آموزش عملی علوم داده با PyTorch و Pandas - آخرین آپدیت

دانلود Hands-On Data Science with PyTorch & Pandas

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره دارای قابلیت Coursera Coach است! روشی هوشمندانه‌تر برای یادگیری با گفتگوهای تعاملی و لحظه‌ای که به شما کمک می‌کند تا دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. علوم داده در حال تغییر نحوه تحلیل اطلاعات، ساخت سیستم‌های هوشمند و ایجاد برنامه‌های تعاملی داده‌ها توسط سازمان‌ها است. در این دوره، شما تجربه عملی در استفاده از ابزارهای پایتون مانند PyTorch، جریان‌های کاری داده به سبک Pandas و Shiny برای پایتون را برای ساخت برنامه‌های قدرتمند داده‌محور کسب خواهید کرد. شما یاد می‌گیرید که چگونه داده‌ها را بصری‌سازی کنید، داشبوردها بسازید و جریان‌های کاری یادگیری ماشین را با استفاده از ابزارها و کتابخانه‌های مدرن علوم داده پیاده‌سازی کنید. دوره با معرفی برنامه‌های تعاملی داده با استفاده از Shiny آغاز می‌شود. شما یاد می‌گیرید که چگونه رابط‌های کاربری واکنش‌گرا طراحی کنید، ورودی‌ها و خروجی‌ها را پیاده‌سازی نمایید و برنامه‌های تعاملی را مستقیماً از محیط‌های توسعه مانند VSCode مستقر کنید. از طریق نمایش‌های هدایت‌شده و مثال‌های رسمی Shiny، متوجه خواهید شد که داشبوردهای دنیای واقعی و ابزارهای تحلیلی برای اکتشاف داده‌ها چگونه ساخته می‌شوند. سپس، دوره شما را در ساخت یک داشبورد کامل داده‌های CSV راهنمایی می‌کند. شما آپلود فایل، محاسبه آمارهای سریع و ایجاد بصری‌سازی‌های پویا مانند هیستوگرام‌ها، نمودارهای میله‌ای و نمودارهای دایره‌ای را پیاده‌سازی خواهید کرد. در پایان این بخش، درک خواهید کرد که چگونه داده‌های خام را به بینش‌های بصری تعاملی تبدیل کنید. در ماژول‌های نهایی، مبانی PyTorch، شامل تنسورها، پخش (Broadcasting)، ایندکس‌گذاری، شتاب‌دهی GPU و عملیات تنسور را بررسی خواهید کرد. سپس این مهارت‌ها را برای ساخت یک برنامه طبقه‌بندی تصاویر واقعی با استفاده از PyTorch و TorchVision یکپارچه با رابط Shiny به کار خواهید گرفت. این دوره برای دانشمندان داده آینده، توسعه‌دهندگان پایتون و متخصصان تحلیل داده که خواهان تجربه عملی در ساخت برنامه‌های داده و سیستم‌های یادگیری ماشین هستند، طراحی شده است. دانش پایه در برنامه‌نویسی پایتون و مفاهیم مدیریت داده توصیه می‌شود و این دوره برای زبان‌آموزان در سطح متوسط مناسب است. در پایان دوره، شما قادر خواهید بود داشبوردهای تعاملی داده بسازید، مجموعه‌داده‌ها را مدیریت و تحلیل کنید، عملیات تنسور PyTorch را پیاده‌سازی نمایید و برنامه‌های مبتنی بر یادگیری ماشین را با استفاده از پایتون و Shiny مستقر کنید.

سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

بصری‌سازی داده‌ها و Shiny Data Visualization and Shiny

  • اسلایدرهای ورودی و خروجی متنی با منطق سرور ساده Input Sliders, Text Output with Simple Server Logic

  • دموی ورودی‌های Shiny Shiny Input Demo

  • استفاده از HTML برای ساخت جدول ضرب در Shiny (بخش اول) Using HTML to Build a Multiplication Table in Shiny (Part 1)

  • استفاده از HTML برای ساخت جدول ضرب در Shiny (بخش دوم) Using HTML to Build a Multiplication Table in Shiny (Part 2)

  • استفاده از Shiny در VSCode و استقرار برنامه شما Using Shiny in VSCode and Deploying Your App

  • بررسی اجزای Shiny Exploring Shiny Components

  • کار با دکمه‌های عملیاتی و چک‌باکس‌ها Working with Action Buttons and Checkboxes

  • استفاده از گروه‌های چک‌باکس، Selectize و ساختارهای ردیفی-ستونی Using Checkbox Groups, Selectize, and Row-Column Structures

  • مقدمه‌ای بر Shiny Express برای پایتون Introduction to Shiny Express for Python

استفاده از دموهای رسمی Shiny به عنوان ابزار یادگیری Using Official Shiny Demos as a Learning Tool

  • استفاده از دموهای رسمی Shiny به عنوان ابزار یادگیری - برنامه سایدبار Using Official Shiny Demos as a Learning Tool - Sidebar App

  • بررسی پروژه دموی نمودار KDE در Shiny Walkthrough: Shiny's KDE Plot Demo Project

  • بررسی دموی داشبورد پنگوئن‌ها توسط تیم Shiny Walkthrough- Penguins Dashboard Demo by the Shiny Team

ساخت داشبورد تعاملی داده‌های CSV در Shiny برای پایتون Building an Interactive CSV Data Dashboard in Shiny for Python

  • راه‌اندازی پروژه Project Setup

  • افزودن کتابخانه‌های مورد نیاز (Imports) Adding the Imports

  • آپلود فایل CSV Uploading a CSV File

  • نمایش آمارهای سریع Displaying Quick Stats

  • انتخاب‌گر ستون پویا برای داده‌های CSV Dynamic Column Picker for CSV Data

  • نمایش جزئیات ستون در کارت اطلاعات Displaying Column Details in an Info Card

  • بصری‌سازی ستون‌های عددی با هیستوگرام‌ها Visualizing Numeric Columns with Histograms

  • بصری‌سازی ستون‌های دسته‌ای با نمودارهای دایره‌ای یا میله‌ای Visualizing Categorical Columns with Pie or Bar Charts

  • نمودارهای دایره‌ای یا میله‌ای شرطی و پیام‌های نبود داده Conditional Pie or Bar Charts and No-Data Messaging

مبانی PyTorch PyTorch Fundamentals

  • گوگل کولب (Google Colab) و tqdm Google Colab and tqdm

  • نحوه دریافت کمک در PyTorch How to Get Help with PyTorch

  • بررسی منابع کمکی تکمیلی Exploring Additional Help Resources

  • مقدمه‌ای بر PyTorch و تنسورها (بخش اول) Introduction to PyTorch and Tensors (Part 1)

  • مقدمه‌ای بر PyTorch و تنسورها (بخش دوم) Introduction to PyTorch and Tensors (Part 2)

  • بهره‌گیری از GPU برای PyTorch در گوگل کولب Leveraging the GPU for PyTorch in Google Colab

  • درک عملیات ریاضی روی تنسورها Understanding Mathematical Operations on Tensors

  • درک ایندکس‌گذاری و ماسک‌گذاری در تنسورها Understanding Indexing and Masking in Tensors

  • بسط مفاهیم ماسک‌گذاری در PyTorch Expanding on Masking in PyTorch

  • کپی کردن (Cloning) تنسورها برای عملیات ایمن Cloning Tensors for Safe Operations

  • پخش (Broadcasting) در PyTorch: اولین گام‌ها Broadcasting in PyTorch: The First Steps

  • پخش (Broadcasting): گام‌های بعدی Broadcasting: Next Steps

  • تمرین عملی با مثال‌های بیشتر از Broadcasting Hands-on with More Broadcasting Examples

طبقه‌بندی تصاویر PyTorch با استفاده از پایتون و Shiny Torch Sight - PyTorch Image Classification using Python and Shiny

  • شروع کار با TorchSight Getting Started with TorchSight

  • افزودن کتابخانه‌های PyTorch و پردازش تصویر Adding the PyTorch and Image Processing Imports

  • وارد کردن مدل‌های TorchVision Importing the TorchVision Models

  • پیاده‌سازی تابع Get Model Implementing the Get Model Function

  • تغییرات و تبدیل‌های تصویر (Image Transformations) Image Transformations

  • ایجاد عنوان و سایدبار Creating the Title and Sidebar

  • دریافت لیبل‌های ImageNet و درخواست تصویر از کاربر Getting the ImageNet Labels and Prompting the User for Images

  • استنتاج (Inference) در PyTorch PyTorch Inference

نمایش نظرات

آموزش عملی علوم داده با PyTorch و Pandas
جزییات دوره
6h 35m
43
(آخرین آپدیت)
45
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده