چرا این دوره رو به شما پیشنهاد می‌کنیم؟
این دوره می‌تونه برای شما به عنوان یه قدم اولیه برای آشنایی با علم داده (Data Science) به حساب بیاد! در مورد علم داده که شنیدین؟ یکی از پرمخاطب‌ترین و جذاب‌ترین روندهای علوم کامپیوتر حال حاضر! از طرفی پایتون هم مهم‌ترین زبان برای توسعه کاربردهای علم داده به حساب میاد. برهمین‌اساس با استفاده از این دوره می‌تونید یک شیرجه عمیق به این حوزه رو تجربه کنید و با استفاده از مثال‌های عملی و کاربردی ازش لذت ببرید!
در دوره آموزشی پایتون برای علم داده پس از آشنایی اولیه با زبان برنامه‌نویسی پایتون، به صورت عملی و همراه با پروژه‌ها و تمرین‌های متعدد که در کلیه بخش‌ها انجام می‌شه، با امکانات مختلف پایتون در حوزه علم داده آشنا می‌شید و این قابلیت رو کسب می‌کنید که از پایتون به عنوان مهم‌ترین یا دست‌کم یکی از مهم‌ترین ابزارهایی توسعه علم داده در پروژه‌های مربوط به کسب‌و‌کار، صنعت، دانشگاه و … استفاده کنید.
این دوره آموزشی که در دسته مباحث مربوط به داده‌کاوی و آنالیز داده قرار می‌گیره شامل حدود 6 ساعت آموزش تخصصی و کاربردیه! دوره آموزشی پایتون برای علم داده می‌تونه دروازه خوبی برای ورود شما به دنیای هیجان‌انگیز داده‌ها باشه! پس ازش لذت ببرید!
سرفصل‌های دوره
بخش اول: معرفی دوره
در این بخش، ضمن ارائه پیش‌نمایشی از پروژه پایانی درس، با کلیات دوره و اهداف اون آشنا می‌شید!
بخش دوم: آشنایی با پایتون
- ارزیابی مزایای پایتون به عنوان یک زبان برنامه‌نویسی (Articulate the benefit of the python as a programing language)
- نوشتن یک برنامه ساده با پایتون (Write a simple program in python)
- مفهوم نوع داده داینامیک برای مقداردهی به متغیرها (Use dynamic typing to assign values to variables)
- کار با اشیاء (Describe an object from a programing perspective)
- ساخت اشیاء و فراخوانی متدها (Create object and call methods on objects)
- استفاده از حلقه برای نوشتن یک برنامه (Author a python program which uses a loop)
- استفاده از شرط‌ها برای نوشتن یک برنامه (Author a python program which uses a conditions)
- ایجاد یک تابع در پایتون با استفاده از ورودی و خروجی (Create a functions in python with inputs and outputs)
- نحوه عملکرد پارامترها (Explain the implications of passing of object reference by value)
- مفوم طول عمر متغیرها (Apply the scoping rules to understand the lifetime of a variable)
- ایجاد یک متغیر گلوبال (Create a global variable)
- کار کردن با لیست (Working with list)
- کار کردن با دیکشنری (Working with dictionary)
- کار کردن با تاپل (Working with tupple)
- مفهوم برش (Concepts of slicing)
بخش سوم: معرفی و کار با کتابخانه نامپای (NumPy)
- معرفی نامپای (Introduction to NamPy)
- کار کردن با آرایه‌های چند بعدی (Getting started with ndarray)
- ایندکس‌گذاری آرایه‌ها (Array indexing)
- انواع داده و عملیات آرایه‌ای (Datatype and array operations )
- عملیات ریاضی روی آرایه‌ها (Arithmetic array operations)
- متدهای آماری، مرتب‌سازی و عملیات مجموعه‌ای (Statistical method,sorting and set operations)
- مفهوم همه‌پخشی (Broadcasting)
- مقایسه سرعت آرایه نامپای در مقابل لیست (SpeedTest: ndarray vs list)
- عملیات اضافی روی آرایه‌های نامپای (Additional common ndarray operations)
- مفهوم ضرب نقطه‌ای روی ماتریس و ضرب خطی روی بردار (Dot product on matrix and inner product on vectors)
- تغییر شکل آرایه‌ها (Reshaping array)
- ایندکس‌گذاری آرایه‌ها با استفاده از شرط (Indexing using where)
- تولید اعداد تصادفی (Random number Generation)
- Element-wise Function
- ادغام داده‌ها با استفاده از متد ادغام (Merging dataset)
- خواندن و نوشتن روی دیسک (Read and write on disc)
بخش چهارم: معرفی و کار با کتابخانه پنداز (Pandas)
- معرفی ساختار داده مرتبط با پنداز (Introduction to pandas data structures)
- ساخت دیتافریم با استفاده از یک دیکشنری از سری‌ها (Create DataFrame from the dictionary of python series)
- ایجاد دیتافریم از لیستی از دیکشنری‌ها (‘Create DataFrame from a list of pythons dictionary)
- عملیات پایه روی دیتافریم (Basic DataFrame operations)
- مطالعه موردی تحلیل داده‌های فیلم (Case study: movie data analysis)
- استفاده از پنداز برای خواندن دیتاست از سیستم (Use pandas to read the dataset)
- آمار توصیفی (Descriptive Statistics)
- حذف و کار کردن با مقادیر از دست رفته (Data cleaning: handling missing data)
- مصورسازی داده‌ها (Data Visualizations)
- اسلایس کردن ستون‌ها (Slicing out columns)
- فیلتر کردن برای انتخاب سطرهای مورد نظر دیتافریم در پنداز (Filter for selecting Rows)
- توابع تجمعی و گروپ بای (GroupBy and Aggregate)
- ادغام دیتافریم (Merge DataFrames)
- عملیات روی رشته‌ها (Vectorized String Operations)
- تجزیه برچسب‌های زمانی (Parsing Timestamps)
بخش پنجم: مصورسازی داده‌ها و کار با کتابخانه MatPlotLib
- بررسی مفاهیم مقدماتی ترسیم پلات در پایتون
بخش ششم: یادگیری ماشین و استفاده از تکنیک‌ها و الگوریتم‌های مختلف آن
- معرفی یادگیری ماشین (Machine Learning Introduction)
- ترمینولوژی یادگیری ماشین (Machin Learning Terminology)
- مدل‌ها و تکنیک‌های یادگیری ماشین (Machine Learning models and Techniques)
- تعریف و پیاده‌سازی الگوریتم‌های مختلف یادگیری ماشین (concepts and implimentations) از جمله Regression، Decision-Tree و K-Means
- پردازش زبان طبیعی و کار با کتابخانه NLTK
- نحوه نشانه‌گذاری واژه ها (Tokenize Text in Words)
- ساخت مدل دسته‌ای از واژه‌ها (Build a bag-of-words Models)
- کشف داده‌های پرتکرار (Plotting frequencies of words)
- ایجاد یک مدل یادگیری ماشین از نوع دسته‌بندی برای تحلیل احساسات (Train a classifier for sentiment analysis)
بخش هفتم: ارتباط با پایگاه داده
- دسترسی به پایگاه داده با استفاده از پایتون (Access a database with python)
- دسترسی به پایگاه داده اسکیو‌ال‌لایت با پایتون (Access the database with Sqlite 3 packages)
- وارد کردن داده از / به پایگاه داده (Import data from a database to DataFrame)
بخش هشتم: پروژه پایانی (Final Project)
در قالب این پروژه کاربردی شما نسبت به مرور و تثبیت آموخته‌ها اقدام می‌کنید.
اطلاعات بیشتر
این دوره فراتر از یک مجموعه اسلاید و دستورالعمله! تو این دوره روی کیس‌های واقعی و جذاب کار می‌کنیم. این دوره از تمرینات و مباحث عملی مبتنی بر واقعیت تشکیل شده که می تونید توی پروژها تون استفاده کنید، تمام مستندات دوره از جمله کدهای استفاده شده در فایل ضمیمه، پس از تهیه دوره به صورت آنی در اختیار شما قرار می‌گیره! در مجموع همه چیز برای یک شروع خوب فراهمه!
ابزارهای مرتبط
- محیط توسعه Anaconda
پیش‌نیازها
- دوره آموزشی پایتون در kaggle، در صورت عدم آشنایی با امکانات زبان برنامه نویسی پایتون.
پیش‌نمایش پروژه ویدئو
تصویری کلی از مباحث مطرح شده در این دوره آموزشی
آشنایی با پایتون ویدئو
فرهم آوردن زمینه شروعی قدرتمند با پایتون!
قسمت اول: کار با کتابخانه نامپای (NumPy) ویدئو
از مهم‌ترین کتابخانه‌های علم داده در پایتون
قسمت دوم: کار با کتابخانه نامپای (NumPy) ویدئو
از مهم‌ترین کتابخانه‌های علم داده در پایتون
قسمت سوم: کار با کتابخانه نامپای (NumPy) ویدئو
از مهم‌ترین کتابخانه‌های علم داده در پایتون
قسمت اول: معرفی و کار با کتابخانه پانداز (Pandas) ویدئو
از مهم‌ترین کتابخانه‌های علم داده در پایتون
قسمت دوم: معرفی و کار با کتابخانه پانداز (Pandas) ویدئو
از مهم‌ترین کتابخانه‌های علم داده در پایتون
قسمت سوم: معرفی و کار با کتابخانه پانداز (Pandas) ویدئو
از مهم‌ترین کتابخانه‌های علم داده در پایتون
از مهم‌ترین کتابخانه‌های علم داده در پایتون ویدئو
قسمت اول: یادگیری ماشین، مفاهیم، تعاریف، تکنیک‌ها و استفاده از کتابخانه Scikit-Learn ویدئو
دروازه‌ای برای ورود به دنیای شیرین هوش مصنوعی و یادگیری ماشین
قسمت دوم: یادگیری ماشین، مفاهیم، تعاریف، تکنیک‌ها و استفاده از کتابخانه Scikit-Learn ویدئو
دروازه‌ای برای ورود به دنیای شیرین هوش مصنوعی و یادگیری ماشین
قسمت سوم: الگوریتم Decision Tree ویدئو
از الگوریتم‌های اساسی یادگیری ماشین نظارت شده
قسمت چهارم: الگوریتم K-Means ویدئو
از الگوریتم‌های اساسی یادگیری ماشین غیر نظارت شده
قسمت پنجم: رگرسیون - Regression ویدئو
از الگوریتم‌های اساسی یادگیری ماشین
قسمت ششم: پردازش زبان طبیعی (NLP) و کار با کتابخانه NLTK ویدئو
از مهم‌ترین شاخه‌های هوش مصنوعی
قسمت هفتم: پردازش زبان طبیعی (NLP) و کار با کتابخانه NLTK ویدئو
قسمت اول: ارتباط با پایگاه داده ویدئو
ورود به بحث ذخیره‌سازی داده‌ها در پایتون
قسمت دوم: ارتباط با پایگاه داده ویدئو
ورود به بحث ذخیره‌سازی داده‌ها در پایتون
پروژه پایانی (Final Project) ویدئو
تثبیت یافته‌ها و دانسته‌ها
Python
NumPy
Pandas
Matplotlib
Decision Tree
K-means
Regression
NLTK
Database
Final
آشنایی با پایتون
معرفی و کار با کتابخانه نامپای (NumPy)
معرفی و کار با کتابخانه پانداز (Pandas)
مصورسازی داده‌ها و کار با کتابخانه MatPlotLib
الگوریتم یادگیری ماشین Decision Tree
الگوریتم یادگیری ماشین K-Means
الگوریتم یادگیری ماشین Regression
کار با کتابخانه NLTK
ارتباط با پایگاه داده
پروژه پایانی (Final Project)
درخواست مشاوره
برای کسب اطلاعات بیشتر درباره این دوره درخواست مشاوره خود را ارسال کنید و یا با ما در تماس باشید.
درخواست مشاورهدوره های مرتبط
دوره آموزشی تحلیل داده های فروش محصولات به وسیله زبان برنامه نویسی پایتون
در این دوره که شامل بیش از 5 ساعت آموزش تخصصی و کاربردی است، شما توانایی انجام یک پروژه صفر تا صد تحلیل کسب‌و‌کارهای اینترنتی در قالب یک پروژه دنیای واقعی را خواهید داشت.
دوره آموزشی Data Cleaning در Kaggle با استفاده از زبان برنامه نویسی پایتون
چرا این دوره برای شما مفیده؟ تمیز کردن داده ها بخش مهمی از علم داده است. چرا برخی از فیلدهای…
دوره آموزشی کار با کتابخانه Pandas در Kaggle با استفاده از زبان برنامه نویسی پایتون
داده های خودتان را به هرشکی که خواهید در بیاورید.
chat_bubble_outlineنظرات
500,000 تومان
هادی احمدی – دانشگاه تربیت مدرس – تهران
تحلیل گر کسب و کار (Business Analyst) شرکت ایرانسل، کارشناس ارشد مهندسی فناوری اطلاعات، دانشگاه تربیت مدرس تهرانتبلیغات
قوانین ثبت دیدگاه