علم داده، هوش مصنوعی و یادگیری ماشین با R

Data Science, AI, and Machine Learning with R

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: کسب تجربه عملی در R برای تجزیه و تحلیل داده، یادگیری ماشین و هوش مصنوعی. دانشمند داده شوید مفاهیم اصلی علم داده و کاربردهای آن در صنایع مختلف را درک کنید. محیط برنامه نویسی R را به طور موثر تنظیم و پیمایش کنید. اصول برنامه نویسی R، از جمله انواع داده ها، ساختارها، عملگرها و جریان کنترل. مفاهیم ضروری آماری و احتمال را برای تجزیه و تحلیل داده ها درک کنید. جمع آوری داده ها از منابع مختلف (فایل های مسطح، پایگاه های داده، وب، API). داده ها را تمیز، دستکاری و پیش پردازش کنید تا از کیفیت و مناسب بودن آن برای تجزیه و تحلیل اطمینان حاصل کنید. تجزیه و تحلیل داده های اکتشافی را برای کشف الگوها و بینش ها با استفاده از تجسم انجام دهید. تجزیه و تحلیل و تفسیر موثر داده ها با استفاده از ابزارهای آماری و تجسمی قدرتمند R. ساخت و ارزیابی مدل‌های مختلف یادگیری ماشین برای: پیش‌بینی (رگرسیون)، طبقه‌بندی، خوشه‌بندی، استخراج قانون انجمن. از روش های کاهش ابعاد مانند PCA و LDA استفاده کنید. برای بهبود عملکرد مدل از روش‌های گروهی (کیسه‌بندی و تقویت) استفاده کنید. ساخت و استقرار مدل های یادگیری ماشین با استفاده از R برای حل مشکلات دنیای واقعی. به طور انتقادی در مورد داده ها فکر کنید و از تکنیک های علم داده در زمینه های مختلف استفاده کنید. با استفاده از R. پیش نیازها: اشتیاق و عزم برای ایجاد نشان خود در جهان، یک پروژه پایان به انتها برای تقویت یادگیری و نشان دادن مهارت های عملی در علم داده و یادگیری ماشین انجام دهید!

یک خوش آمدگویی گرم به دوره علوم داده، هوش مصنوعی، و یادگیری ماشین با R توسط Uplatz.


زبان برنامه نویسی R

  • مفهوم: R یک زبان برنامه نویسی رایگان و منبع باز و محیط نرم افزاری است که برای محاسبات آماری و گرافیک طراحی شده است. این به طور گسترده توسط آماردانان، دانشمندان داده و محققان استفاده می شود.

  • نقاط قوت کلیدی در زمینه علم داده، هوش مصنوعی ML:

    • اکوسیستم وسیع: R دارای مجموعه ای غنی از بسته ها (بیش از 18000+) است که توسط جامعه ارائه شده است که طیف گسترده ای از تجزیه و تحلیل داده ها و وظایف یادگیری ماشین را پوشش می دهد.

    • تجسم داده‌ها: کتابخانه‌های تجسم قدرتمند R (مانند ggplot2) نمودارهایی با کیفیت انتشار و گرافیک‌های تعاملی ایجاد می‌کنند و به کاوش داده‌ها و ارتباط بینش‌ها کمک می‌کنند.

    • قدرت آماری: پایه و اساس R در آمار، پایه ای قوی برای تجزیه و تحلیل داده ها، آزمون فرضیه ها و مدل سازی فراهم می کند.

    • تکرارپذیری: R از طریق قابلیت‌های برنامه‌نویسی باسواد خود (R Markdown) تحقیقات تکرارپذیر را تشویق می‌کند و مستندسازی و اشتراک‌گذاری کل فرآیند تحلیل را آسان‌تر می‌کند.

علم داده

  • مفهوم: علم داده یک حوزه بین رشته ای است که از روش ها، فرآیندها، الگوریتم ها و سیستم های علمی برای استخراج دانش و بینش از داده های ساختاریافته و بدون ساختار استفاده می کند. این شامل تکنیک های مختلفی از جمله داده کاوی، آمار، یادگیری ماشینی و تجسم است.

  • نقش R در علم داده: R یک محیط قوی برای وظایف علم داده فراهم می کند. کتابخانه های گسترده آن (مانند dplyr، tidyr، ggplot2) پاکسازی، دستکاری، کاوش و تجسم داده ها را امکان پذیر می کند. قابلیت‌های آماری R آن را برای آزمایش فرضیه، مدل‌سازی، و استنتاج از داده‌ها ایده‌آل می‌کند.

  1. دستکاری و تمیز کردن داده ها: R در دستکاری و تمیز کردن داده ها با استفاده از بسته هایی مانند dplyr، tidyr و data.table برتر است. این ابزارها به تبدیل و آماده سازی داده ها برای تجزیه و تحلیل کمک می کنند.

  2. تجزیه و تحلیل داده های اکتشافی (EDA): R ابزارهای گسترده ای را برای EDA فراهم می کند که به کاربران امکان می دهد مجموعه های داده را خلاصه کنند، نقاط پرت را شناسایی کنند و روندها را شناسایی کنند. توابع در پایه R به همراه بسته هایی مانند ggplot2 معمولاً برای این منظور استفاده می شوند.

  3. تجزیه و تحلیل آماری: R برای آمار ساخته شده است، بنابراین طیف گسترده ای از توابع را برای آزمایش فرضیه، تجزیه و تحلیل رگرسیون، ANOVA و موارد دیگر ارائه می دهد. بسته‌هایی مانند stats، MASS و lmtest اغلب برای مدل‌سازی آماری استفاده می‌شوند.

  4. تجسم داده ها: R به دلیل قابلیت های تجسم داده ها مشهور است. ggplot2 یک بسته قدرتمند برای ایجاد گرافیک های پیچیده و چند لایه است. بسته‌های دیگر مانند شبکه‌ها و نمودارها امکان تجسم‌های تعاملی را فراهم می‌کنند.

هوش مصنوعی (AI)

  • مفهوم: هوش مصنوعی حوزه وسیعی از علوم رایانه است که هدف آن ایجاد عوامل هوشمندی است که قادر به تقلید عملکردهای شناختی انسان مانند مانند یادگیری، استدلال، حل مسئله، ادراک و درک زبان هستند.

  • نقش R در هوش مصنوعی: در حالی که R زبان اصلی برای توسعه هوش مصنوعی اصلی نیست (مانند Python یا C++)، اما نقشی حیاتی در تحقیقات و برنامه های کاربردی هوش مصنوعی ایفا می کند. کتابخانه‌های آماری و یادگیری ماشین R (مانند caret، randomForest) ساخت مدل‌های پیش‌بینی، ارزیابی عملکرد آنها و تفسیر نتایج را تسهیل می‌کنند.

  1. یادگیری آماری: R از روش های مختلف یادگیری آماری پشتیبانی می کند که برای هوش مصنوعی اساسی هستند. کتابخانه‌هایی مانند caret و mlr ابزارهایی برای ساخت و ارزیابی مدل‌های آماری ارائه می‌کنند.

  2. پردازش زبان طبیعی (NLP): در حالی که پایتون برای NLP محبوب‌تر است، R دارای بسته‌هایی مانند tm و quanteda برای کارهای متن‌کاوی و پردازش است. اینها را می توان برای تجزیه و تحلیل احساسات، مدل سازی موضوع، و سایر وظایف NLP استفاده کرد.

  3. Computer Vision: R را می توان برای کارهای اساسی بینایی کامپیوتر از طریق بسته هایی مانند EBImage استفاده کرد. با این حال، برای کارهای پیچیده تر، Python به دلیل کتابخانه های گسترده تر آن ترجیح داده می شود.

  4. ادغام با پایتون: برای کارهای هوش مصنوعی که کتابخانه‌های پایتون پیشرفته‌تر هستند، R را می‌توان از طریق بسته مشبک با پایتون ادغام کرد و به کاربران این امکان را می‌دهد تا ضمن ماندن در محیط R، از قابلیت‌های هوش مصنوعی پایتون استفاده کنند.

یادگیری ماشینی (ML)

  • مفهوم: ML زیرمجموعه‌ای از هوش مصنوعی است که بر توسعه الگوریتم‌هایی تمرکز می‌کند که سیستم‌ها را قادر می‌سازد از داده‌ها یاد بگیرند و عملکرد خود را در یک کار خاص بدون برنامه‌ریزی صریح بهبود بخشند.

  • نقش R در یادگیری ماشینی: R در حوزه یادگیری ماشین می درخشد. مجموعه ای جامع از الگوریتم های یادگیری ماشین (رگرسیون، طبقه بندی، خوشه بندی و غیره) و ابزارهایی برای ساخت مدل، ارزیابی و تنظیم ارائه می دهد. بسته هایی مانند caret روند آموزش و مقایسه مدل های مختلف را ساده می کند.

  1. توسعه مدل: R بسته‌های مختلفی را برای ساخت مدل‌های یادگیری ماشین ارائه می‌دهد، مانند randomForest، xgboost و caret. این ابزارها به ایجاد مدل هایی مانند درخت تصمیم، جنگل های تصادفی و ماشین های تقویت گرادیان کمک می کنند.

  2. ارزیابی مدل: R ابزارهای قوی برای ارزیابی عملکرد مدل، از جمله اعتبارسنجی متقاطع، منحنی‌های ROC، و سایر معیارها ارائه می‌کند. بسته caret مخصوصاً برای این منظور مفید است.

  3. مهندسی ویژگی: بسته‌های دستکاری داده‌های R، مانند dplyr و caret، برای مهندسی ویژگی استفاده می‌شوند که شامل ایجاد ویژگی‌های جدید از داده‌های خام برای بهبود عملکرد مدل است.

  4. یادگیری عمیق: در حالی که پایتون بر یادگیری عمیق تسلط دارد، R دارای بسته هایی مانند keras و tensorflow است که رابطی را برای TensorFlow فراهم می کند و به کاربران امکان می دهد مدل های یادگیری عمیق را در R بسازند.

  5. استقرار: R را می توان برای استقرار مدل ها در محیط های تولید استفاده کرد. به عنوان مثال، بسته لوله کش می تواند اسکریپت های R را به API های RESTful تبدیل کند و امکان ادغام مدل های R را در برنامه ها فراهم کند.


هوش مصنوعی، علم داده و یادگیری ماشین با برنامه درسی R - دوره


1. مروری بر علوم داده و راه اندازی محیط R
مفاهیم اساسی علم داده زبان R تنظیم محیط

2. مقدمه و اصول اساسی برنامه نویسی R
مفاهیم اساسی برنامه نویسی R

3. جمع آوری داده ها

روش‌های مؤثر برای مدیریت انواع فایل‌ها و تکنیک‌های وارد کردن

4. آمار احتمال
درک الگوها، خلاصه کردن داده ها تسلط بر تفکر آماری و نظریه احتمال

5. تجزیه و تحلیل داده های اکتشافی تجسم داده ها
آماده سازی داده ها با استفاده از نمودارها، نمودارها و تجسم های تعاملی برای استفاده در مدل های آماری

6. پاکسازی داده ها، پیش پردازش دستکاری داده ها

آشغال در - زباله بیرون (مشاهده/مجنگ):

7. مدلسازی آماری یادگیری ماشینی

مجموعه‌ای از الگوریتم‌هایی که از داده‌ها برای یادگیری، تعمیم و پیش‌بینی استفاده می‌کنند

8. پروژه Capstone End to End


1. بررسی اجمالی علوم داده و راه اندازی محیط R


a. مروری بر علم داده

  • مقدمه ای بر علم داده

  • اجزای علم داده

  • عمودهای تحت تأثیر علم داده

  • موارد استفاده از علم داده و کاربردهای تجاری

  • چرخه حیات پروژه علم داده

b. تنظیم محیط زبان R

  • مقدمه ای بر توزیع آناکوندا

  • نصب R and R Studio

  • Anaconda Navigator و Jupyter Notebook با R

  • معرفی Markdown و اسکریپت

  • معرفی و ویژگی های R Studio


2. مقدمه و اصول اساسی برنامه نویسی R


a. مروری بر محیط R و عملکرد هسته R


b. انواع داده

  • عددی (صحیح و دوتایی)

  • پیچیده

  • شخصیت و عامل

  • منطقی

  • تاریخ و زمان

  • خام

ج. ساختارهای داده

  • بردارها

  • ماتریس

  • آرایه ها

  • فهرست ها

  • فریم های داده

d. اپراتورها

  • حساب

  • رابطه ای

  • منطقی

  • اپراتورهای واگذاری

e. حلقه های ساختارهای کنترل

  • برای، در حالی که

  • اگر دیگر

  • تکرار، بعدی، شکست

  • قاب سوئیچ

g. توابع

  • توابع خانواده را اعمال کنید

(i) اعمال

(ii) lapply

(iii) sapply

(iv) ضربه بزنید

(v) نقشه برداری

  • عملکردهای داخلی

  • توابع تعریف شده توسط کاربر


3. جمع آوری داده

a. تکنیک‌های وارد کردن داده، مدیریت داده‌های نادرست و متناقض

b. داده های فایل های مسطح

  • read.csv

  • read.table

  • read.csv2

  • read.delim

  • read.delim2

ج. داده های اکسل

  • readxl

  • xlsx

  • reader

  • xlconnect

  • gdata

d. پایگاه های داده (MySQL، SQLite... و غیره)

  • RmySQL

  • RSQLite

e. داده های نرم افزارهای آماری (SAS، SPSS، stata و غیره)

  • خارجی

  • پناهگاه

  • hmisc

f. داده های مبتنی بر وب (HTML، xml، json، و غیره)

  • بسته rvest

  • بسته rjson

g. شبکه‌های رسانه‌های اجتماعی (APIهای فیس‌بوک توییتر Google sheets)

  • Rfacebook

  • twitteR


4. آمار احتمال

a. مفاهیم اصلی تسلط در تفکر آماری و نظریه احتمال

b. آمار توصیفی

  • انواع متغیرها مقیاس های اندازه گیری

(i) کیفی/مقوله

1) اسمی

2) ترتیبی

(ii) کمی/عددی

1) گسسته

2) پیوسته

3) فاصله

4) نسبت

  • معیارهای گرایش مرکزی

    (i) میانگین، میانه، حالت

  • معیارهای شکل متغیر

    (i) انحراف استاندارد، واریانس و محدوده، IQR

    (ii) براقی کورتوز

ج. توزیع های احتمال

  • مقدمه ای بر احتمال

  • توزیع دو جمله ای

  • توزیع یکنواخت

d. آمار استنباطی

  • توزیع نمونه برداری

  • قضیه حد مرکزی

  • تخمین فاصله اطمینان

  • آزمایش فرضیه


5. تجسم داده تجزیه و تحلیل اکتشافی

a. درک الگوها، خلاصه کردن داده ها و ارائه با استفاده از نمودارها، نمودارها و تجسم های تعاملی

b. تجزیه و تحلیل داده های تک متغیره

ج. تجزیه و تحلیل داده های دو متغیره

d. تجزیه و تحلیل داده های چند متغیره

e. جداول فرکانس، جداول احتمالی جداول متقاطع

f. ترسیم نمودارها و گرافیک

  • نقشه های پراکنده

  • نقشه‌های میله‌ای/نمودار میله‌ای پشته‌ای

  • نمودارهای دایره ای

  • نقشه های جعبه

  • هیستوگرام

  • نمودارهای خطی

  • ggplot2، بسته‌های شبکه


6. پاکسازی داده، پیش پردازش دستکاری داده

a. زباله در - زباله خارج: داده munging یا داده ها wrangling

b. رسیدگی به خطاها و موارد پرت

ج. مدیریت مقادیر از دست رفته

d. داده ها را تغییر شکل دهید (افزودن، فیلتر کردن، حذف و ادغام)

e. تغییر نام ستون ها و تبدیل نوع داده

f. سوابق تکراری

g. انتخاب ویژگی و مقیاس بندی ویژگی

h. بسته های مفید R

  • data.table

  • dplyr

  • sqldf

  • tidyr

  • تغییر شکل2

  • روغن کاری

  • stringr


7. مدلسازی آماری یادگیری ماشینی


a. مجموعه ای از الگوریتم هایی که از داده ها برای یادگیری، تعمیم و پیش بینی استفاده می کند

b. رگرسیون

  • رگرسیون خطی ساده

  • رگرسیون خطی چندگانه

  • رگرسیون چند جمله ای

ج. طبقه بندی

  • رگرسیون لجستیک

  • K-نزدیکترین همسایه (K-NN)

  • دستگاه بردار پشتیبانی (SVM)

  • درختان تصمیم و جنگل تصادفی

  • دسته بندی کننده ساده لوح بیز

d. خوشه بندی

  • K-Means Clustering

  • خوشه بندی سلسله مراتبی

  • خوشه‌بندی DBSCAN

e. انجمن قانون معدن

  • آپریوری

  • تجزیه و تحلیل سبد بازار

f. کاهش ابعاد

  • تحلیل مؤلفه اصلی (PCA)

  • تحلیل تشخیص خطی (LDA)

g. روش‌های مجموعه

  • کیف زدن

  • تقویت


8. پروژه Capstone End to End


مسیر شغلی و عناوین شغلی پس از یادگیری R

R در درجه اول برای تجزیه و تحلیل آماری، علم داده و تجسم داده استفاده می شود. این به ویژه در دانشگاه ها، تحقیقات، امور مالی و صنایع که تجزیه و تحلیل داده ها بسیار مهم است، محبوب است. در زیر یک مسیر شغلی بالقوه و عناوین شغلی که ممکن است پس از یادگیری R:

هدف قرار دهید، آمده است

1. نقش های سطح ورودی

  • تحلیلگر داده: از R برای تمیز کردن، دستکاری و تجزیه و تحلیل مجموعه داده ها استفاده می کند. این نقش اغلب شامل تولید گزارش، ایجاد تجسم، و انجام تجزیه و تحلیل آماری پایه است.

  • تحلیلگر آماری: بر روی استفاده از روش های آماری برای تجزیه و تحلیل داده ها و تفسیر نتایج تمرکز می کند. R معمولاً برای مجموعه غنی از ابزارهای آماری استفاده می شود.

  • Junior Data Scientist: تحت نظارت دانشمندان ارشد داده برای جمع آوری، تمیز کردن و تجزیه و تحلیل داده ها کار می کند و اغلب از R برای کاوش داده و ساخت مدل استفاده می کند.

  • دستیار پژوهشی: از پروژه های تحقیقاتی با انجام تجزیه و تحلیل داده ها، بررسی ادبیات، و آزمایش های آماری، که اغلب از R برای مدیریت داده ها استفاده می کند، پشتیبانی می کند.

2. نقش های سطح متوسط

  • Data Scientist: از R برای ساخت مدل‌های پیش‌بینی، انجام تحلیل‌های آماری پیشرفته و استخراج بینش‌های عملی از داده‌ها استفاده می‌کند. این نقش ممکن است شامل توسعه و آزمایش الگوریتم‌های یادگیری ماشین نیز باشد.

  • تحلیلگر کمی (Quant): در امور مالی یا تجاری کار می کند، از R برای تجزیه و تحلیل داده های مالی، توسعه مدل های قیمت گذاری، و انجام ارزیابی ریسک استفاده می کند.

  • آمار شناس زیستی: از R برای تجزیه و تحلیل داده های بیولوژیکی، اغلب در آزمایشات بالینی یا تحقیقات پزشکی استفاده می کند. این نقش شامل طراحی آزمایش‌ها، تجزیه و تحلیل نتایج و تفسیر داده‌ها است.

  • اقتصاد سنجی: روش های آماری را در داده های اقتصادی برای تجزیه و تحلیل روندها، پیش بینی ها و مدل سازی رفتار اقتصادی اعمال می کند. R معمولاً برای مدل‌سازی اقتصادسنجی استفاده می‌شود.

3. نقش های سطح ارشد

  • دانشمند ارشد داده: پروژه های علم داده را رهبری می کند، اعضای تیم خردسال را راهنمایی می کند و مدل های پیچیده ای را برای حل مشکلات تجاری با استفاده از R و ابزارهای دیگر طراحی می کند.

  • مدیر علوم داده: بر تیم‌های علم داده نظارت می‌کند و از همسویی پروژه‌ها با اهداف تجاری اطمینان می‌دهد. این نقش هم شامل کار فنی و هم مسئولیت های مدیریتی می شود.

  • آمارگیر اصلی: در سطح بالایی در سازمان ها کار می کند، تجزیه و تحلیل آماری را هدایت می کند و در طراحی مطالعات، آزمایش ها و بررسی ها مشارکت می کند.

  • مدیر ارشد داده ها (CDO): ​​یک نقش اجرایی مسئول استراتژی داده و حاکمیت در یک سازمان است. این موقعیت به تخصص عمیق در علم داده نیاز دارد، اغلب با پیشینه در استفاده از ابزارهایی مانند R.


سرفصل ها و درس ها

R Programming For AI - مقدمه R Programming For AI - Introduction

  • R Programming For AI - مقدمه R Programming For AI - Introduction

R نصب و راه اندازی محیط R Installation and Environment Setup

  • قسمت 1 - R نصب و راه اندازی محیط Part 1 - R Installation and Environment Setup

  • قسمت 2 - R نصب و راه اندازی محیط Part 2 - R Installation and Environment Setup

انواع داده های شی و ساختارهای داده Object Data Types and Data Structures

  • قسمت 1 - انواع داده های شی و ساختارهای داده Part 1 - Object Data Types and Data Structures

  • بخش 2 - انواع داده های شی و ساختارهای داده Part 2 - Object Data Types and Data Structures

  • قسمت 3 - انواع داده های شی و ساختارهای داده Part 3 - Object Data Types and Data Structures

اپراتورها و ساختارها و حلقه های کنترل Operators and Control Structures and Loops

  • بخش 1 - اپراتورها و ساختارها و حلقه های کنترل Part 1 - Operators and Control Structures and Loops

  • بخش 2 - اپراتورها و ساختارها و حلقه های کنترل Part 2 - Operators and Control Structures and Loops

  • بخش 3 - اپراتورها و ساختارها و حلقه های کنترل Part 3 - Operators and Control Structures and Loops

توابع و اعمال خانواده ها و بسته ها Functions and Apply Families and Packages

  • بخش 1 - توابع و اعمال خانواده ها و بسته ها Part 1 - Functions and Apply Families and Packages

  • بخش 2 - توابع و اعمال خانواده ها و بسته ها Part 2 - Functions and Apply Families and Packages

  • بخش 3 - توابع و اعمال خانواده ها و بسته ها Part 3 - Functions and Apply Families and Packages

  • بخش 4 - توابع و اعمال خانواده ها و بسته ها Part 4 - Functions and Apply Families and Packages

  • قسمت 5 - توابع و اعمال خانواده ها و بسته ها Part 5 - Functions and Apply Families and Packages

  • قسمت 6 - توابع و اعمال خانواده ها و بسته ها Part 6 - Functions and Apply Families and Packages

وارد کردن داده با R Data Importing with R

  • قسمت 1 - وارد کردن داده با R Part 1 - Data Importing with R

  • قسمت 2 - وارد کردن داده با R Part 2 - Data Importing with R

  • قسمت 3 - وارد کردن داده با R Part 3 - Data Importing with R

SQL با R برای پایگاه داده رابطه ای SQL with R for Relational Database

  • قسمت 1 - SQL با R برای پایگاه داده رابطه ای Part 1 - SQL with R for Relational Database

  • بخش 2 - SQL با R برای پایگاه داده رابطه ای Part 2 - SQL with R for Relational Database

آمار و EDA با R Statistics and EDA with R

  • قسمت 1 - آمار و EDA با R Part 1 - Statistics and EDA with R

  • قسمت 2 - آمار و EDA با R Part 2 - Statistics and EDA with R

  • قسمت 3 - آمار و EDA با R Part 3 - Statistics and EDA with R

  • قسمت 4 - آمار و EDA با R Part 4 - Statistics and EDA with R

  • قسمت 5 - آمار و EDA با R Part 5 - Statistics and EDA with R

پاکسازی اطلاعات با R Data Cleaning with R

  • قسمت 1 - پاکسازی داده ها با R Part 1 - Data Cleaning with R

  • قسمت 2 - پاکسازی داده ها با R Part 2 - Data Cleaning with R

  • قسمت 3 - پاکسازی داده ها با R Part 3 - Data Cleaning with R

  • قسمت 4 - پاکسازی داده ها با R Part 4 - Data Cleaning with R

  • قسمت 5 - پاکسازی داده ها با R Part 5 - Data Cleaning with R

تجسم داده ها با R Data Visualizations with R

  • قسمت 1 - تجسم داده ها با R Part 1 - Data Visualizations with R

  • قسمت 2 - تجسم داده ها با R Part 2 - Data Visualizations with R

  • قسمت 3 - تجسم داده ها با R Part 3 - Data Visualizations with R

  • قسمت 4 - تجسم داده ها با R Part 4 - Data Visualizations with R

  • قسمت 5 - تجسم داده ها با R Part 5 - Data Visualizations with R

  • قسمت 6 - تجسم داده ها با R Part 6 - Data Visualizations with R

  • قسمت 7 - تجسم داده ها با R Part 7 - Data Visualizations with R

  • قسمت 8 - تجسم داده ها با R Part 8 - Data Visualizations with R

مقدمه ای بر یادگیری ماشین با R Introduction to Machine Learning with R

  • مقدمه ای بر یادگیری ماشین با R Introduction to Machine Learning with R

آماده سازی و پیش پردازش داده ها Data Preparation and Preprocessing

  • بخش 1 - آماده سازی و پیش پردازش داده ها Part 1 - Data Preparation and Preprocessing

  • بخش 2 - آماده سازی و پیش پردازش داده ها Part 2 - Data Preparation and Preprocessing

تحلیل رگرسیون Regression Analysis

  • بخش 1 - تحلیل رگرسیون Part 1 - Regression Analysis

  • قسمت 2 - تحلیل رگرسیون Part 2 - Regression Analysis

تکنیک های طبقه بندی Classification Techniques

  • قسمت 1 - تکنیک های طبقه بندی Part 1 - Classification Techniques

  • قسمت 2 - تکنیک های طبقه بندی Part 2 - Classification Techniques

  • قسمت 3 - تکنیک های طبقه بندی Part 3 - Classification Techniques

الگوریتم های خوشه بندی Clustering Algorithms

  • الگوریتم های خوشه بندی Clustering Algorithms

کاهش ابعاد Dimensionality Reduction

  • کاهش ابعاد Dimensionality Reduction

انجمن قانون معدن Association Rule Mining

  • انجمن قانون معدن Association Rule Mining

آموزش گروهی Ensemble Learning

  • قسمت 1 - آموزش گروهی Part 1 - Ensemble Learning

  • قسمت 2 - آموزش گروهی Part 2 - Ensemble Learning

پروژه های علم داده و یادگیری ماشین در R Data Science and Machine Learning Projects in R

  • قسمت 1 - پروژه های علم داده و یادگیری ماشین در R Part 1 - Data Science and Machine Learning Projects in R

  • قسمت 2 - پروژه های علم داده و یادگیری ماشین در R Part 2 - Data Science and Machine Learning Projects in R

آزمون های پایان دوره End of Course Quizzes

  • آزمون پایان دوره - علم داده با R End of Course Quiz - Data Science with R

  • آزمون پایان دوره - یادگیری ماشینی با R End of Course Quiz - Machine Learning with R

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.

علم داده، هوش مصنوعی و یادگیری ماشین با R
جزییات دوره
50.5 hours
53
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,015
3.9 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Uplatz Training Uplatz Training

سریعترین رشد ارائه دهنده آموزش جهانی فناوری اطلاعات Uplatz پیشرو در انگلستان است که ارائه دهنده خدمات آموزش فناوری اطلاعات به دانشجویان در سراسر جهان است. منحصر به فرد بودن ما از آنجا ناشی می شود که ما دوره های آموزشی آنلاین را با کسری از متوسط هزینه این دوره ها در بازار ارائه می دهیم. تخصص ما شامل SAP ، Oracle ، Salesforce ، AWS ، Microsoft Azure ، Google Cloud ، IBM Cloud ، Science data ، Python ، JavaScript ، Java ، Digital Marketing ، Agile و DevOps است. Uplatz که در مارس 2017 تاسیس شد ، شاهد افزایش خارق العاده ای در صنعت آموزش است که با یک دوره آنلاین SAP FICO شروع می شود و اکنون آموزش 500+ دوره را در 54 کشور جهان ارائه داده است که طی 10 سال به 10 هزار دانشجو خدمت کرده اند. آموزش Uplatz بسیار با ساختار ، موضوع محور و شغل محور است و تأکید زیادی بر تمرین و تکالیف در سرورهای زنده دارد. دوره های ما توسط بیش از هزار مربی بسیار ماهر و باتجربه طراحی و تدریس می شوند که در زمینه های خود اعم از SAP ، Cloud ، Oracle یا هر فناوری یا سیستم درخواستی تخصص کافی دارند.