از حد

  • تفاوت بین طبقه بندی و خوشه بندی

  • نحوه انتخاب تعداد خوشه ها

  • نحوه خوشه بندی داده های دسته بندی

  • زمان استانداردسازی داده ها

  • مزایا و معایب خوشه بندی

  • آنتروپی (عملکرد از دست دادن)

  • به دست آوردن اطلاعات

همانطور که می بینید، هدف ما آموزش مبانی یادگیری ماشین و تجزیه و تحلیل آماری پیشرفته در نرم افزاری است که درک آن واقعا آسان است. و بهترین بخش این است که پس از اتمام این دوره، اگر تصمیم دارید در چارچوب های پیشرفته موجود در پایتون غوطه ور شوید، دانش نظری قابل انتقالی را خواهید داشت.

بنابراین، اگر به یادگیری ماشین علاقه دارید اما نمی دانید چگونه کدنویسی کنید، این دوره فرصت مناسبی برای شماست. روی «اکنون خرید» کلیک کنید، هیجان زده شوید و سفر ML خود را از امروز شروع کنید!!



سرفصل ها و درس ها

معرفی Introduction

  • دوره شامل چه مواردی است؟ What Does the Course Cover?

  • یادگیری ماشینی چیست؟ What Is Machine Learning?

  • انواع یادگیری ماشینی Types of Machine Learning

رگرسیون خطی ساده Simple Linear Regression

  • رگرسیون خطی: مقدمه Linear Regression: Introduction

  • رگرسیون خطی: مقدمه Linear Regression: Introduction

  • رگرسیون خطی Linear Regression

  • رگرسیون خطی Linear Regression

  • مدل رگرسیون خطی (نمایش گرافیکی) Linear Regression Model (Graphical Representation)

  • مدل رگرسیون خطی (نمایش گرافیکی) Linear Regression Model (Graphical Representation)

  • قالب بندی صفحات گسترده اکسل Formatting Excel Spreadsheets

  • اولین رگرسیون در اکسل First Regression in Excel

  • OLS چیست؟ What Is OLS?

  • OLS چیست؟ What Is OLS?

  • تفسیر جداول رگرسیون (قسمت 1) Interpreting Regression Tables (Part 1)

  • تفسیر جداول رگرسیون (قسمت 1) Interpreting Regression Tables (Part 1)

  • تجزیه متغیر Decomposition of Variability

  • تجزیه متغیر Decomposition of Variability

  • تفسیر جداول رگرسیون (قسمت 2) Interpreting Regression Tables (Part 2)

  • تفسیر جداول رگرسیون (قسمت 3) Interpreting Regression Tables (Part 3)

  • تفسیر جداول رگرسیون (قسمت 3) Interpreting Regression Tables (Part 3)

  • رگرسیون خطی ساده - تمرین Simple Linear Regression - Exercise

رگرسیون خطی چندگانه Multiple Linear Regression

  • تحلیل رگرسیون چندگانه Multiple Regression Analysis

  • تحلیل رگرسیون چندگانه Multiple Regression Analysis

  • رگرسیون خطی چندگانه (مثال) Multiple Linear Regression (Example)

  • رگرسیون خطی چندگانه (نتایج) Mutiple Linear Regression (Results)

  • مفروضات OLS OLS Assumptions

  • مفروضات OLS OLS Assumptions

  • مفروضات OLS: خطی بودن OLS Assumptions: Linearity

  • مفروضات OLS: خطی بودن OLS Assumptions: Linearity

  • مفروضات OLS: بدون درون زایی OLS Assumptions: No Endogeneity

  • مفروضات OLS: بدون درون زایی OLS Assumptions: No Endogeneity

  • مفروضات OLS: نرمال بودن و همسانی OLS Assumptions: Normality and Homoscedasticity

  • مفروضات OLS: نرمال بودن و همسانی OLS Assumptions: Normality and Homoscedasticity

  • مفروضات OSL: بدون خود همبستگی OSL Assumptions: No Autocorrelation

  • مفروضات OSL: بدون خود همبستگی OSL Assumptions: No Autocorrelation

  • مفروضات OLS: بدون چند خطی OLS Assumptions: No Multicollinearity

  • مفروضات OLS: بدون چند خطی OLS Assumptions: No Multicollinearity

  • متغیرهای ساختگی Dummy Variables

  • متغیرهای ساختگی - تمرین Dummy Variables - Exercise

  • پیش بینی با استفاده از رگرسیون خطی Making Predictions Using Linear Regression

  • پیش بینی با استفاده از رگرسیون خطی - تمرین Making Predictions Using Linear Regression -Exercise

  • رگرسیون خطی چندگانه Multiple Linear Regression

مثال عملی رگرسیون خطی Linear Regression Practical Example

  • مثال عملی (قسمت 1) Practical Example (Part 1)

  • مثال عملی (قسمت 2) Practical Example (Part 2)

  • مثال عملی (قسمت 3) Practical Example (Part 3)

  • نکته ای در مورد چند خطی A Note on Multicollinearity

  • مقیاس بندی ویژگی ها Feature Scaling

  • مثال عملی (قسمت 4) Practical Example (Part 4)

رگرسیون لجستیک Logistic Regression

  • مقدمه ای بر رگرسیون لجستیک Introduction to Logistic Regression

  • از رگرسیون خطی تا لجستیک From Linear to Logistic Regression

  • از رگرسیون خطی تا لجستیک From Linear to Logistic Regression

  • عملکرد لجستیک در مقابل لاجیت Logistic vs. Logit Function

  • استفاده از رگرسیون لجستیک در اکسل Applying Logistic Regression in Excel

  • تفسیر ضرایب رگرسیون Interpreting Regression Coefficients

  • رگرسیون لجستیک با XReal Logistic Regression with XReal

  • درک خلاصه رگرسیون لجستیک (قسمت 1) Understanding the Logistic Regression Summary (part 1)

  • درک خلاصه رگرسیون لجستیک (قسمت 2) Understanding the Logistic Regression Summary (Part 2)

  • منحنی ROC ROC Curve

  • منحنی ROC ROC Curve

  • پیش بینی های باینری برای رگرسیون های لجستیک Binary Predictors for Logistic Regressions

  • کم تناسب و بیش از حد Underfitting and Overfitting

  • کم تناسب و بیش از حد Underfitting and Overfitting

  • تست مدل لجستیک Testing the Logistic Model

آنالیز خوشه ای Cluster Analysis

  • تجزیه و تحلیل خوشه ای (تعریف) Cluster Analysis (Definition)

  • تجزیه و تحلیل خوشه ای (کاربردی) Cluster Analysis (Application)

  • خوشه بندی در مقابل طبقه بندی Clustering vs Classification

  • تجزیه و تحلیل خوشه ای (پیش نیازهای ریاضی) Cluster Analysis (Math Prerequisites)

K-به معنای خوشه بندی است K-means Clustering

  • K-به معنای خوشه بندی است K-means Clustering

  • K-به معنای خوشه بندی در اکسل است K-means Clustering in Excel

  • K-به معنای خوشه بندی با Xreal است K-means Clustering with Xreal

  • انتخاب تعداد خوشه ها Choosing the Number of Clusters

  • خوشه بندی داده های طبقه بندی شده Clustering Categorical Data

  • استاندارد سازی Standardization

  • خوشه بندی و رگرسیون Clustering and Regression

  • خوشه بندی (مزایا و معایب) Clustering (Pros and Cons)

  • انواع خوشه بندی Types of Clustering

  • تقسیم بندی بازار (قسمت 1) Market Segmentation (Part 1)

  • تقسیم بندی بازار (قسمت 2) Market Segmentation (Part 2)

درختان تصمیم Decision Trees

  • درختان تصمیم Decision Trees

  • آنتروپی (تابع از دست دادن) Entropy (Loss function)

  • به دست آوردن اطلاعات Information Gain

  • درختان تصمیم در اکسل (قسمت 1) Decision Trees in Excel (Part 1)

  • درختان تصمیم در اکسل (قسمت 2) Decision Trees in Excel (part 2)

  • درختان تصمیم (پیش بینی) Decision trees (Prediction)

یادگیری ماشینی در ابر Machine Learning in the Cloud

  • یادگیری ماشینی در ابر Machine Learning in the Cloud

  • راه اندازی استودیوی یادگیری ماشینی Azure (AMLS) Setting up Azure Machine Learning Studio (AMLS)

  • اولین آزمایش در AMLS (قسمت 1) First Experiment in AMLS (Part 1)

  • اولین آزمایش در AMLS (قسمت 2) First Experiment in AMLS (Part 2)

  • انتشار وب سرویس Publishing a Web Service

  • آینده یادگیری ماشینی The Future of Machine Learning

  • یادگیری ماشینی در ابر Machine Learning in the Cloud

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش اکسل برای علم داده و یادگیری ماشین
جزییات دوره
6 hours
72
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,976
4.5 از 5
دارد
دارد
دارد
365 Careers
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

365 Careers 365 Careers

ایجاد فرصت برای دانشجویان علوم داده و مالی