هنر حل مسئله با داده

علم داده (data science) یا هنر حل مسئله با داده چیست؟ در آموزش علم داده چگونگی حل مسئله با استفاده از علوم داده (Data Science) به شما آموزش داده می‌شود. در این دوره به آموزش ... ادامه

ارائه دهنده:  مکتب‌خونه  مکتب‌خونه
مدرسان دوره
بهنام ثابتی بهنام ثابتی
رضا فهمی رضا فهمی
سید علیرضا بختیاری سید علیرضا بختیاری
فرهاد آزادجو فرهاد آزادجو
 87% (594 رای)
سطح: متوسط
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  38 ساعت
مجموع محتوای آموزشی:  12 ساعت ویدئو - 27 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  6 هفته
  
حد نصاب قبولی در دوره:  70 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   تسهیل استخدام

پیش‌نیاز‌ها

برای داشتن هنر حل مسئله با داده اول از هر چیز، باید بتوانید مشکلی که کسب‌وکار شما با آن روبه‌رو است را به خوبی درک کنید. آشنایی با چگونگی جمع‌‌آوری داده هم مهم است. چرا که با تحلیل داده‌های مناسب می‌توانید اطلاعات موردنیازتان را کسب کنید. 

از طرفی هنر حل مسئله نیاز به آشنایی با اصول یادگیری ماشین دارد. درواقع شما باید بتوانید الگوریتم‌ها را به خوبی درک و آن‌ها را پیاده‌سازی کنید. سفر از یک مشکل واقعی در کسب‌وکار به یک مسئله در حوزه علوم داده کار چندان آسانی نیست. بنابراین باید به طور دقیق بدانید که در هر مرحله از فرایند حل مسئله، می‌خواهید چه کاری انجام دهید.

سرفصل‌های دوره هنر حل مسئله با داده

فصل اول: Problem Statement
  معرفی دوره هنر حل مسئله
"07:56  
  مسیر شغلی
"14:32  
  کوییز مسیر شغلی
 4.2%    
"01:00  
  چالش‌ها در حوزه مسائل داده - بخش اول
"12:25  
  کوییز چالش‌ها در حوزه مسائل داده - بخش اول
 4.2%    
"01:00  
  چالش‌ها در حوزه مسائل داده - بخش دوم
"08:35  
  کوییز چالش‌ها در حوزه مسائل داده - بخش دوم
 4.2%    
"01:00  
  چالش‌ها در حوزه مسائل داده - بخش سوم
"10:05  
  کوییز چالش‌ها در حوزه مسائل داده - بخش سوم
 4.2%    
"01:00  
  متدولوژی حل مسائل داده
"09:57  
  کوییز متدولوژی حل مسائل داده
 4.2%    
"01:00  
  تعریف مسئله - بخش اول
"11:59  
  کوییز تعریف مساله - بخش اول
 4.2%    
"01:00  
  تعریف مسئله - بخش دوم
"07:53  
  کوییز تعریف مساله - بخش دوم
 4.2%    
"01:00  
  مدل‌سازی مسئله
"21:58  
  کوییز مدلسازی مساله
 4.2%    
"01:00  
  حل مسئله
"13:30  
  کوییز حل مساله
 4.2%    
"01:00  
  ارزیابی مسئله
"18:18  
  کوییز ارزیابی مساله
 4.2%    
"01:00  
  خلاصه Problem Statement
"08:19  
  توضیح پروژه
"10:53  
  تمرین: Problem Statement (الزامی)
 58.3%    
"120:00  
فصل دوم: Before Fit
  فضای ویژگی (Feature Space)
"13:29  
  کوییز فضای ویژگی
 2.8%    
"01:00  
  تمرین: Feature Space (الزامی)
 38.9%    
"120:00  
  انواع داده و ویژگی (Data Types)
"19:55  
  کوییز انواع داده و ویژگی
 2.8%    
"01:00  
  نرمال سازی داده (Data Normalization)
"21:15  
  کوییز نرمال‌سازی داده
 2.8%    
"01:00  
  تمرین: Normalization (الزامی)
 38.9%    
"120:00  
  پروژه: The Limit Order Book structure and some further explanations
"18:31  
  انتخاب ویژگی (Feature Selection)
"17:07  
  کوییز انتخاب ویژگی
 2.8%    
"01:00  
  پروژه: Unit variance normalization on Orderbook Data
"08:36  
  پروژه: Bucket Normalization on orderbook data
"16:29  
  دگرگونی فضای ویژگی (Feature Space Transformation)
"13:22  
  کوییز دگرگونی فضای ویژگی
 2.8%    
"01:00  
  تقسیم بندی فضای ویژگی (Feature Space Segmentation)
"10:53  
  کوییز تقسیم‌بندی فضای ویژگی
 2.8%    
"01:00  
  مصورسازی فضای ویژگی (Feature Space Visualization)
"10:16  
  کوییز مصورسازی فضای ویژگی
 2.8%    
"01:00  
  پروژه: Extracting financial features
"05:29  
  پروژه: Unit Variance Normalization on financial features
"10:29  
  تولید دادگان (Dataset Generation)
"12:28  
  کوییز تولید دادگان
 2.8%    
"01:00  
  پروژه: Dataset Generation
"10:45  
فصل سوم: After Predict
  ارزیابی (Evaluation)
"19:25  
  کوییز ارزیابی
 3.1%    
"01:00  
  تمرین: Evaluation (الزامی)
 43.8%    
"120:00  
  پروژه: Project model training and Evaluation
"09:02  
  قابلیت تعمیم (Generalization)
"30:37  
  کوییز قابلیت تعمیم
 3.1%    
"01:00  
  تمرین: Generalization (الزامی)
 43.8%    
"120:00  
  بهینه‌سازی ابر پارامترها (Hyper-Parameter Optimization)
"10:08  
  کوییز بهینه سازی ابر پارامترها
 3.1%    
"01:00  
  دیگر ملاحظات (model privacy, computational cost)
"15:49  
  کوییز Further Considerations
 3.1%    
"01:00  
فصل چهارم: Model Improvement
  انتقال یادگیری (Transfer Learning)
"11:49  
  کوییز انتقال یادگیری
 33.3%    
"01:00  
  یادگیری فعال (Active Learning)
"10:26  
  کوییز یادگیری فعال
 33.3%    
"01:00  
  یادگیری جمعی (Ensemble Learning)
"06:57  
  کوییز یادگیری جمعی
 33.3%    
"01:00  
فصل پنجم: Data Storytelling
  مروری بر بصری‌سازی (Visualization)
"05:24  
  کوییز مروری بر بصری سازی
 2.3%    
"01:00  
  ایجاد تغییر به کمک فهم و یافته‌ها از داده‌ها
"15:40  
  کوییز ایجاد تغییر به کمک فهم و یافته‌ها از داده‌ها
 2.3%    
"01:00  
  چرا باید از Data Storytelling استفاده کنیم؟
"13:50  
  کوییز چرا باید از روایت داستانی داده استفاده کنیم؟
 2.3%    
"01:00  
  آناتومی و اجزای یک روایت بر مبنای داده
"09:18  
  کوییز آناتومی و اجزای یک روایت بر مبنای داده
 2.3%    
"01:00  
  تاثیر بار پردازشی ذهنی و شناختی
"09:56  
  کوییز تاثیر بار پردازشی ذهنی و شناختی
 2.3%    
"01:00  
  ویژگی‌های مربوط به توجه
"11:28  
  کوییز ویژگی‌های مربوط به توجه
 2.3%    
"01:00  
  بصری‌سازی داده‌های مناسب
"09:20  
  کوییز بصری‌سازی داده مناسب
 2.3%    
"01:00  
  انتخاب نمایش مناسب برای داده‌ها
"13:12  
  کوییز انتخاب نمایش مناسب برای داده‌ها
 2.3%    
"01:00  
  تنظیم نمودارها بر اساس پیام اصلی راوی
"10:31  
  کوییز تنظیم نمودارها بر اساس پیام اصلی راوی
 2.3%    
"01:00  
  تمرین: Setup Visualization (الزامی)
 45.5%    
"240:00  
  از بین بردن نویزهای نمودارها
"09:45  
  کوییز از بین بردن نویزهای نمودارها
 2.3%    
"01:00  
  درک بهتر نمودار
"16:44  
  ایجاد اعتماد در رابطه با اطلاعات
"10:05  
  تمرین: Polishing the Scenes (الزامی)
 31.8%    
"120:00  
  تمرین با داده واقعی (انتخاب نمودار درست 1)
"12:32  
  تمرین با داده واقعی (انتخاب نمودار درست 2)
"10:07  
  تمرین با داده واقعی (انتخاب نمودار درست 3)
"13:22  
  تمرین با داده واقعی (از بین بردن داده مخرب 1)
"09:44  
  تمرین با داده واقعی (از بین بردن داده مخرب 2)
"07:58  
  تمرین با داده واقعی (از بین بردن داده مخرب 3)
"07:34  
  جلب توجه مخاطب
"10:09  
  ابزارها و کتابخانه‌های بصری‌سازی در پایتون
"13:18  
  پیاده‌سازی نمودار با کتابخانه plotly- بخش اول
"07:38  
  پیاده‌سازی نمودار با کتابخانه plotly-بخش دوم
"10:59  
فصل ششم: پروژه پایانی
  پروژه پایانی (الزامی)
 100%    
"600:00  

ویژگی‌های دوره

گواهی‌نامه مکتب‌خونه گواهی‌نامه مکتب‌خونه

در صورت قبولی در دوره، گواهی نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می گیرد.

مشاهده نمونه گواهینامه
خدمات منتورینگ خدمات منتورینگ

خدمات منتورینگ به معنای برخورداری دانشجو از راهنما یا پشتیبان علمی در طول گذراندن دوره می‌باشد. این خدمات شامل پاسخگویی به سوالات آموزشی(در قالب تیکتینگ)، تصحیح آزمون یا پروژه های دوره و ارائه باز خورد موثر به دانشجو می‌باشد.

پروژه محور پروژه محور

این دوره طوری طراحی شده است که محتوای آموزشی دوره حول چند پروژه واقعی و کاربردی هستند تا یادگیری دانشجو در طول دوره به کاربردهای عملی تبدیل شود و به این ترتیب بالاترین سطح یادگیری را فراهم نمایند.

تمرین و آزمون تمرین و آزمون

با قرار گرفتن تمرین ها و آزمون های مختلف در طول دوره، محیطی تعاملی فراهم شده است تا بهره گیری از محتوا و یادگیری بهتر و عمیق تر شود.

تالار گفتگو تالار گفتگو

شما می توانید از طریق تالار گفتگو با دیگر دانشجویان دوره در ارتباط باشید، شبکه روابط حرفه ای خود را تقویت کنید یا سوالات مرتبط با دوره خود را از دیگر دانشجویان بپرسید.

تسهیل استخدام تسهیل استخدام

در صورت قبولی در دوره، شما می‌توانید با وارد کردن اطلاعات آن در بخش دوره‌های آموزشی رزومه‌ساز «جاب ویژن»، تایید مهارت خود را در قالب اضافه شدن «مدال مهارت» به روزمه آنلاین خود دریافت نمایید. این مدال علاوه بر ایجاد تمایز در نمایش رزومه شما، باعث بالاتر قرار گرفتن آن در لیست انبوه رزومه‌های ارسالی به کارفرما شده و بدین ترتیب شانس شما را برای استخدام در سازمانهای موفق و پر متقاضی افزایش می‌دهد.

بررسی فرصت‌های شغلی

درباره دوره

علم داده (data science) یا هنر حل مسئله با داده چیست؟

در آموزش علم داده چگونگی حل مسئله با استفاده از علوم داده (Data Science) به شما آموزش داده می‌شود. در این دوره به آموزش جامع مبانی یادگیری ماشین (Machine Learning)، علوم داده، آمار، جبر خطی، برنامه نویسی و غیره نمی‌پردازیم؛ بلکه قصد داریم با به اشتراک گذاشتن تجربه‌های خود در حل مسائل مبتنی بر داده، روش‌های اصولی آن را آموزش دهیم و مسیر این مهارت مهم را برای علاقه‌مندان به این حوزه روشن‌تر کنیم.

در دوره علم داده سعی بر آن شده است که تا حد امکان از بیان نکات متداول در منابع موجود خودداری کنیم و با استفاده از مطالب علمی به‌روز، مثال‌ها و چالش‌های واقعی، هنر حل مسئله با داده را به شما آموزش دهیم. به‌طور خلاصه، در طی این دوره با تمرکز بر بررسی یک مسئله واقعی مراحل زیر را طی خواهیم کرد:

  • تعریف و مدل سازی مسئله
  • آماده‌سازی و پیش پردازش داده‌ها
  • انتخاب تکنیک مناسب
  • تحلیل و بهبود نتایج مدل بصری سازی نتایج و نتیجه گیری بر اساس داده

 

هدف از یادگیری دوره علم داده چیست؟

یادگیری ماشین و تحلیل داده امروزه به صورت گسترده در بازارهای مالی مورد استفاده قرار می‌گیرند. به طوری که این موضوع منجر به ایجاد حوزه جدیدی به نام فین‌تک شده است. یکی از مهم‌ترین چالش‌ها در این حوزه تعریف درست مسئله و مدیریت انتظارات است. برای مثال پیش‌بینی قیمت در مارکت با استفاده از الگوریتم‌های یادگیری ماشین، ساده‌ترین نوع نگاه به مسئله بوده و توقع حل آن به صورت کلی واقع بینانه نیست.

بنابراین، نحوه تعریف مسئله و استفاده درست از ابزارهای مدل‌سازی و تحلیل داده نقطه عطف صنعت فین‌تک محسوب می‌شود. یکی از مسائل موجود در بازارهای مالی، تحلیل و تخمین نوسان مارکت است که می‌تواند به عنوان تخمینی از میزان ثبات بازار مورد استفاده قرار گیرد.

در این پروژه ابتدا با مفهوم volatility و نحوه استفاده از آن آشنا شده و نوع مدل‌سازی و حل مسئله را بررسی می‌کنیم. سپس راهکارهای آماده سازی داده، ساخت مدل و همین‌طور نحوه استفاده از مدل را فرا می‌گیریم. در انتها نیز به بررسی ابزارهای تصویرسازی (Visualization) برای تحلیل نتایج و بهبود مدل می‌پردازیم. 

درباره استاد

maktabkhooneh-teacher بهنام ثابتی

بهنام ثابتی دانشجوی دکترای هوش مصنوعی دانشگاه صنعتی شریف است. بهنام از حدود 8 سال قبل فعالیت خود را در زمینه هوش مصنوعی آغاز کرد. تخصص اصلی بهنام پردازش زبان‌های طبیعی (NLP) به خصوص در زبان فارسی است که نتیجه آن را می‌توان در مقالات منتشر شده توسط او و هم‌چنین محصولاتی از قبیل زال و مینیاتور مشاهده کرد. بهنام هم‌چنین سعی داشته تا با جمع‌آوری داده‌های با کیفیت و منتشر کردن آن مشارکت محسوسی به جامعه علمی و فنی حوزه  پردازش زبان‌های طبیعی زبان فارسی داشته باشد. بهنام از سال 95 فعالیت خود را در شرکت میراث به عنوان کارشناس علم داده آغاز کرد. ایشان به عنوان مدیر ارشد علوم داده همراه با تیم داده خود در شرکت پارتیکل بی سعی بر حل مسائل پیچیده دنیای علوم داده دارد.

maktabkhooneh-teacher رضا فهمی

رضا فهمی فارغ‌التحصیل کارشناسی ارشد هوش مصنوعی از دانشگاه صنعتی شریف است. رضا از سال 92 در زمینه هوش مصنوعی مشغول به فعالیت است که از سال 95 به صورت تخصصی به عنوان کارشناس علوم داده در شرکت میراث شروع به کار کرد. علاقه و تخصص اصلی رضا طراحی راهکارهای مبتنی بر داده و مدل کردن مسائل پیچیده با بهره بردن از فناوری‌های مربوط به هوش مصنوعی و علوم داده  است. ایشان به عنوان مدیر ارشد محصول در شرکت پارتیکل بی مشغول به کار است.

maktabkhooneh-teacher سید علیرضا بختیاری

سید علیرضا بختیاری فارغ‌التحصیل رشته مهندسی کامپیوتر دانشگاه صنعتی امیرکبیر  که از سال 99 دانشجوی ارشد رشته هوش مصنوعی در دانشگاه آلبرتا کانادا است. علیرضا از سال 97 به عنوان کارشناس توسعه نرم افزار فعالیت حرفه‌ای خود را آغاز کرد. علاقه و استعداد علیرضا در هوش مصنوعی و مسائل مربوط به داده باعث شد تا او زمینه کاری و تحقیقاتی خود را در هوش مصنوعی و به خصوص یادگیری تقویتی (RL) تغییر دهد.
علیرضا از سال 98 به عنوان کارآموز و پس از آن به عنوان کارشناس علوم داده در شرکت پارتیکل بی سعی بر حل مسائل بازارهای مالی با استفاده از فناوری‌های هوش مصنوعی و علوم داده دارد.

maktabkhooneh-teacher فرهاد آزادجو

فرهاد آزادجو طبری دانشجوی دکترای مهندسی کامپیوتر در دانشگاه تهران است. فرهاد در دوره کارشناسی ارشد در  زمینه پردازش داده‌های بزرگ (big data) و استفاده از الگوریتم‌های هوش مصنوعی در آزمایشگاه داده‌های بزرگ دانشگاه صنعتی شریف به تحقیق و توسعه می‌پرداخت. حوزه تخصصی او در دوره دکترا استفاده از الگوریتم‌های علوم داده در سامانه‌های معاملاتی با بسامد بالا است. فرهاد از سال 95 به عنوان کارشناس علم داده در شرکت میراث مشغول به فعالیت شد. او به عنوان یکی از متخصصین علوم داده در شرکت پارتیکل بی سعی بر حل مسائل پر چالش بازارهای مالی دارد.
فرهاد همچنین متخصص بصری سازی داده (data visualization) برای سناریوهای تحلیلی مسائل است.

نظرات کاربران  ( نظر)

صفحه 1 از
محمد میرزایی قصبه 1402-01-15
دانشجوی دوره
سلام من تازه دوره رو شروع کردم و این حجم استفاده بی مورد از واژه های انگلیسی واقعا آزار دهنده است.
مهدی زمانی 1401-06-30
دانشجوی دوره
سلام من دوره هنر "حل مسئله با داده" را خریدم و این دوره اصلا استاندارد نیست، و فقط برای افراد متخصص در حوزه خوبه و متاسفانه توضیحی در این باره از قبل ارائه نشده! برای دیدن این دوره به سطح بالایی از زبان انگلیسی نیازه و کل اصطلاحات به زبان تخصصی ارائه میشه و جنبه آموزشی آن را به زبان فارسی از بین میبره! جدا از این، کوییزهای تخصیص داده شده به هرقسمت هم خونی نداره، با این منظور که توضیحات ارائه شده در قسمت آموزش به‌تنهایی جوابگوی پاسخ به سوالات نیست و نیاز به دانش قبلی و فراتر از مبحث داره! حداقل باید در پیش‌نیازهای دوره به این موضوع اشاره بشه که افراد باید با "حل مسئله با داده" آشنایی داشته باشند، از قبل یادگرفته باشند، زبان تخصصی انگلیسی آن را بلد باشند و به این دوره با عنوان یک مکمل به دانش قبلیشون نگاه کنند. و برای افرادی که با علاقه به یادگیری این موضوع، قصد شروع را دارند این دوره اصلا توصیه نمیشه.
مهدی زارعی 1401-05-31
دانشجوی دوره
با تشکر از زحمات اساتید نکاتی که به ذهن رسید: 1- دوره برخلاف توضیحات اولیه و عدم درج پیش نیاز ، بیشتر رویکرد یادگیری ماشین داشت تا حل مسئه 2- من متوجه نشدم چرا اساتید اصرار بر استفاده از واژگان انگلیسی داشتند (حتی درمورد واژگان آسان ) . این امر یادگیری را برای من سخت کرده بود . 3- پروژه های تعریف شده در دوره نیز به زبان انگلیسی است که ما رو از یادگیری بهتر دور می کنه . به خصوص پروژه پایانی که حقیقتا خود فهم مسئله ، بیشتر از حل اون زمان می بره . به هرحال باید تأکید کرد که هدف از برگزاری دوره یادگیری دانش پذیر براساس اقتضائات خودش هست و نه سطح توانمندی اساتید و مطالب اونها . به عبارتی اثربخشی دوره را میزان یادگیری دانش پذیران و سهل بودن تدریس مشخص می کند و نه سطح توانمندی اساتید .
امیر شاهچراغیان 1401-05-18
دانشجوی دوره
این دوره فوق العاده بود. ممنون از این تیم و خیلی خوشحال خواهم شد اگر کورس های بیشتری از این تیم ببینم.
الهام فروغی فر 1401-04-07
دانشجوی دوره
این یک دوره کاربردی و نسبتاً پیشرفته مهندسی داده و یادگیری ماشین است. آموزشها خیلی خوبه ولی به پیش نیازهایش دقت کنید. متاسفانه من به یاد ندارم که زمان ثبت نام من پیش نیازش را در سایت نوشته بودند یا شاید من ندیدم :))
معین یونسی هروی 1401-03-30
دانشجوی دوره
من چند جلسه اولش رو دیدم. ارائه دهنده شاید علم و تجربه زیادی داشته باشه، اما اونچه که برای من دانشجوی دوره مهم هست، اینه که چینش مطالب، نحوه ارائه، سرفصل های انتخاب شده و در مجموع کل ارائه خسته کننده، یکنواخت، حوصله سربر و نه چندان مفید هست. توقع بیشتری داشتم. احتمال بسیار زیاد یبا وجود اینکه هزینه کردم، دوره رو همینجا رها کنم.
احسان صالح آبادی 1401-01-30
دانشجوی دوره
این کورس عالیه. من که الان وسطای کورس هستم و به شخصه ازش لذت بردم تا به اینجای کار. فقط ای کاش میشد اسلایدها و کدها با ما به اشتراک گذاشته بشه تا بشه راحت تر مفاهیم رو مرور و پیاده سازی کنیم. با سپاس

دوره‌های پیشنهادی

دوره دیتا ساینس مناسب چه کسانی است؟

جمع‌آوری داده و تجزیه و تحلیل آن‌ها به سازمان کمک می‌کند تا درآمد و جایگاه خود را در بین رقبا ارتقا دهد. بنابراین اگر با مفاهیم اولیه تحلیل داده و یادگیری ماشین آشنا هستید و قصد ورود به بازار کار در این حوزه را دارید، دوره آموزشی علم داده برای شما تهیه شده است. همچنین اگر تمایل دارید با مفاهیم علوم داده به صورت حرفه‌ای آشنا شوید و آن‌ها را در حل مسئله‌های واقعی به‌کار بگیرید، این دوره کمک شایانی به شما خواهد کرد.

 

بعد از فراگیری دوره آموزش علم داده چه مهارت‌هایی کسب خواهید کرد؟

  • به طور کامل با مفهوم volatility آشنایی خواهید داشت و چگونگی استفاده از آن را فرا خواهید گرفت.
  • می‌توانید نوع مدل‌سازی و حل مسئله را بررسی کنید.
  • توانایی جمع‌آوری داده‌ها، تجزیه تحلیل و آماده‌سازی آن‌ها را خواهید داشت.
  • می‌توانید مسئله را مدل‌سازی کنید.
  • با استفاده از مدل ساخته شده می‌توانید مسئله را حل کنید.
  • می‌توانید تکنیک مناسب را با توجه به نوع مسئله انتخاب کنید.
  • می‌توانید نتایج تحلیل‌های خود را به زیبایی و به درستی به مخاطبان منتقل کنید.

 

پیش‌نیاز فراگیری دوره آموزش Data Science چیست؟

برای انجام پروژه‌های علم داده اول از هر چیز، باید بتوانید مشکلی که کسب‌وکار شما با آن روبه‌رو است را به خوبی درک کنید. آشنایی با چگونگی جمع‌‌آوری داده هم مهم است. چرا که با تحلیل داده‌های مناسب می‌توانید اطلاعات موردنیازتان را کسب کنید. 

از طرفی علوم داده نیاز به آشنایی با اصول یادگیری ماشین دارد. در واقع، شما باید بتوانید الگوریتم‌ها را به خوبی درک و آن‌ها را پیاده‌سازی کنید.

سفر از یک مشکل واقعی در کسب‌وکار به یک مسئله در حوزه علوم داده کار چندان آسانی نیست. بنابراین باید به طور دقیق بدانید که در هر مرحله از فرایند حل مسئله، می‌خواهید چه کاری انجام دهید.

 

ویژگی‌های متمایز دوره علم داده مکتب‌پلاس چیست؟

دوره علوم داده مکتب‌پلاس مانند دوباره‌های مشابه به آموزش یادگیری ماشین و الگوریتم‌های آن نمی‌پردازد؛ بلکه به شما آموزش مي‌دهد که برای حل مسائل پیچیده چه ذهنیتی باید داشته باشید. در این دوره شما می‌آموزید که با توجه به موضوع موردنظرتان چگونه داده‌های لازم را آماده‌سازی کنید، با استفاده از چه تکنیکی و چگونه آن‌ها را تحلیل کند و در نهایت چگونه جواب مسئله را نمایش دهید.

مهم‌ترین مزیت این دوره برای شرکت‌کنندگان آن است که آن‌ها می‌توانند بعد از فارغ‌التحصیلی در این دوره و انجام مصاحبه و طی شدن پروسه، وارد دوره کارآموزی data science مجموعه particle B شوند. این امکان توسط همین مجموعه که ارائه‌دهنده دوره هنر حل مسئله با داده است، برای شما عزیزان فراهم شده است.

در انتهای این دوره یک پروژه نهایی به شما داده می‌شود که بتوانید در آن آموخته‌های خود را امتحان کنید. در این پروژه باید بتوانید داده‌های بازارهای مالی را تحلیل کنید. به عنوان مثال می‌توانید به تحلیل وضعیت بورس در کشور بپردازید و آینده آن را پیش‌بینی کنید.

هم‌چنین، دوره دیتا ساینس توسط Data Scientist هایی ارائه شده است که علاوه بر دانش آکادمیک، نتیجه چندین سال تجربه خود در حل چالش‌های شرکت‌های بزرگ و کوچک را در این دوره با بیانی ساده به شما منتقل کرده اند.

صفحات پربازدید
poster
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذارندن دوره:  38 ساعت
مجموع محتوای آموزشی:  12 ساعت ویدئو - 27 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  6 هفته
  
حد نصاب قبولی در دوره:  70 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   تسهیل استخدام