آموزش ## پایتون برای علم داده - آخرین آپدیت

سرفصل ها و درس ها

مقدمه ای بر پایتون برای علم داده و یادگیری ماشین Introduction to Python for Data Science & Machine Learning

• مقدمه Introduction

• 2. بازار کار علم داده + یادگیری ماشین 2.Data Science + Machine Learning Marketplace

• 3. فرصت های شغلی علم داده 3.Data Science Job Opportunities

• 4. نقش های شغلی علم داده 4.Data Science Job Roles

• 5. دانشمند داده کیست؟ 5.What is a Data Scientist

• 6. چگونه یک شغل در علم داده پیدا کنیم 6.How To Get a Data Science Job

• 7. پروژه علم داده 7.Data science project

2. مفاهیم علم داده و یادگیری ماشین 2.Data Science & Machine Learning Concepts

• چرا پایتون؟ Why Python?

• علم داده چیست؟ What is Data Science ?

• یادگیری ماشین چیست؟ What is Machine Learning?

• مفاهیم و الگوریتم های یادگیری ماشین Machine learning Concepts & Algorithms

• یادگیری عمیق چیست؟ What is Deep Learning?

• یادگیری ماشین در مقابل یادگیری عمیق Machine Learning vs Deep Learning

پایتون برای علم داده Python for Data Science

• برنامه نویسی چیست؟ What is Programming?

• چرا پایتون برای علم داده؟ Why Python for Data Science?

• ژوپیتر چیست؟ What is Jupyter?

• گوگل کولب چیست؟ What is Google Colab?

• متغیرها و بولین ها در پایتون Python Variables & Booleans

• شروع کار با گوگل کولب Getting Started with Google Colab

• عملگرهای پایتون Python Operations

• اعداد و بولین ها در پایتون Python Numbers & Booleans

• رشته ها در پایتون Python Strings

• عبارات شرطی پایتون قسمت 1 Python Conditional Statement Part 1

• عبارات شرطی پایتون قسمت 2 Python Conditional Statement Part 2

• عبارات شرطی پایتون قسمت 3 Python Conditional Statements Part 3

• اطلاعات بیشتر درباره لیست ها More About Lists

• تاپل ها در پایتون Python Tuples

• دیکشنری ها در پایتون Python Dictionaries

• مجموعه ها در پایتون Python Sets

• انواع داده های ترکیبی و زمان استفاده از هر کدام؟ Compound Data Types & When to use each one?

• آزمون پایتون برای علم داده قسمت 1 Python for Data Science Quiz Part 1

• مبانی پایتون برای علم داده: متغیرها، منطق و ساختارهای داده اصلی Python Fundamentals for Data Science: Variables, Logic, and Core Data Structures

• 31. توابع پایتون 31. Python Functions

• 32. برنامه نویسی شی گرا در پایتون 32. Object-Oriented Programming in Python

آمار برای علم داده Statistics for Data Science

• 33. مقدمه ای بر آمار 33. Intro To Statistics

• 34. آمار توصیفی 34. Descriptive Statistics

• 35. اندازه گیری پراکندگی 35. Measure of Variability

• 36. ادامه اندازه گیری پراکندگی 36. Measure of Variability Continued

• 37. اندازه گیری رابطه متغیرها 37. Measures of Variable Relationship

• 38. آمار استنباطی 38. Inferential Statistics

• 39. اندازه گیری عدم تقارن 39. Measure of Asymmetry

• 40. توزیع نمونه برداری 40. Sampling Distribution

احتمال و آزمون فرضیه Probability and hypothesis testing

• 41. احتمال دقیقا چیست 41. What Exactly is Probability

• 42. مقادیر مورد انتظار 42. Expected Values

• 43. فراوانی نسبی 43. Relative Frequency

• 44. بررسی اجمالی آزمون فرضیه 44. Hypothesis Testing Overview

تجزیه و تحلیل داده با Numpy Numpy Data Analysis

• 45. معرفی انواع داده آرایه NumPy 45. Intro NumPy Array Data Types

• 46. آرایه های NumPy 46. NumPy Arrays

• 47. اصول آرایه های NumPy 47.NumPy Arrays Basics

• 48. اندیس گذاری آرایه NumPy 48. NumPy Array Indexing

• 49. محاسبات آرایه NumPy 49. NumPy Array Computations

• 50. پخش (Broadcasting) 50. Broadcasting

تجزیه و تحلیل داده با Pandas Pandas Data Analysis

• 51. مقدمه ای بر Pandas 51. Intro To Pandas

• 52. ادامه مقدمه ای بر Pandas 52. Intro To Pandas Continued

تصویرسازی داده با پایتون Python Data Visualization

• 53. این دوره برای چه کسانی است 53. Who is this course for

• 54. کتابخانه های مختلف تصویرسازی داده در پایتون 54. Different Data Visualization Libraries in Python

• 55. پیاده سازی تصویرسازی داده با پایتون 55. Python Data Visualization Implementation

مقدمه ای بر یادگیری ماشین Introduction to Machine Learning

• 56. مقدمه ای بر یادگیری ماشین 56. Intro to Machine Learning

بارگذاری و کاوش داده Data Loading and Exploration

• 57. تحلیل اکتشافی داده (EDA) 57. Exploratory Data Analysis

پاکسازی داده Data Cleaning

• 58. مقیاس بندی ویژگی (Feature Scaling) 58. Feature Scaling

• 59. پاکسازی داده 59. Data Cleaning

انتخاب و مهندسی ویژگی Feature Selection and Engineering

• 60. مهندسی ویژگی 60. Feature Engineering

رگرسیون خطی و لجستیک Linear and Logistic Regressions

• 61. معرفی رگرسیون خطی 61. Linear Regression Intro

• 62. گرادیان کاهشی (Gradient Descent) 62. Gradient Descent

• 63. رگرسیون خطی + روش های همبستگی 63. Linear Regression + Correlation Methods

• 64. پیاده سازی رگرسیون خطی 64. Linear Regression Implementation

• 65. رگرسیون لجستیک 65. Logistic Regression

• رگرسیون های خطی و لجستیک Linear and Logistic Regressions

K نزدیکترین همسایه (K Nearest Neighbors) K Nearest Neighbours

• 66. بررسی اجمالی KNN 66. KNN Overview

• 67. مدل های پارامتری در مقابل غیر پارامتری 67. Parametric vs non-parametric models

• 68. EDA روی مجموعه داده Iris 68. EDA on Iris Dataset

• 69. شهود KNN 69. The KNN Intuition

• 70. پیاده سازی الگوریتم KNN از ابتدا 70. Implement the KNN algorithm from scratch

• 71. مقایسه نتیجه با کتابخانه Sklearn 71. Compare the result with the Sklearn Library

• 72. تنظیم ابرپارامتر با استفاده از اعتبارسنجی متقابل 72. Hyperparameter tuning using the cross-validation

• 73. تصویرسازی مرز تصمیم 73. The decision boundary visualization

• 74. فاصله منهتن در مقابل فاصله اقلیدسی 74. Manhattan vs Euclidean Distance

• 75. مقیاس بندی ویژگی در KNN 75. Feature scaling in KNN

• 76. نفرین ابعاد 76. Curse of dimensionality

• 77. موارد استفاده از KNN 77. KNN use cases

• 78. مزایا و معایب KNN 78. KNN pros and cons

درخت های تصمیم (Decision Trees) Decision Trees

• 79. بررسی اجمالی بخش درخت های تصمیم 79.Decision Trees Section Overview

• 80. EDA روی مجموعه داده Adult 80. EDA on Adult Dataset

• 81. آنتروپی و بهره اطلاعاتی چیست 81. What is Entropy and Information Gain

• 82. الگوریتم درخت تصمیم ID3 از ابتدا قسمت 1 82. The Decision Tree ID3 algorithm from scratch Part 1

• 83. الگوریتم درخت تصمیم ID3 از ابتدا قسمت 2 83. The Decision Tree ID3 algorithm from scratch Part 2

• 84. الگوریتم درخت تصمیم ID3 از ابتدا قسمت 3 84. The Decision Tree ID3 algorithm from scratch Part 3

• 85. ID3 - قرار دادن همه چیز در کنار هم 85. ID3 - Putting Everything Together

• 86. ارزیابی پیاده سازی ID3 ما 86. Evaluating our ID3 implementation

• 87. مقایسه با پیاده سازی Sklearn 87. Compare with Sklearn implementation

• 88. تجسم درخت 88. Visualizing the tree

• 89. رسم ویژگی های مهم 89. Plot the Important Features

• 90. ابرپارامترهای درخت های تصمیم 90. Decision Trees Hyper-parameters

• 91. هرس کردن (Pruning) 91. Pruning

• 92. [اختیاری] نسبت بهره (Gain Ratio) 92. [Optional] Gain Ration

• 93. مزایا و معایب درخت های تصمیم 93. Decision Trees Pros and Cons

• 94. [پروژه] پیش بینی اینکه آیا درآمد از 50 هزار دلار در سال بیشتر است - بررسی اجمالی 94. [Project] Predict whether income exceeds $50K/yr - Overview

یادگیری تجمیعی و جنگل های تصادفی (Ensemble Learning and Random Forests) Ensemble Learning and Random Forests

• 95. بررسی اجمالی بخش یادگیری تجمیعی 95. Ensemble Learning Section Overview

• 96. یادگیری تجمیعی چیست؟ 96. What is Ensemble Learning?

• 97. نمونه برداری Bootstrap چیست؟ 97. What is Bootstrap Sampling?

• 98. Bagging چیست؟ 98. What is Bagging?

• 99. خطای Out-of-Bag (خطای OOB) 99. Out-of-Bag Error (OOB Error)

• 100. پیاده سازی جنگل های تصادفی از ابتدا قسمت 1 100. Implementing Random Forests from scratch Part 1

• 101. پیاده سازی جنگل های تصادفی از ابتدا قسمت 2 101. Implementing Random Forests from scratch Part 2

• 102. مقایسه با پیاده سازی sklearn 102. Compare with sklearn implementation

• 103. ابرپارامترهای جنگل های تصادفی 103. Random Forests Hyper-Parameters

• 104. مزایا و معایب جنگل های تصادفی 104. Random Forests Pros and Cons

• 105. Boosting چیست؟ 105. What is Boosting?

• 106. AdaBoost قسمت 1 106. AdaBoost Part 1

• 107. AdaBoost قسمت 2 107. AdaBoost Part 2

ماشین های بردار پشتیبان (Support Vector Machines) Support Vector Machines

• 108. طرح کلی SVM 108. SVM Outline

• 109. شهود SVM 109. SVM intuition

• 111. ابرپارامتر C 111. C hyper-parameter

• 112. ترفند هسته (Kernel Trick) 112. Kernel Trick

• 113. SVM - انواع هسته 113. SVM - Kernel Types

• 114. SVM با مجموعه داده خطی (Iris) 114. SVM with Linear Dataset (Iris)

• 115. SVM با مجموعه داده غیر خطی 115. SVM with Non-linear Dataset

• 116. SVM با رگرسیون 116. SVM with Regression

• 117. [پروژه] تشخیص جنسیت صدا با استفاده از SVM 117. [Project] Voice Gender Recognition using SVM