کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش تحلیل کسب و کار و داده با پایتون - آخرین آپدیت

دانلود Business and Data Analytics in Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

تسلط بر بینش‌های داده‌محور و تبدیل شدن به یک متخصص تحلیل کسب و کار

با دوره "تحلیل کسب و کار با پایتون: تسلط بر بینش‌های داده‌محور"، سفری تحول‌آفرین را برای کشف پیچیدگی‌های تحلیل کسب و کار با استفاده از پایتون آغاز کنید. این دوره به دقت طراحی شده تا شما را با دانش، مهارت‌ها و تجربه عملی مورد نیاز برای درخشش در دنیای به سرعت در حال تحول تحلیل کسب و کار مجهز کند.

مهارت‌های کلیدی تحلیل کسب و کار که کسب خواهید کرد:

  • مبانی تحلیل کسب و کار:

    مفاهیم بنیادی و تکنیک‌های تصمیم‌گیری داده‌محور را درک کنید.

  • تسلط بر پایتون برای تحلیل داده:

    مهارت‌هایی در پایتون برای تحلیل داده با کتابخانه‌های کلیدی مانند Pandas و NumPy کسب کنید.

  • تصمیم‌گیری آماری:

    آمار استنباطی را برای پشتیبانی از بینش‌های کسب و کار بیاموزید.

  • اقتصاد سنجی و رگرسیون:

    مدل‌های اقتصاد سنجی و تحلیل رگرسیون را برای پیش‌بینی نتایج بیاموزید.

  • تحلیل سری‌های زمانی:

    با استفاده از پایتون برای پیش‌بینی روندهای اقتصادی و تجاری، مهارت‌های پیش‌بینی را کسب کنید.

  • بخش‌بندی مشتریان:

    رفتار مشتریان و بخش‌های بازار را برای استراتژی‌های هدفمند تحلیل کنید.

  • پرورش طرز فکر داده‌محور:

    تفکر انتقادی برای تفسیر داده‌ها و تصمیم‌گیری را توسعه دهید.

  • تمرین داده‌های دنیای واقعی:

    تکنیک‌های تحلیل کسب و کار را بر روی مجموعه داده‌های خاص صنعت اعمال کنید.

ویژگی‌های برجسته دوره:

  • کیفیت بالای آکادمیک:

    محتوا و روش‌هایی در سطح کلاس‌های تحصیلات تکمیلی در دانشگاه‌های ایالات متحده را تجربه کنید.

  • آمادگی شغلی:

    خود را برای نقش‌های تحلیل کسب و کار با مهارت‌ها و دانش مورد تقاضا تجهیز کنید.

  • محتوای جامع:

    سخنرانی‌های ویدیویی جامع که دانش نظری را با کاربردهای عملی ترکیب می‌کنند.

  • یادگیری عملی:

    نوت‌بوک‌های تعاملی پایتون و مجموعه داده‌های دنیای واقعی برای یادگیری عملی در Google Colab.

  • مطالعات موردی و مثال‌ها:

    مطالعات موردی و مثال‌هایی از صنایع مختلف برای نشان دادن تأثیر تحلیل کسب و کار.

  • ارزیابی یادگیری:

    آزمون‌ها و تمرین‌هایی برای تقویت یادگیری و کاربرد مفاهیم.

آنچه خواهید آموخت:

  • اصول بنیادی تحلیل کسب و کار و داده‌ها و کاربرد آن‌ها در سناریوهای دنیای واقعی.
  • تسلط عملی بر پایتون برای جمع‌آوری، دستکاری، تحلیل و بصری‌سازی داده‌ها.
  • روش‌های آماری پیشرفته برای تحلیل داده‌های بصیرتی و تصمیم‌گیری.
  • تکنیک‌هایی در پیش‌بینی، رگرسیون و اقتصاد سنجی برای پیش‌بینی روندهای بازار و عملکرد کسب و کار.
  • نحوه استفاده از تحلیل سری‌های زمانی برای پیش‌بینی عملکرد آینده، از جمله سری‌های زمانی چالش‌برانگیز مانند قیمت سهام را درک خواهید کرد.
  • کاربرد عملی مدل Meta Prophet، درک اجزا، تخمین پارامتر و قابلیت‌های پیش‌بینی آن.
  • ابزارهای قدرتمند استنتاج علی مانند چارچوب Difference in Difference و مدل Google Causal Impact.
  • ملزومات مدل‌های مارکوف، بررسی اهمیت آن‌ها در تحلیل پیش‌بینی.

مخاطبان دوره:

  • تحلیلگران داده مشتاق و متخصصان کسب و کار که به دنبال استفاده از داده‌ها برای تصمیم‌گیری استراتژیک هستند.
  • متخصصان IT و توسعه‌دهندگان نرم‌افزار که قصد دارند در زمینه تحلیل کسب و کار تغییر شغل دهند یا پیشرفت کنند.
  • کارآفرینان و صاحبان کسب و کار که به دنبال درک و بکارگیری تحلیل داده‌ها برای رشد کسب و کار خود هستند.
  • هر کسی که علاقه‌مند به رویکرد عملی و دست‌ساز برای یادگیری تحلیل کسب و کار است.

پیش‌نیازها:

  • درک اولیه از برنامه‌نویسی پایتون.
  • کنجکاوی و تمایل به شیرجه رفتن در دنیای داده‌محور تحلیل کسب و کار.

پیش بروید و بسیاری از ویدیوهای پیش‌نمایش موجود را تماشا کنید تا به اکثر ماژول‌های یادگیری نگاهی بیندازید و ببینید چه چیزی را خواهید آموخت.

این سفر را با "تحلیل کسب و کار با پایتون: تسلط بر بینش‌های داده‌محور" آغاز کنید و توانایی خود را برای تحلیل، پیش‌بینی و اتخاذ تصمیمات آگاهانه کسب و کار با استفاده از قدرت تحلیل داده دگرگون کنید.

سرفصل ها و درس ها

سفر شما در تحلیل کسب و کار Your Business Analytics Journey

  • جزئیات دوره – مروری بر سفر یادگیری شما. Course Details - Overview of your learning journey.

  • AIM 315 – تحلیل کسب و کار در پایتون: تسلط بر بینش‌های مبتنی بر داده AIM 315 - Business Analytics in Python: Mastering Data-Driven Insights

  • آماده‌سازی محیط آزمایشگاه شما: مقدمه‌ای بر Google Lab Preparing your Lab Environment: Introduction to Google Lab

  • نحوه دانلود و استفاده از منابع ارائه شده در این کلاس How to Download and Use the Resources Provided in this Class

مقدمه‌ای بر تحلیل کسب و کار Introduction to Business Analytics

  • درک قدرت تحلیل کسب و کار Understanding the Power of Business Analytics

  • هنر و علم تحلیل کسب و کار The Art and Science of Business Analytics

  • تحلیل کسب و کار و کلان داده (Big Data) Business Analytics and Big Data

  • اجرای پروژه‌های تحلیل کسب و کار – متدولوژی CRISP-DM، بخش اول Executing Business Analytics Projects - The CRISP-DM Methodology, Part I

  • اجرای پروژه‌های تحلیل کسب و کار – متدولوژی CRISP-DM، بخش دوم Executing Business Analytics Projects - The CRISP-DM Methodology, Part II

  • اجرای پروژه‌های تحلیل کسب و کار – متدولوژی TDSP مایکروسافت Executing Business Analytics Projects - The Microsoft TDSP Methodology

  • ابزارهای تحلیل کسب و کار و علم داده (Data Science Tools) Business Analytics & Data Science Tools

  • بررسی دانش Knowledge Check

آمار در تحلیل کسب و کار Statistics in Business Analytics

  • مقدمه‌ای بر آمار Introduction to Statistics

  • آمار چیست What is Statistics

  • مجموعه داده‌ها (Datasets) Datasets

  • انواع داده‌ها Data Types

  • آمار در مقابل احتمالات Statistics Vs Probabilities

  • آیا باید در بیت‌کوین سرمایه‌گذاری کنید؟ Should you invest in Bitcoins?

  • بررسی دانش Knowledge Check

آمار توصیفی Descriptive Statistics

  • متغیرهای تصادفی Random Variables

  • اولین معیار گرایش مرکزی: میانگین (Mean) 1st Measure of Central Tendency: Mean

  • میانگین چقدر خوب است؟ How good is the Mean?

  • اولین معیار پراکندگی: انحراف معیار (Standard Deviation) 1st Measure of Spread: Standard Deviation

  • عملی – آمار توصیفی – بخش اول HANDS ON - Descriptive Statistics - Part I

  • عملی – آمار توصیفی – بخش دوم HANDS ON - Descriptive Statistics - Part II

  • نمونه در مقابل جامعه (Sample Vs Population) Sample Vs Population

  • درجات آزادی (Degrees of Freedom) Degrees of Freedom

  • دومین معیار گرایش مرکزی: میانه (Median) 2nd Measure of Central Tendency: Medium

  • عملی – میانه درآمد خانوار HANDS ON - Median Household Income

  • نما (Mode)، صدک‌ها (Percentiles) و نمودار جعبه‌ای (Box Plot) Mode, Percentiles, and Box Plot

  • عملی – تحلیل میانه درآمد خانوار – بخش اول HANDS ON - Analysis of Median Household Income - Part I

  • عملی – تحلیل میانه درآمد خانوار – بخش دوم HANDS ON - Analysis of Median Household Income - Part II

  • توزیع متغیرهای تصادفی Distributions of Random Variables

  • عملی – تماس‌های خدماتی در واشنگتن دی سی – بخش اول HANDS ON - Service Calls in Washington DC - Part I

  • عملی – تماس‌های خدماتی در واشنگتن دی سی – بخش دوم HANDS ON - Service Calls in Washington DC - Part II

  • عملی – تماس‌های خدماتی در واشنگتن دی سی – بخش سوم HANDS ON - Service Calls in Washington DC - Part III

  • عملی – تماس‌های خدماتی در واشنگتن دی سی – بخش چهارم HANDS ON - Service Calls in Washington DC - Part IV

  • همبستگی (Correlation) و جداول توافقی (Contingency Tables) Correlation and Contingency Tables

  • عملی – تحلیل فشار خون و کلسترول و مقایسه حقوق‌ها HANDS ON - Analyzing Blood Pressure & Cholesterol and Comparing Salaries

  • بررسی دانش Knowledge Check

آمار استنباطی Inferential Statistics

  • نمونه و داده Sample & Data

  • جامعه و تکنیک‌های نمونه‌گیری Population & Sampling Techniques

  • عملی – نمونه‌گیری تصادفی – بخش اول HANDS ON - Random Sampling - Part I

  • عملی – نمونه‌گیری طبقه‌ای – بخش دوم HANDS ON - Stratified Sampling - Part II

  • عملی – نمونه‌گیری خوشه‌ای – بخش سوم HANDS ON - Clustering Sampling - Part III

  • رویه برآورد پارامتر Parameter Estimation Procedure

  • میانگین نمونه به عنوان پارامتر Mean of the Sample as Parameter

  • بوت استرپینگ (Bootstrapping) و توزیع نمونه میانگین‌ها Bootstrapping & Sample Distribution of the Means

  • عملی – توزیع نمونه میانگین‌ها – بخش اول HANDS ON - Sample Distribution of the Means - Part I

  • عملی – توزیع نمونه میانگین‌ها – بخش دوم HANDS ON - Sample Distribution of the Means - Part II

  • قضیه حد مرکزی (Central Limit Theorem) Central Limit Theorem

  • عملی – قضیه حد مرکزی – بخش اول HANDS ON - Central Limit Theorem - Part I

  • عملی – قضیه حد مرکزی – بخش دوم HANDS ON - Central Limit Theorem - Part II

  • عملی – قضیه حد مرکزی – بخش سوم HANDS ON - Central Limit Theorem - Part III

  • برآوردهای نقطه‌ای (Point Estimates) Point Estimates

  • بازه اطمینان (Confidence Intervals) Confidence Intervals

  • عملی – بازه‌های اطمینان HANDS ON - Confidence Intervals

  • بررسی دانش Knowledge Check

پیش‌پردازش داده‌ها Data Preprocessing

  • مقدمه‌ای بر پیش‌پردازش داده‌ها Introduction to Data Preprocessing

  • عملی – استفاده از مجموعه داده‌های نمونه موجود از کتابخانه‌های پایتون HANDS ON - Using Existing Sample Datasets from Python Libraries

  • عملی – استفاده از مجموعه داده‌های نمونه موجود از کتابخانه‌های پایتون – بخش دوم HANDS ON - Using Existing Sample Datasets from Python Libraries - Part II

  • عملی – استفاده از مجموعه داده‌های نمونه موجود از کتابخانه‌های پایتون – بخش سوم HANDS ON - Using Existing Sample Datasets from Python Libraries - Part III

  • درک فرمت‌های داده Understanding Data Formats

  • عملی – مقدمه‌ای بر فرمت‌های جدا شده با جداکننده (Delimited Formats) HANDS ON - Introduction to Delimited Formats

  • عملی – فایل‌های جدا شده با کاما – بخش اول HANDS ON - Comma Delimited Files - Part I

  • عملی – فایل‌های جدا شده با کاما – بخش دوم HANDS ON - Comma Delimited Files - Part II

  • عملی – سایر فرمت‌های جدا شده با جداکننده HANDS ON - Other Delimited Formats

  • عملی – فایل‌های بدون سربرگ (Headless Files) HANDS ON - Headless Files

  • عملی – نکاتی در مورد Pandas Index HANDS ON - Notes on Pandas Index

  • عملی – فرمت ARFF HANDS ON - The ARFF Format

  • عملی – فرمت JSON HANDS ON - The JSON Format

  • عملی – داده‌های مبتنی بر SQL HANDS ON - SQL-based Data

  • مستندسازی داده‌ها Documenting Data

  • وظایف پیش‌پردازش داده‌ها Data Preprocessing Tasks

  • مسائل مختلف داده‌ها Different Data Issues

  • اتوماسیون و جابجایی داده‌ها Automation and Data Shuffling

  • مهندسی ویژگی (Feature Engineering) Feature Engineering

  • کار با متغیرهای دسته‌ای (Categorical Variables) Dealing with Categorical Variables

  • پر کردن جاهای خالی – مدیریت مقادیر گمشده Filling the Blanks - Handling Missing Values

  • عملی – مقادیر گمشده – شناسایی مقادیر گمشده HANDS ON - Missing Values - Identifying Missing Values

  • عملی – مقادیر گمشده – جایگزینی مقادیر گمشده با میانگین HANDS ON - Missing Values - Replacing Missing Values with the Mean

  • عملی – مقادیر گمشده – جایگزینی مقادیر گمشده با یک نمونه تصادفی HANDS ON - Missing Values - Replacing Missing Values with a Random Draw

  • مقادیر غیرعادی – هنر تشخیص بصری داده‌های پرت (Outliers) Unusual Values - The Art of Visually Detecting Outliers

  • عملی – داده‌های پرت، روش‌های بصری – بخش اول HANDS ON - Outliers, Visual Methods - Part I

  • عملی – داده‌های پرت، روش‌های بصری – بخش دوم HANDS ON - Outliers, Visual Methods - Part II

  • تغییر مقیاس با نرمال‌سازی داده‌ها (Data Normalization) Moving the Scale with Data Normalization

  • عملی – نرمال‌سازی، روش MinMax HANDS ON - Normalization, MinMax Method

  • عملی – نرمال‌سازی، روش Z-Score HANDS ON - Normalization, Z-Score Method

  • عملی – نرمال‌سازی، روش اعشاری (Decimal Method) HANDS ON - Normalization, Decimal Method

  • مقادیر غیرعادی – روش‌های عددی برای تشخیص داده‌های پرت Unusual Values - Numerical methods for Outliers Detection

  • عملی – تشخیص داده‌های پرت، روش Z-Score HANDS ON - Detecting Outliers, Z-Score Method

  • عملی – تشخیص داده‌های پرت، روش IQR HANDS ON - Detecting Outliers, IQR Method

  • تغییر شکل یک توزیع Changing the Shape of a Distribution

  • عملی – تبدیل متغیرها، تبدیل لگاریتمی (Log Transformation) HANDS ON - Transforming Variables, Log Transformation

  • عملی – تبدیل متغیرها، آزمون نرمال بودن HANDS ON - Transforming Variables, Testing for Normality

  • تبدیل دسته‌ها به اعداد Turning Categories to Numbers

  • عملی – دسته‌ای به عددی، روش One Hot Encoding HANDS ON - Categorical to Numerical, One Hot Encoding Method

  • عملی – دسته‌ای به عددی، روش Mapping HANDS ON - Categorical to Numerical, Mapping Method

  • عملی – عددی به دسته‌ای، تقسیم‌بندی با عرض برابر (Equal Width Binning) HANDS ON - Numerical to Categorical, Equal Width Binning

  • عملی – عددی به دسته‌ای، تقسیم‌بندی با فرکانس برابر (Equal Frequency Binning) HANDS ON - Numerical to Categorical, Equal Frequency Binning

  • عملی – عددی به دسته‌ای، متغیر باینری تکی HANDS ON - Numerical to Categorical, Single Binary Variable

  • مدیریت عدم توازن داده‌ها (Data Imbalances) Dealing with Data Imbalances

  • عملی – عدم توازن داده‌ها، روش نمونه‌برداری کمتر (Undersampling) HANDS ON - Data Imbalance, Undersampling Method

  • عملی – عدم توازن داده‌ها، روش نمونه‌برداری بیشتر (Oversampling) HANDS ON - Data Imbalance, Oversampling Method

  • بررسی دانش Knowledge Check

مدل‌های برآورد و رگرسیون Estimation & Regression Models

  • مقدمه‌ای بر برآورد و رگرسیون Introduction to Estimation & Regression

  • مقدمه‌ای بر رگرسیون خطی ساده Introduction to Simple Linear Regression

  • عملی – رگرسیون خطی ساده – آماده‌سازی HANDS ON - Simple Linear Regression - Getting Ready

  • عملی – رگرسیون خطی ساده – تولید مدل HANDS ON - Simple Linear Regression - Generating the Model

  • درک مدل خطی – درجات آزادی Understanding the Linear Model - Degrees of Freedom

  • درک مدل خطی – خطاها و ضریب تعیین (Coefficient of Determination) Understanding the Linear Model - Errors and Coefficient of Determination

  • مدل رگرسیون خطی ساده چقدر خوب است؟ How Good is the Simple Linear Regression Model?

  • عملی – محاسبه خطاها و ضریب R-Squared HANDS ON - Calculating the Errors and the R-Squared coefficient

  • عملی – برآورد ضرایب رگرسیون خطی ساده HANDS ON - Estimating the Simple Linear Regression Coefficients

  • نگاهی دقیق‌تر به باقیمانده‌ها (Residuals) A Closer Look at the Residuals

  • مقدمه‌ای بر مدل رگرسیون چندگانه Introduction to the Multiple Regression Model

  • عملی – تولید مدل رگرسیون چندگانه HANDS ON - Generating a Multiple Regression Model

  • عملی – R-Squared تعدیل شده (Adjusted R-Squared) HANDS ON - The Adjusted R-Squared

  • عملی – آماره F برای معنی‌داری ضرایب HANDS ON - The F-Statistics for Coefficient Meaningfulness

  • عملی – معیار نسبت درستنمایی (Log-Likelihood Measure) HANDS ON - The Log-Likelihood Measure

  • مدل رگرسیون چندگانه – معیارهای AIC و BIC Multiple Regression Model - The AIC and BIC Metrics

  • عملی – محاسبه AIC و BIC HANDS ON - Calculating AIC & BIC

  • رگرسیون چندگانه – کدام مدل بهتر است؟ Multiple Regression - Which Model is Better?

  • عملی – آزمون مفروضات مدل – بخش اول HANDS ON - Testing Model Assumptions - Part I

  • عملی – آزمون مفروضات مدل – بخش دوم HANDS ON - Testing Model Assumptions - Part II

  • بررسی دانش Knowledge Check

سری‌های زمانی و اقتصاد سنجی Time Series and Econometrics

  • مقدمه‌ای بر اقتصاد سنجی، سری‌های زمانی و استنتاج علی Introduction to Econometrics, Time Series, and Causal Inference

  • مقدمه‌ای بر تحلیل سری‌های زمانی Introduction to Time Series Analysis

  • تحلیل سری‌های زمانی برای یک شرکت تولید شیر Time Series Analysis for a Milk Production Company

  • عملی – پیش‌بینی تولید شیر برای آینده HANDS ON - Predicting Milk Production into the Future

  • معیارهای کیفیت برای تحلیل سری‌های زمانی Quality Metrics for a Time Series Analysis

  • عملی – معیارهای کیفیت برای تحلیل سری‌های زمانی HANDS ON - Quality Metrics for a Time Series Analysis

  • مقدمه‌ای بر تحلیل سری‌های زمانی برای قیمت سهام Introduction to Time Series Analysis for Stock Prices

  • خودهمبستگی (Autocorrelation) در تحلیل سری‌های زمانی Autocorrelation in Time Series Analysis

  • مانایی (Stationarity) و سری‌های زمانی مانا Stationarity and Stationary Time Series

  • عملی – مانایی و خودهمبستگی HANDS ON - Stationarity and Autocorrelation

  • مقدمه‌ای بر میانگین‌های متحرک – میانگین متحرک ساده (SMA) Introduction to Moving Averages - The Simple Moving Average (SMA)

  • عملی – میانگین متحرک ساده – بخش اول HANDS ON - Simple Moving Average - Part I

  • عملی – میانگین متحرک ساده – بخش دوم HANDS ON - Simple Moving Average - Part II

  • میانگین متحرک وزنی (WMA) و میانگین متحرک ساده دوگانه (DSMA) The Weighted Moving Average (WMA) and the Double Simple Moving Average (DSMA)

  • میانگین متحرک نمایی (Exponential Moving Average) و میانگین متحرک نمایی دوگانه (DEMA) The Exponential Moving Average and the Double Exponential Moving Average (DEMA)

  • میانگین متحرک هال (Hull Moving Average) The Hull Moving Average

  • شاخص جهت‌دار متحرک (DMI) و واگرایی همگرایی میانگین متحرک (MACD) The Directional Moving Index (DMI) and the Moving Average convergence Divergence

  • عملی – فراتر از SMA HANDS ON - Moving Beyond SMA

  • بررسی دانش Knowledge Check

استنتاج علی Causal Inference

  • مقدمه‌ای بر تحلیل استنتاج علی Introduction to Causal Inference Analysis

  • دو چارچوب استنتاج علی: DiD و تحلیل تأثیر علی گوگل Two Causal Inference Frameworks: DiD and Google Causal Impact Analysis

  • فرآیند تحلیلی استنتاج علی The Causal Inference Analytical Process

  • روش تفاضل در تفاضل (DiD) The Difference-in-Difference (DiD) Method

  • عملی – تحلیل DiD – تأثیر یک اعلامیه بر قیمت سهام. HANDS ON - DiD Analysis - Effect of an announcement on stock price.

  • روش تحلیل تأثیر علی گوگل The Google Causal Impact Analysis Method

  • عملی – تحلیل علی تاثیر اعلامیه‌ها بر قیمت سهام HANDS ON - Announcements & Stock Prices Causal Analysis

  • بررسی دانش Knowledge Check

بخش‌بندی مشتریان Customer Segmentation

  • بخش‌بندی مشتریان – ارائه بخش Customer Segmentation - Section Presentation

  • مقدمه‌ای بر تحلیل بخش‌بندی Introduction to Segmentation Analysis

  • اصل پارتو (Pareto Principle) The Pareto Principle

  • فرآیند تحلیل RFM (Recency Frequency Monetary) Recency Frequency Monetary (RFM) Analysis Process

  • فرمولاسیون‌های RFM RFM Formulations

  • عملی – درک خریداران شما HANDS ON - Understanding Your Buyers

  • بخش‌بندی از طریق خوشه‌بندی – الگوریتم KMeans Segmentation Via Clustering - The KMeans Algorithm

  • عملی – درک خوشه‌بندی KMeans HANDS ON - Understanding KMeans Clustering

  • تنوع خوشه‌بندی KMedoids The KMedoids Clustering Variation

  • عملی – درک خوشه‌بندی KMedoids HANDS ON - Understanding the KMedoids Clustering

  • انتخاب تابع فاصله صحیح در خوشه‌بندی داده‌های شما Picking the Correct Distance Function in Clustering Your Data

  • انتخاب تعداد خوشه‌های K Selecting the Number of Clusters K

  • عملی – روش‌های Elbow و Silhouette HANDS ON - The Elbow and Silhouette Methods

  • عملی – بخش‌بندی خریداران از طریق تحلیل خوشه‌بندی HANDS ON - Segmenting Buyers via Clustering Analysis

  • اهمیت شکل در داده‌های شما The Importance of the Shape in Your Data

  • عملی – KMeans بر روی داده‌های دایره‌ای HANDS ON - KMeans on Circular Data

  • عملی – KMeans بر روی داده‌های پراکنده با واریانس نامساوی HANDS ON - KMeans on Sparse Data with Unequal Variance

  • عملی – KMeans بر روی داده‌های ناهمسانگرد (Anisotropic Data) HANDS ON - KMeans on Anisotropic Data

  • مقدمه‌ای بر مدل‌های ترکیبی گوسی (Gaussian Mixture Models - GMMs) Introduction to the Gaussian Mixture Models (GMMs)

  • مدل GMM The GMM Model

  • عملی – بخش‌بندی مشتریان با GMM – بخش اول HANDS ON - Customer Segmentation with GMM - Part I

  • عملی – بخش‌بندی مشتریان با GMM – بخش دوم HANDS ON - Customer Segmentation with GMM - Part II

  • بررسی دانش Knowledge Check

پیش‌بینی Forecasting

  • مقدمه‌ای بر پیش‌بینی Introduction to Forecasting

  • عملی – پیش‌بینی با استفاده از استراتژی جمعی یا ضربی HANDS ON - Forecasting using Additive or Multiplicative Strategy

  • مقدمه‌ای بر مدل Meta Prophet Introduction to the Meta Prophet Model

  • مولفه‌های روند در Meta Prophet The Trend Components in Meta Prophet

  • برآورد پارامترها در الگوریتم Meta Prophet: یک رویکرد بیزی Estimating Parameters in the Meta Prophet Algorithm: a Bayesian Approach

  • روش نمونه‌گیری در برآورد پارامتر: روش‌های MCMC و NUTS The Sampling Method in Parameter Estimation: MCMC and NUTS methods

  • آموزش مدل‌های یادگیری ماشین Training Machine Learning Models

  • عملی – پیش‌بینی قیمت سهام با Meta Prophet HANDS ON - Forecasting Stock Price with Meta Prophet

  • مقدمه‌ای بر مدل‌های مارکوف (Markov Models) Introduction to Markov Models

  • زنجیره‌های مارکوف (Markov Chains) Markov Chains

  • بردار پایدار در زنجیره مارکوف The Steady Vector in a Markov Chain

  • شبیه‌سازی موفقیت یک مدل کسب و کار با استفاده از زنجیره مارکوف Simulating a Business Model Success using a Markov Chain

  • عملی – شبیه‌سازی موفقیت کسب و کار StreamX – بخش اول HANDS ON - Simulating StreamX Business Success - Part I

  • عملی – شبیه‌سازی موفقیت کسب و کار StreamX – بخش دوم HANDS ON - Simulating StreamX Business Success - Part II

  • عملی – شبیه‌سازی موفقیت کسب و کار StreamX – بخش سوم HANDS ON - Simulating StreamX Business Success - Part III

  • عملی – شبیه‌سازی موفقیت کسب و کار StreamX – بخش چهارم HANDS ON - Simulating StreamX Business Success - Part IV

  • بررسی دانش Knowledge Check

  • تبریک و تشکر برای تکمیل این دوره Congratulations and Thank You for Completing this Course

مطالعات موردی صنعتی (بخش جدید) Industry Use Cases (New Section)

  • تحلیل زنجیره تامین (Supply Chain Analysis) Supply Chain Analysis

  • پیش‌بینی قیمت و فروش Price & Sales Forecasting

جایزه – پایان دوره Bonus - End of the Course

  • درس جایزه ویژه Special Bonus Lecture

آموزش دات نت 6: تصویر بزرگ

آموزش دات نت 6: تصویر بزرگ

.NET 6: The Big Picture

آموزش آشنایی با AZ-400: طراحی و اجرای امتحان Microsoft DevOps Solutions

آموزش آشنایی با AZ-400: طراحی و اجرای امتحان Microsoft DevOps Solutions

دانلود Introduction to the AZ-400: Designing and Implementing Microsoft DevOps Solutions Exam

آموزش تسلط بر برنامه های افزودنی D3.js در Qlik Sense

آموزش تسلط بر برنامه های افزودنی D3.js در Qlik Sense

Mastering D3.js Extensions in Qlik Sense

نمایش نظرات

آموزش تحلیل کسب و کار و داده با پایتون
جزییات دوره
27.5 hours
187
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
427
4.7 از 5
دارد
دارد
دارد

https://donyad.com/d/f01750

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr Giancarlo Crocetti Dr Giancarlo Crocetti

استاد دانشگاه و مدرس در یودمی