×
ribbon

آموزش جامع داده‌کاوی در پایتون

مدرس:

سید امیررضا صالحی امیری

دوره داده کاوی با پایتون یک دوره کاملاً عملی برای پیاده سازی تکنیک های داده کاوی در محیط... بیشتر
جدید
گواهی‌نامه
5 (2)
1 دیدگاه
88دانشجو
6ساعت
سرفصل‌ها
مقدماتی تا پیشرفته سطح دوره
بروزرسانیخرداد ۱۴۰۵

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

پیاده‌سازی عملی تکنیک‌های داده‌کاوی در پایتون با استفاده از کتابخانه‌ها

آماده‌سازی و پیش‌پردازش داده‌ها شامل پاک‌سازی، تبدیل داده‌ها و آماده‌سازی برای مدل‌سازی

پیاده‌سازی و تحلیل الگوریتم‌های مهم داده‌کاوی مانند خوشه‌بندی، طبقه‌بندی، رگرسیون و قوانین انجمنی

ارزیابی مدل‌ها و استخراج بینش‌های کاربردی از داده‌ها با استفاده از تحلیل و بصری‌سازی داده‌ها

این دوره شامل:

6 ساعت ویدئو

40 فایل ضمیمه قابل دانلود

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

سرفصل‌های دوره

7 فصل40 جلسه6 ساعت ویدیو
فصل اول: پیش‌پردازش داده‌ها
  درس یکم: مقدمه و مجموعه داده
16:33
  درس دوم: داده‌های گمشده
14:47
  درس سوم: هموارسازی داده ها
07:37
  درس چهارم: داده های پرت
19:05
  درس پنجم: نرمال سازی
08:53
  درس ششم: تحلیل مولفه های اصلی
16:03
  درس هفتم: انتخاب ویژگی
14:54
  درس هشتم: یکپارچه‌سازی داده
09:02
  درس نهم: نمونه‌گیری
07:32
فصل دوم: تحلیل اکتشافی داده‌ها
  درس اول: بررسی اولیه داده‌ها
10:45
  درس دوم: تجزیه‌وتحلیل تک متغیره و چند متغیره
09:33
  درس سوم: آزمون‌های آماری
13:32
  درس چهارم: نمودارها - قسمت اول
14:41
  درس پنجم: نمودارها - قسمت دوم
16:49
فصل سوم: خوشه‌بندی
  درس اول: خوشه‌بندی Kmeans
17:58
  درس دوم: خوشه‌بندی Dendrogram
08:54
  درس سوم: الگوریتم خوشه‌بندی DBSCAN
10:03
فصل چهارم: رگرسیون
  درس اول: رگرسیون خطی
11:58
  درس دوم: رگرسیون Lass, Ridge, Elastic
07:03
  درس سوم: الگوریتم درخت تصمیم
11:48
  درس چهارم: الگوریتم جنگل تصادفی
11:15
  درس پنجم: SVR
06:06
  درس ششم: الگوریتم XGB, GB
10:02
  درس هفتم: مقایسه مدل‌ها
05:50
فصل پنجم: قوانین انجمنی
  درس اول: کاوش قوانین انجمنی
10:40
  درس دوم: استخراج اقلام پرتکرار
05:40
  درس سوم: قوانین فیلتر
04:09
فصل ششم: طبقه‌بندی
  درس اول: آماده‌سازی داده
10:27
  درس دوم: رگرسیون لجستیک
03:17
  درس سوم: نیو بیز
03:27
  درس چهارم: درخت تصمیم
06:56
  درس پنجم: جنگل تصادفی
04:22
  درس ششم: SVC
02:27
  درس هفتم: Gradient Boosting
03:35
  درس هشتم: KNN and Results
09:49
  درس نهم: تنظیم هایپرپارامتر
06:12
فصل هفتم: عناوین تکمیلی
  درس اول: کراس ولیدیشن
08:36
  درس دوم: اعتبارسنجی با Test/Train/Validation
07:45
  درس سوم: انکدینگ مقادیر دسته‌ای
07:08
  درس چهارم: روش Stacking
06:35

پیش‌نیاز‌ها

برای بهره‌مندی بهتر از این دوره، آشنایی با مفاهیم پایه داده‌کاوی توصیه می‌شود. به همین دلیل گذراندن دوره «آموزش جامع داده‌کاوی» که در آن مفاهیم تئوریک این حوزه به‌صورت کامل آموزش داده شده است، به عنوان پیش‌نیاز در نظر گرفته شده است.

در آن دوره مفاهیمی مانند فرآیند داده‌کاوی، پیش‌پردازش داده، الگوریتم‌های مختلف داده‌کاوی، معیارهای ارزیابی مدل‌ها و کاربردهای داده‌کاوی در حوزه‌های مختلف به‌صورت مفهومی و نظری بررسی شده‌اند.

در دوره حاضر فرض بر این است که شرکت‌کنندگان با این مفاهیم آشنایی دارند و تمرکز اصلی بر پیاده‌سازی عملی این تکنیک‌ها در پایتون خواهد بود.

همچنین آشنایی اولیه با مبانی برنامه‌نویسی پایتون (متغیرها، ساختارهای کنترلی، توابع و کار با کتابخانه‌ها) می‌تواند به درک بهتر مطالب کمک کند، هرچند در طول دوره بخش‌هایی از کار با کتابخانه‌های موردنیاز نیز معرفی خواهد شد.

توضیحات دوره

دوره «داده‌کاوی با پایتون» یک دوره کاملاً عملی برای پیاده‌سازی تکنیک‌های داده‌کاوی در محیط برنامه‌نویسی پایتون است. در این دوره تمرکز اصلی بر اجرای عملی الگوریتم‌ها، کار با داده‌های واقعی و استفاده از کتابخانه‌های مهم علم داده در پایتون است.

این دوره به‌گونه‌ای طراحی شده که شرکت‌کنندگان بتوانند مفاهیم داده‌کاوی را که پیش‌تر آموخته‌اند، در قالب کدنویسی و تحلیل عملی داده‌ها پیاده‌سازی کنند. به همین دلیل در این دوره تمرکز کمتری بر مباحث تئوریک گذاشته شده و بیشتر زمان به کار با داده، پیاده‌سازی الگوریتم‌ها و تحلیل نتایج اختصاص دارد.

در طول دوره شرکت‌کنندگان با فرآیند کامل تحلیل داده در پایتون آشنا می‌شوند؛ از آماده‌سازی و پیش‌پردازش داده‌ها گرفته تا تحلیل اکتشافی، پیاده‌سازی مدل‌های مختلف داده‌کاوی، ارزیابی مدل‌ها و استخراج بینش از داده‌ها. همچنین نحوه استفاده از کتابخانه‌های پرکاربرد مانند NumPy، Pandas، Matplotlib، و Scikit-learn آموزش داده می‌شود.

هدف این دوره آن است که دانش‌پذیران بتوانند تکنیک‌های مختلف داده‌کاوی مانند خوشه‌بندی، طبقه‌بندی، رگرسیون، کشف قوانین انجمنی و تشخیص ناهنجاری را به‌صورت عملی در پایتون پیاده‌سازی کرده و در مسائل واقعی تحلیل داده به کار بگیرند.

در پایان دوره، شرکت‌کنندگان توانایی کار با داده‌های واقعی، ساخت مدل‌های تحلیلی، ارزیابی نتایج و استخراج الگوها و بینش‌های کاربردی از داده‌ها را خواهند داشت.

دیدگاه کاربران

5

بر اساس امتیاز 2 دانشجو

1
2
3
4
5

امیرحسین مجیدیان

15 روز پیش

5

سلام. با ادای احترام کامل و با گذاشتن وقت برای دیدن فیلم ها، دوست داشتنی. پیشنهاد میکنم برای دیتاست های دیگر هم دوره با همین روند پیشنهادی، گذاشته بشود.

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه
6دوره
2,035دانشجو
50نظر و امتیاز

سید امیررضا صالحی امیری، دانشجوی دکتری مهندسی صنایع دانشگاه صنعتی شریف، در زمینه‌های هوش مصنوعی، علوم تصمیم‌گیری و آمار احتمالات فعالیت می‌کند. او با کسب رتبه ۴ کشوری در آزمون‌های دکتری و کارشناسی ارشد مهندسی صنایع (1402 و 1400) و اخذ مدارک کارشناسی ارشد و کارشناسی از دانشگاه‌های شریف و نوشیروانی، در حل مسائل پیچیده با استفاده از رویکردهای میان‌رشته‌ای کار می‌کند. تمرکز او بر کاربرد هوش مصنوعی، بهینه‌سازی و تحلیل آماری در حوزه‌هایی مانند سلامت و پایداری است.

او بیش از ۷ مقاله در مجلات Q1 و ISI  منتشر کرده است که موضوعاتی مانند تحلیل پایداری انرژی، پیش‌بینی داده‌های نامتوازن در سلامت و مدل‌سازی عدم قطعیت را پوشش می‌دهند. او همچنین در کنفرانس‌های بین‌المللی مهندسی صنایع و علوم پایه ارائه‌هایی داشته و بیش از ده ها مقاله را در مجلات معتبر داوری کرده است. عضویت در بنیاد ملی نخبگان  و اجرا پروژه های کاربردی ارزیابی عملکرد از دیگر فعالیت‌های اوست.

مهارت‌هایی که می‌آموزید

دیگر دوره‌های سید امیررضا صالحی امیری