راهنمای کامل هوش مصنوعی مولد برای تجزیه و تحلیل داده و علم داده

Complete Guide to Generative AI for Data Analysis and Data Science

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      توضیحات دوره: GenAI این پتانسیل را دارد که افراد بیشتری را قادر به کار و تجزیه و تحلیل داده ها کند، اما برای موفقیت، به یک پایه محکم در مدیریت داده، آمار و یادگیری ماشین نیاز دارید. این دوره آن پایه را فراهم می کند. مدرس Dan Sullivan به شما آموزش می‌دهد که چگونه سؤالات کسب‌وکار و سؤالات علم داده را به اجزایی که می‌توان به صورت برنامه‌نویسی به آنها پرداخت و سپس چگونه از genAI برای ایجاد برنامه‌ها و اسکریپت‌ها برای پیاده‌سازی یک راه‌حل استفاده کرد. این دوره بر روی سه رکن مورد نیاز برای یک تحلیلگر داده یا دانشمند داده موفق تمرکز می کند: مهارت های حل مسئله، درک آمار و یادگیری ماشین، و تجربه عملی با رویه های مدیریت داده.

      سرفصل ها و درس ها

      مقدمه Introduction

      • شروع کردن Getting started

      1. رمزگشایی از داده ها: تجزیه و تحلیل داده ها و علم داده 1. Demystifying Data: Data Analysis and Data Science

      • نتایج را تفسیر کنید Interpret the results

      • جمع آوری و به دست آوردن داده ها Collecting and obtaining data

      • مدل سازی پیش بینی Predictive modeling

      • سوال پرسیدن Asking questions

      • تجزیه و تحلیل داده ها Analyzing data

      • یادگیری ماشینی Machine learning

      • تمیز کردن و آماده سازی داده ها Cleaning and preparing data

      2. ابزارهای تجارت 2. Tools of the Trade

      • الگوریتم های یادگیری ماشینی Machine learning algorithms

      • آمار Statistics

      • حل مسئله Problem-solving

      • پایتون Python

      • پلتفرم های آماری Statistics platforms

      • کتابخانه های یادگیری ماشینی Machine learning libraries

      • پایگاه داده های SQL و رابطه ای SQL and relational databases

      • صفحات گسترده Spreadsheets

      3. تفکر درباره داده ها 3. Thinking About Data

      • داده های گسسته در مقابل داده های پیوسته Discrete vs. continuous data

      • داده های طبقه بندی شده Categorical data

      • داده های کمی و کیفی Quantitative and qualitative data

      4. تکنیک هایی برای توصیف داده ها 4. Techniques for Describing Data

      • چالش: توصیف داده ها Challenge: Describing data

      • اقدامات گرایش مرکزی Measures of central tendency

      • اقدامات گسترش Measures of spread

      • راه حل: توصیف داده ها Solution: Describing data

      • تجسم توزیع داده ها Visualizing data distribution

      • توصیف مجموعه داده با استفاده از هوش مصنوعی مولد Describing a dataset using generative AI

      5. توزیع داده ها 5. Distributions of Data

      • تجسم توزیع دووجهی در پایتون Visualizing a bimodal distribution in Python

      • راه حل: توزیع داده ها Solution: Distribution of data

      • تجسم یک توزیع عادی در پایتون Visualizing a normal distribution in Python

      • توزیع داده ها Distributions of data

      • چالش: توزیع داده ها Challenge: Distributions of data

      • ایجاد توزیع نرمال Generating a normal distribution

      • تجسم توزیع یکنواخت در پایتون Visualizing a uniform distribution in Python

      • تجسم یک توزیع نرمال در یک صفحه گسترده Visualizing a normal distribution in a spreadsheet

      • Jupyter Notebook and Colab Jupyter Notebook and Colab

      6. داده های نمونه گیری 6. Sampling Data

      • ایجاد نمونه ها Creating samples

      • نمونه گیری و جمعیت زیاد Sampling and large populations

      • ذخیره نمونه ها در یک فایل Saving samples to a file

      • مقایسه جمعیت با آمار نمونه Comparing population to sample statistics

      • راه حل: نمونه برداری از داده ها Solution: Sampling data

      • چالش: نمونه برداری از داده ها Challenge: Sampling data

      7. استنتاج از داده ها 7. Making Inferences from Data

      • راه حل: استنتاج از داده ها Solution: Making inferences from data

      • خطاهای نوع I و نوع II Type I and type II errors

      • تولید پایتون برای تست نرمال بودن Generating Python for testing normality

      • تست های ANOVA برای مقایسه میانگین ها ANOVA tests for comparing means

      • تولید پایتون برای تحلیل همبستگی Generating Python for correlation analysis

      • تولید اسکریپت های پایتون برای تست های مجذور کای Generating Python Scripts for Chi-squared tests

      • تحلیل همبستگی Correlation analysis

      • روش شناسی آزمون فرضیه Hypothesis testing methodology

      • آزمون استقلال متغیرهای طبقه بندی شده Testing independence of categorical variables

      • چالش: استنتاج از داده ها Challenge: Making inferences from data

      • آمار استنباطی Inferential statistics

      • تست نرمال بودن Testing for normality

      • تجزیه و تحلیل ترجیحات مشتری Analyzing customer preferences

      • تولید اسکریپت های پایتون برای ANOVA Generating Python scripts for ANOVA

      8. تجسم داده ها 8. Visualizing Data

      • تجسم ترکیب Visualizing composition

      • تجسم همبستگی ها Visualizing correlations

      • راه حل: تجسم داده ها Solution: Visualizing data

      • تجسم روندها Visualizing trends

      • چالش: تجسم داده ها Challenge: Visualizing data

      • تجسم داده ها Visualizing data

      • تجسم توزیع ها Visualizing distributions

      9. پسرفت 9.Regression

      • رگرسیون خطی Linear regression

      • چالش: ساخت مدل رگرسیون Challenge: Building a regression model

      • ساخت مدل رگرسیون خطی Building a linear regression model

      • تجسم داده های فروش Visualizing sales data

      • ارزیابی مدل های رگرسیون خطی Evaluating linear regression models

      • ارزیابی مدل رگرسیون خطی فروش Evaluating a sales linear regression model

      • راه حل: ساخت مدل رگرسیون Solution: Building a regression model

      10. تجزیه و تحلیل داده ها در فایل ها 10. Analyzing Data in Files

      • راه حل: داده های از دست رفته Solution: Missing data

      • فریم های داده در پایتون Dataframes in Python

      • چالش: داده های از دست رفته Challenge: Missing data

      • بازرسی چارچوب های داده Inspecting dataframes

      • بارگیری JSON در دیتافریم Loading JSON into dataframes

      • مرور یک نمونه فایل JSON Reviewing an example JSON file

      • استفاده از صفحات گسترده با فایل های CSV Using spreadsheets with CSV files

      • فایل های داده Data files

      • بارگیری داده‌های CSV در فریم‌های داده Loading CSV data into dataframes

      • کیفیت داده ها و پاکسازی داده ها Data quality and data cleansing

      • استفاده از jq با فایل های JSON Using jq with JSON files

      • تولید دستورات jq با استفاده از هوش مصنوعی Generating jq commands using AI

      • استفاده از هوش مصنوعی برای کیفیت داده ها و پاکسازی داده ها Using AI for data quality and data cleansing

      11. تجزیه و تحلیل داده ها در پایگاه های داده 11. Analyzing Data in Databases

      • چالش: یک مدل داده رابطه ای ایجاد کنید Challenge: Generate a relational data model

      • راه حل: یک مدل داده رابطه ای ایجاد کنید Solution: Generate a relational data model

      • ایجاد جداول و درج داده ها Creating tables and inserting data

      • مقدمه ای بر SQL Introduction to SQL

      • پرس و جو داده ها با SQL Querying data with SQL

      • ایجاد یک طرحواره ستاره ای، داده های مصنوعی و پرس و جوها Generating a star schema, synthetic data, and queries

      • پایگاه های داده رابطه ای Relational databases

      • استخراج، تبدیل و بارگذاری داده ها در پایگاه های داده Extraction, transformation, and loading data into databases

      • پایگاه های داده NoSQL NoSQL databases

      • تولید مجموعه داده های مصنوعی برای پایگاه داده رابطه ای Generating synthetic data sets for a relational database

      • اتصال داده ها با SQL Joining data with SQL

      • آمار توصیفی در SQL Descriptiive statistics in SQL

      12. مقدمه ای بر یادگیری ماشین 12. Introduction to Machine Learning

      • چرخه زندگی یادگیری ماشینی Machine learning lifecycle

      • مهندسی ویژگی Feature engineering

      • طبقه بندی Classification

      • یادگیری تحت نظارت و بدون نظارت Supervised and unsupervised learning

      • خوشه بندی Clustering

      • ارزیابی مدل Model evaluation

      • رگرسیون Regression

      13. ساخت مدل های یادگیری ماشین: طبقه بندی 13. Building Machine Learning Models: Classification

      • مدل طبقه بندی ساده Simple classification model

      • راه حل: پیش بینی قصد مصرف کننده Solution: Predicting consumer intent

      • تنظیم فراپارامتر Hyperparameter tuning

      • رسیدگی به داده های از دست رفته Handling missing data

      • طبقه بندی با شبکه های عصبی Classification with neural networks

      • ارزیابی اهمیت ویژگی Evaluating feature importance

      • مقایسه چندین الگوریتم Comparing multiple algorithms

      • چالش: پیش بینی قصد مصرف کننده Challenge: Predicting consumer intent

      14. ساخت مدل های یادگیری ماشین: خوشه بندی 14. Building Machine Learning Models: Clustering

      • خوشه بندی با DBSCAN Clustering with DBSCAN

      • خوشه بندی با k-means Clustering with k-means

      • خوشه بندی با خوشه بندی سلسله مراتبی Clustering with hierarchical clustering

      • چالش: تقسیم بندی مشتریان Challenge: Customer segmentation

      • راه حل: تقسیم بندی مشتریان Solution: Customer segmentation

      15. مجموعه داده های ML Access را باز کنید 15. Open Access ML Datasets

      • دسترسی باز به مجموعه داده های ML Open access ML datasets

      16. تجزیه و تحلیل شبکه 16. Network Analysis

      • تجسم یک زنجیره تامین پیچیده Visualizing a complex supply chain

      • تجزیه و تحلیل یک شبکه اجتماعی Analyzing a social network

      • ایجاد یک زنجیره تامین مصنوعی Generating a synthetic supply chain

      • مقدمه ای بر نظریه گراف Introduction to graph theory

      • NetworkX NetworkX

      • یافتن بالاترین نمرات بین بودن Finding highest betweenness scores

      • راه حل: تجزیه و تحلیل یک شبکه اجتماعی Solution: Analyzing a social network

      • مباحث پیشرفته در تحلیل زنجیره تامین Advanced topics in supply chain analysis

      • چالش: تجزیه و تحلیل یک شبکه اجتماعی Challenge: Analyzing a social network

      • زنجیره تامین و تجزیه و تحلیل شبکه Supply chains and network analysis

      17. شبیه سازی 17. Simulations

      • مقدمه ای بر شبیه سازی Introduction to simulations

      • مدل‌سازی بیماری‌های عفونی مبتنی بر عامل Agent-base infectious diseases modeling

      • انواع شبیه سازی Types of simulations

      • چالش: شبیه سازی آتش سوزی جنگل Challenge: Simulating forest fires

      • مدل سازی شیوع بیماری های عفونی Modeling the spread of infectious diseases

      • راه حل: شبیه سازی آتش سوزی جنگل Solution: Simulating forest fires

      • مدلسازی مدیریت موجودی Modeling inventory management

      • مدل سازی مبتنی بر عامل Agent-based modeling

      18. پروژه Capstone 18. Capstone Project

      • راه حل پروژه Capstone Capstone project solution

      • الزامات پروژه Capstone Capstone project requirements

      19. ادامه سفر یادگیری هوش مصنوعی 19. Continuing Your AI Learning Journey

      • مراحل بعدی و منابع اضافی Next steps and additional resources

      نمایش نظرات

      راهنمای کامل هوش مصنوعی مولد برای تجزیه و تحلیل داده و علم داده
      جزییات دوره
      10h 21m
      135
      Linkedin (لینکدین) Linkedin (لینکدین)
      (آخرین آپدیت)
      44
      - از 5
      ندارد
      دارد
      دارد
      Dan Sullivan
      جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

      Google Chrome Browser

      Internet Download Manager

      Pot Player

      Winrar

      Dan Sullivan Dan Sullivan

      معمار سازمانی ، کارشناس بزرگ داده دان سالیوان ، دکترای علوم ، یک معمار سازمانی و متخصص داده های بزرگ است.

      دان متخصص در معماری داده ، تجزیه و تحلیل ، داده کاوی ، آمار ، مدل سازی داده ها ، داده های بزرگ و رایانش ابری است. علاوه بر این ، او دارای دکترای ژنتیک ، بیوانفورماتیک و زیست محاسباتی است. Dan به طور منظم با Spark ، Oracle ، NoSQL ، MongoDB ، Redis ، R و Python کار می کند. وی تجربه نوشتن گسترده ای در موضوعاتی از جمله رایانش ابری ، داده های بزرگ ، Hadoop و امنیت دارد.