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