آموزش تحلیل داده با پایتون

تجزیه و تحلیل داده با پایتون یک مهارت ضروری برای دانشمندان داده و تحلیلگران داده است. این دوره شما را از مبانی تجزیه و تحلیل داده با پایتون به ساخت و ارزیابی مدل‌های داده هدایت ... ادامه

ارائه دهنده:  IBM  IBM
مدرس دوره:
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  1:45 ساعت
مجموع محتوای آموزشی:  1:45 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی

آنچه در این دوره می‌آموزیم:

 توسعه کد پایتون برای تمیز کردن و آماده‌سازی داده برای تجزیه و تحلیل

 انجام تجزیه و تحلیل اکتشافی داده و استفاده از تکنیک‌های تحلیلی بر روی مجموعه‌ داده‌های واقعی با استفاده از کتابخانه‌هایی نظیر پاندا، نامپای و سایپای

 تغییر داده با استفاده از فریم‌های داده، خلاصه‌سازی داده، درک توزیع داده، انجام همبستگی و ایجاد پایپ‌لاین داده

 ساخت و ارزیابی مدل‌های رگرسیون با استفاده از کتابخانه یادگیری ماشین scikit-learn و استفاده از آن‌ها برای پیش‌بینی و تصمیم‌گیری

پیش‌نیاز‌ها

این دوره به نحوی تهیه و تدوین شده است که مباحث آن به ساده‌ترین شکل ممکن بیان شوند و مخاطبان دوره بتوانند به‌سادگی متوجه موضوعات مطرح شده شوند. به همین جهت برای شرکت در این دوره هیچ پیش‌نیاز به خصوصی وجود ندارد و افراد با هر سطحی از آگاهی و تحصیلات می‌توانند از مباحث این دوره نهایت استفاده را داشته باشند.

سرفصل‌های دوره آموزش تحلیل داده با پایتون

وارد کردن داده (Data Set)

در این فصل، شما خواهید آموخت چگونه داده‌ها را درک کنید و چگونه از کتابخانه‌ها در پایتون برای کمک به شما در وارد کردن داده از منابع مختلف استفاده کنید. سپس یاد خواهید گرفت چگونه برخی از وظایف ابتدایی را انجام دهید تا شروع به کاوش و تجزیه و تحلیل مجموعه داده وارد شده کنید.

  درک داده‌ها
"02:45  
  کتابخانه و پکیج‌های پایتون برای علم داده
"02:46  
  وارد کردن و خروجی گرفتن داده‌ها در پایتون
"04:29  
  شروع به تجزیه و تحلیل داده‌ها در پایتون
"04:35  
  دسترسی به پایگاه داده با پایتون
"04:17  
بررسی داده‌ها

در این فصل، شما یاد خواهید گرفت چگونه برخی از وظایف اصلی پردازش داده را انجام دهید که به همراه هم فاز پیش‌پردازش تجزیه و تحلیل داده را تشکیل می‌دهند. این وظایف شامل مدیریت مقادیر گم‌شده در داده، قالب‌بندی داده برای استانداردسازی و یکنواخت کردن آن، نرمال‌سازی داده، گروه‌بندی ارزش‌های داده در باکس‌ها، و تبدیل متغیرهای زمانه به متغیرهای کمی عددی می‌شود.

  پیش پردازش داده‌ها با پایتون
"02:28  
  بررسی دیتای ناموجود در پایتون
"06:16  
  قالب‌بندی داده‌ها در پایتون
"03:42  
  نرمال‌کردن (Normalization) داده‌ها در پایتون
"03:54  
  Binning در پایتون
"02:07  
  تبدیل متغیرهای طبقه‌بندی (Categorical) به متغیرهای کمی در پایتون
"02:20  
روش تحلیل داده اکتشافی (Exploratory Data Analysis)

در این فصل، شما یاد خواهید گرفت چه معنایی دارد کاوش داده اکتشافی و چگونه محاسبات روی داده‌ها انجام دهید تا اطلاعات آماری توصیفی پایه مانند میانگین، میانه، حالت و مقادیر کاربردی را محاسبه کنید و از آن اطلاعات برای بهتر فهمیدن توزیع داده استفاده کنید. شما درباره قرار دادن داده‌های خود در گروه‌ها برای کمک به بهتر دیده شدن داده یاد خواهید گرفت، نحوه استفاده از روش همبستگی پیرسون برای مقایسه دو متغیر عددی پیوسته، و چگونگی استفاده از آزمون کای-مربع برای یافتن ارتباط بین دو متغیر زمانه کتگوریال و نحوه تفسیر آنها.

  تجزیه و تحلیل داده‌های اکتشافی
"01:39  
  آمار توصیفی
"04:58  
  GroupBy در پایتون
"03:39  
  همبستگی
"02:49  
  همبستگی - آمار
"02:56  
توسعه مدل

در این فصل، شما یاد خواهید گرفت چه معنایی دارد متغیر توضیحی و متغیر پاسخ را تعریف کنید و تفاوت‌ها بین مدل‌های رگرسیون خطی ساده و چندگانه را درک کنید. شما یاد خواهید گرفت چگونه یک مدل را با استفاده از دیداری ارزیابی کنید و درباره رگرسیون چندجمله‌ای و لوله‌ها آموخت خواهید گرفت. شما همچنین چگونگی تفسیر و استفاده از اندازه R مربع و خطای میانگین مربع را یاد خواهید گرفت تا ارزیابی درون نمونه‌ای برای ارزیابی عددی مدل خود انجام دهید. و در آخر، شما در مورد پیش‌بینی و تصمیم‌گیری زمان تعیین صحت مدل خود یاد خواهید گرفت.

  توسعه مدل
"02:02  
  رگرسیون خطی و رگرسیون خطی چندگانه
"06:52  
  ارزیابی مدل با استفاده از تصویرسازی
"05:02  
  رگرسیون چند جمله‌ای و Pipeline
"04:44  
  اقدامات برای ارزیابی نمونه
"04:04  
  پیش‌بینی و تصمیم‌گیری
"05:22  
ارزیابی و اصلاح مدل

در این فصل، شما درباره اهمیت ارزیابی مدل آموخته و به تبحر مختلف در بهبود مدل داده می‌پردازید. شما درباره انتخاب مدل و چگونگی شناسایی بیش‌آموزی و کم‌آموزی در یک مدل پیش‌بینی می‌آموزید. شما همچنین درباره استفاده از رگرسیون ریج برای تنظیم اندازه‌های استاندارد و کاهش خطاهای استاندارد برای جلوگیری از بیش‌آموزی در یک مدل رگرسیون و چگونگی استفاده از روش جستجوی شبکه برای تنظیم هایپرپارامترهای یک تخمین‌گر یاد خواهید گرفت.

  ارزیابی و اصلاح مدل
"07:49  
  Overfitting، Underfitting و انتخاب مدل
"04:38  
  رگرسیون Ridge
"04:47  
  جستجوی شبکه
"04:51  

ویژگی‌های دوره

زیرنویس فارسی
زیرنویس فارسی

این دوره دارای زیرنویس اختصاصی است.

درباره دوره

تجزیه و تحلیل داده با پایتون یک مهارت ضروری برای دانشمندان داده و تحلیلگران داده است. این دوره شما را از مبانی تجزیه و تحلیل داده با پایتون به ساخت و ارزیابی مدل‌های داده هدایت خواهد کرد.

موضوعات مورد پوشش شامل:

  • جمع‌آوری و وارد کردن داده
  • تمیز کردن، آماده‌سازی و قالب‌بندی داده
  • تغییر و مدیریت فریم داده
  • خلاصه‌سازی داده
  • ساخت مدل‌های رگرسیون یادگیری ماشین
  • بهبود مدل
  • ایجاد پایپ لاین داده

شما یاد خواهید گرفت چگونه داده را از منابع مختلف وارد کنید، داده را تمیز کرده و به شکل‌دهی کنید، تجزیه و تحلیل اکتشافی داده (EDA) انجام دهید و چگونه داده‌های معناداری را تصویرسازی کنید.

سپس از داده، با ساخت مدل‌های رگرسیون خطی، چندگانه، چندجمله‌ای و لوله‌ها، روند توسعه و پیش‌بینی روند‌های آینده را یاد خواهید گرفت و چگونگی ارزیابی آن‌ها را فرا خواهید گرفت.

علاوه بر جلسات ویدئویی، شما با کار با پروژه‌های عملی آموزش و تمرین خواهید کرد. شما با چندین کتابخانه باز پایتون، از جمله پاندا و نامپای برای بارگیری، مدیریت، تجزیه و تحلیل و تصویرسازی مجموعه داده‌های جالب کار خواهید کرد. همچنین با scipy و scikit-learn کار خواهید کرد تا مدل‌های یادگیری ماشین بسازید و پیش‌بینی انجام دهید.

 

درباره استاد

maktabkhooneh-teacher Joseph Santarcangelo

جوزف دارای دکترای مهندسی برق است و موضوع مقاله اش درباره چگونگی استفاده از یادگیری ماشین، پردازش سیگنال و بینایی کامپیوتری برای تشخیص میزان تاثیر ویدیوها برروی شناخت انسان است. ایشان پس از دریافت مدرک دکتری در شرکت IBM شروع به فعالیت کرده و در حال حاضر نیز در همین مجموعه معتبر در حال کار است.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.

سوالات پرتکرار

پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟
بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.
poster
  
برگزار کننده:  IBM
  
زمان مورد نیاز برای گذارندن دوره:  1:45 ساعت
مجموع محتوای آموزشی:  1:45 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی