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