دوره آموزش علم داده (Data Science) | 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 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.

بیشتر بدانید

سرفصل‌های دوره هنر حل مسئله با داده

فصل اول: Problem Statement

04:46 ساعت

02:36

24 جلسه

بارم:

12%

نمایش جلسات فصل

معرفی دوره هنر حل مسئله

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

خلاصه Problem Statement

"08:19

توضیح پروژه

"10:53

تمرین: Problem Statement

(الزامی)

58.3%

"120:00

فصل دوم: Before Fit

07:17 ساعت

03:09

24 جلسه

بارم:

18%

نمایش جلسات فصل

فضای ویژگی (Feature Space)

(الزامی)

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

(الزامی)

پروژه: The Limit Order Book structure and some further explanations

"18:31

انتخاب ویژگی (Feature Selection)

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)

پروژه: Dataset Generation

"10:45

فصل سوم: After Predict

05:29 ساعت

01:25

11 جلسه

بارم:

16%

نمایش جلسات فصل

(الزامی)

پروژه: Project model training and Evaluation

"09:02

قابلیت تعمیم (Generalization)

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

00:32 ساعت

00:29

6 جلسه

بارم:

نمایش جلسات فصل

انتقال یادگیری (Transfer Learning)

یادگیری فعال (Active Learning)

یادگیری جمعی (Ensemble Learning)

فصل پنجم: Data Storytelling

10:08 ساعت

03:58

34 جلسه

بارم:

22%

نمایش جلسات فصل

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

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

10:00 ساعت

1 جلسه

بارم:

30%

نمایش جلسات فصل

پروژه پایانی

(الزامی)

100.0%

"600:00

تالار گفت‌وگو

تالار گفتگو

اساتید دوره

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.

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.

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.

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.

درباره گواهینامه

مکتب‌خونه

حد نصاب قبولی در دوره:

70.0 نمره

فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد.

پیش‌نیاز‌های دوره هنر حل مسئله با داده

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.

یادگیری ماشین

اطلاعات بیشتر

ویژگی‌های دوره هنر حل مسئله با داده

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 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.

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.

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.

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.