×
ribbon

هنر حل مسئله با داده

مدرس:

رضا فهمیبهنام ثابتیفرهاد آزادجوسید علیرضا بختیاری

در آموزش علم داده چگونگی حل مسئله با استفاده از علوم داده (Data Science) به شما آموزش داده... بیشتر
پرطرفدار
گواهی‌نامه
3.3 (61)
22 دیدگاه
8,055دانشجو
38ساعت
سرفصل‌ها
پیشرفته سطح دوره

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

این دوره شامل:

12 ساعت ویدئو

43 تمرین و پروژه

35 سؤال سنجش و یادگیری

دسترسی به تالار گفتگو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

سرفصل‌های دوره

6 فصل57 جلسه12 ساعت ویدیو
فصل اول: Problem Statement
  معرفی دوره هنر حل مسئله
07:56
  مسیر شغلی
14:32
  کوییز مسیر شغلی
01:00
  چالش‌ها در حوزه مسائل داده - بخش اول
12:25
  کوییز چالش‌ها در حوزه مسائل داده - بخش اول
01:00
  چالش‌ها در حوزه مسائل داده - بخش دوم
08:35
  کوییز چالش‌ها در حوزه مسائل داده - بخش دوم
01:00
  چالش‌ها در حوزه مسائل داده - بخش سوم
10:05
  کوییز چالش‌ها در حوزه مسائل داده - بخش سوم
01:00
  متدولوژی حل مسائل داده
09:57
  کوییز متدولوژی حل مسائل داده
01:00
  تعریف مسئله - بخش اول
11:59
  کوییز تعریف مساله - بخش اول
01:00
  تعریف مسئله - بخش دوم
07:53
  کوییز تعریف مساله - بخش دوم
01:00
  مدل‌سازی مسئله
21:58
  کوییز مدلسازی مساله
01:00
  حل مسئله
13:30
  کوییز حل مساله
01:00
  ارزیابی مسئله
18:18
  کوییز ارزیابی مساله
01:00
  خلاصه Problem Statement
08:19
  توضیح پروژه
10:53
  تمرین: Problem Statement (الزامی)
120:00
فصل دوم: Before Fit
  فضای ویژگی (Feature Space)
13:29
  کوییز فضای ویژگی
01:00
  تمرین: Feature Space (الزامی)
120:00
  انواع داده و ویژگی (Data Types)
19:55
  کوییز انواع داده و ویژگی
01:00
  نرمال سازی داده (Data Normalization)
21:15
  کوییز نرمال‌سازی داده
01:00
  تمرین: Normalization (الزامی)
120:00
  پروژه: The Limit Order Book structure and some further explanations
18:31
  انتخاب ویژگی (Feature Selection)
17:07
  کوییز انتخاب ویژگی
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
01:00
  تقسیم بندی فضای ویژگی (Feature Space Segmentation)
10:53
  کوییز تقسیم‌بندی فضای ویژگی
01:00
  مصورسازی فضای ویژگی (Feature Space Visualization)
10:16
  کوییز مصورسازی فضای ویژگی
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
01:00
  پروژه: Dataset Generation
10:45
فصل سوم: After Predict
  ارزیابی (Evaluation)
19:25
  کوییز ارزیابی
01:00
  تمرین: Evaluation (الزامی)
120:00
  پروژه: Project model training and Evaluation
09:02
  قابلیت تعمیم (Generalization)
30:37
  کوییز قابلیت تعمیم
01:00
  تمرین: Generalization (الزامی)
120:00
  بهینه‌سازی ابر پارامترها (Hyper-Parameter Optimization)
10:08
  کوییز بهینه سازی ابر پارامترها
01:00
  دیگر ملاحظات (model privacy, computational cost)
15:49
  کوییز Further Considerations
01:00
فصل چهارم: Model Improvement
  انتقال یادگیری (Transfer Learning)
11:49
  کوییز انتقال یادگیری
01:00
  یادگیری فعال (Active Learning)
10:26
  کوییز یادگیری فعال
01:00
  یادگیری جمعی (Ensemble Learning)
06:57
  کوییز یادگیری جمعی
01:00
فصل پنجم: Data Storytelling
  مروری بر بصری‌سازی (Visualization)
05:24
  کوییز مروری بر بصری سازی
01:00
  ایجاد تغییر به کمک فهم و یافته‌ها از داده‌ها
15:40
  کوییز ایجاد تغییر به کمک فهم و یافته‌ها از داده‌ها
01:00
  چرا باید از Data Storytelling استفاده کنیم؟
13:50
  کوییز چرا باید از روایت داستانی داده استفاده کنیم؟
01:00
  آناتومی و اجزای یک روایت بر مبنای داده
09:18
  کوییز آناتومی و اجزای یک روایت بر مبنای داده
01:00
  تاثیر بار پردازشی ذهنی و شناختی
09:56
  کوییز تاثیر بار پردازشی ذهنی و شناختی
01:00
  ویژگی‌های مربوط به توجه
11:28
  کوییز ویژگی‌های مربوط به توجه
01:00
  بصری‌سازی داده‌های مناسب
09:20
  کوییز بصری‌سازی داده مناسب
01:00
  انتخاب نمایش مناسب برای داده‌ها
13:12
  کوییز انتخاب نمایش مناسب برای داده‌ها
01:00
  تنظیم نمودارها بر اساس پیام اصلی راوی
10:31
  کوییز تنظیم نمودارها بر اساس پیام اصلی راوی
01:00
  تمرین: Setup Visualization (الزامی)
240:00
  از بین بردن نویزهای نمودارها
09:45
  کوییز از بین بردن نویزهای نمودارها
01:00
  درک بهتر نمودار
16:44
  ایجاد اعتماد در رابطه با اطلاعات
10:05
  تمرین: Polishing the Scenes (الزامی)
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)
600:00

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.

توضیحات دوره

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. 

دیدگاه کاربران

3.3

بر اساس امتیاز 61 دانشجو

1
2
3
4
5

بهروز صفایی زاده

23 روز پیش

5

بسیار عالی توضیح می دهند. ولی نیاز هست قبلش دوره تئوری و عملی یادگیری ماشین بررسی کرده باشید

فرهاد نظری

4 ماه پیش

5

ممنون. واقعا دوره خاص و مفیدی بود. فقط یک توصیه به دوستان دانشجو کنم: این دوره به هیچ عنوان برای شروع دیتاساینس یا یادگیری ماشین مناسب نیست. ولی اگه دیتاساینتیست هستید حتی جونیور هم هستید این دوره رو پیشنهاد میکنم ببینید

محمدحسان شریعتی

9 ماه پیش

5

دوره بسیارجذاب و مفیدیه مخصوصا به لحاظ سطح مطالبی که گقته میشه ولی خب تمرین ها خیلی دیر به دیر چک میشن مثل اکثر دوره های دیگه مکتب خونه

سیدمحمد رضوی زادگان

1 سال پیش

5

دوره خیلی خوب و باحالیه و مفاهیم مهمی اشاره میشه زیاد تمرکز روی این نیست که همه چیز یاد داده بشه چون اون موقع هم دوره طولانی میشد هم یکم غیر منطقی میشه ولی اینکه موارد مختلف و مهمی ارائه میشه باعث میشه کسایی که به هر موضوع علاقه دارن بتونن با اون آشنا بشن و دیگه خودشون بیشتر در اون مورد تحقیق کنن و یادبگیرن اوایل یکم چون مفاهیم کلی زیاده شاید خسته کننده باشه ولی یکم صبوری کنیم به مرور بهتر میشه با تشکر از اساتید این دوره❤️

دانشجوی دوره

2 سال پیش

5

محتوا دوره بسیار کاربردی و عالی هستش

ساسان عباسی

2 سال پیش

5

اگر تجربه کار با داده یا انجام پروژه های داده محور داشته باشید، به خوبی متوجه میشید که مطالبی که این تیم ارائه میدن، تجربه بیش از ۱۰ سال مدیریت، انجام و حل چالش پروژه های گوناگون هست که به خوبی به اشتراک گذاشتن. بسیار دقیق، کاربردی و دسته بندی شده. به نظر من کمتر تیمی پیدا میشه که این اطلاعات رو به اشتراک بذاره، دمتون گرم واقعا

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
رضا فهمی
1دوره
8,055دانشجو
61نظر و امتیاز

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
1دوره
8,055دانشجو
61نظر و امتیاز

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
1دوره
8,055دانشجو
61نظر و امتیاز

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
1دوره
8,055دانشجو
61نظر و امتیاز

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.

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

سوالات پرتکرار

حداقل و حداکثر زمانی که می‌توانم یک دوره را بگذرانم چقدر است؟

برای گذراندن دوره، حداقل زمان مشخصی وجود ندارد و شما می‌توانید در هر زمان که مایل هستید، ویدیوهای آموزشی دوره را ببینید و تمارین را انجام دهید؛ اما برای هر دوره یک حداکثر زمان تعیین شده که در صفحه معرفی دوره قابل مشاهده است که تنها در این بازه زمانی امکان تصحیح پروژه‌ها توسط پشتیبان و دریافت گواهی‌نامه را خواهید داشت.

آیا پس از به اتمام رساندن و قبولی در دوره، می‌توانم نسخه فیزیکی گواهی‌نامه را دریافت کنم؟

خیر. به‌دلیل ملاحظات محیط‌زیستی و کاهش مصرف کاغذ، گواهی‌نامه فقط به‌صورت الکترونیکی ارائه می‌شود.

آیا بعد از پایان مدت دوره همچنان به محتوای آن دسترسی دارم؟

بله. پس از پایان مدت دوره نیز به ویدئوها، تمرین‌ها، پروژه‌ها و سایر محتوای آموزشی دوره دسترسی خواهید داشت؛ اما امکان تصحیح تمرین‌ها توسط پشتیبان دوره و دریافت گواهی‌نامه برای شما وجود نخواهد داشت.

آیا در صورت خرید دوره، گواهی‌نامه آن به من تعلق می‌گیرد؟

خیر. با خرید دوره، امکان شرکت در دوره و دسترسی به محتوای آن را خواهید داشت؛ اما تنها در صورتی که در بازه زمانی تعیین‌شده دوره را با موفقیت و نمره قبولی به اتمام برسانید، گواهی‌نامه به نام شما صادر می‌شود.