قیمت 99,000 تومان 49,500 تومان

ویژگی های دوره
زبان: فارسی
10 ساعت و 10 دقیقه
34 درس
1/56 گیگابایت
روش دریافت: دانلود آنی پس از پرداخت
روش پشتیبانی: ارسال تیکت

یادگیری ماشینی با پایتون (Machine learning) در حال حاضر یکی از محبوب ترین و پرطرفدارترین مهارت‌ها در دنیا به شمار می رود. در حال حاضر، در اکثر فرصت های شغلی‌ مرتبط با علوم داده (Data science)، تسلط به کتابخانه های مختلف برای یادگیری ماشینی با پایتون یک ضرورت محسوب می‌شود. 

از کتابخانه های معروف برای تحلیل داده با پایتون می‌توان به Numpy، Pandas، Matplotlib  و Scikit learn اشاره کرد.

با مراجعه به سایت Gloss door که یک سایت کاریابی بین المللی است، خواهید دید که متقاضیانی که به کتابخانه های ذکر شده تسلط داشته باشند، شانس بسیار خوبی برای همکاری با شرکت های بزرگ دارند. 

آناکوندا (Anaconda)، توزیع متن باز (open-source distribution) پایتون است که شامل کتابخانه های علوم داده و یادگیری ماشینی می‌شود و از قابلیت های منحصر به فردی نظیر ارائه بسترهای مختلفی برای کدنویسی (بسترهای Spyder، Jupyter notebook و Anaconda prompt)، تسهیل فرآیند کدنویسی و گرفتن خروجی، نصب راحت پکیج‌های پایتون و … برخوردار است.

 

این دوره آموزشی شامل چه مباحثی است؟

در این دوره آموزشی، سعی شده است تمامی تکنیک ها و مراحل داده کاوی با پایتون و یادگیری ماشینی با پایتون به صورت گام به گام و با انجام پروژه های واقعی پوشش داده شوند. همچنین برای افرادی که با زبان پایتون آشنایی ندارند، مبانی برنامه نویسی به زبان پایتون مرور می شود و سعی می شود که نکات مهم جهت کسب آمادگی لازم برای تحلیل داده با پایتون توضیح داده شوند.

از آنجا که فضای Jupyter notebook از راحتی و جذابیت خاصی در میان متخصصین علوم داده برخوردار است، در این آموزش نیز از این فضا استفاده می‌شود.

از مزایای تحلیل داده با پایتون، می توان به موارد زیر اشاره نمود:

  • وارد کردن انواع دیتاست با فرمت‌های مختلف 
  • قابلیت پردازش دیتا با حجم زیاد
  • تحلیل‌های آماری ساده و پیشرفته (Statistical Analysis)
  • پیش پردازش دیتا (data preprocessing)
  • مصور سازی دیتا (Data visualization)
  • انتخاب ویژگی (Feature selection)
  • پیاده سازی الگوریتم‌های یادگیری ماشینی (Machine learning)
  • Ensemble
  • ارزیابی مدل (Confusion matrix and model accuracy)

 

سرفصل های دوره آموزش داده کاوی و یادگیری ماشینی با پایتون

فصل ۱ – آشنایی با دوره

  • معروفی دوره
  • نصب و راه اندازی

 

فصل ۲- مرور مبانی برنامه نویسی با پایتون با تمرکز بر داده کاوی و یادگیری ماشینی

  • شروع کار با پایتون
  • انواع ساختار داده
  • برنامه‌ های کنترلی
  • انواع توابع
  •  Iteratorها
  • Comprehensionها
  • Generator‌ها
  • کلاس‌ها

 

فصل ۳- جبر خطی برای داده کاوی و یادگیری ماشین

  • آشنایی با جبر خطی
  • کاربرد جبر خطی در داده کاوی و یادگیری ماشین
  • بردارهای و محاسبات برداری در پایتون (ضرب داخلی، نرم برداری و …)
  • ماتریس‌ها و محاسبات ماتریسی در پایتون ( ضرب داخلی، ضرب اسکالر و …)
  • برنامه نویسی عملیات ریاضی برای ماتریس‌ها  (چرخش ماتریس، معکوس کردن و …)

 

 

فصل ۴- آشنایی با کتابخانه‌های داده‌کاوی و یادگیری ماشین

  • کار با کتابخانه Numpy
  • کار با کتابخانه Pandas
  • مصورسازی دیتا با کتابخانه Matplotlib
  • مصورسازی دیتا با کتابخانه Seaborn

 

فصل ۵– وارد کردن دیتاست ها

  • وارد کردن انواع دیتاست (CSV, URL، Excel، Text، SAS، STATA)

 

فصل ۶- تحلیل آماری

  • آمار توصیفی
  • رسم نمودار آماری
  • همبستگی
  • Crosstab (ساده و پیشرفته)
  • جدول Pivot (ساده و پیشرفته)
  • رسم نمودار heatmap با جدول Pivot
  • انواع آزمون‌های فرضیه ( آزمون‌های میانگین)
  • P- value
  • انواع آزمون‌های نرمال 
  • انواع آزمون‌ها فرضیه (آزمون ‌های ناپارامتری)
  • نمونه گیری تصادفی ساده بر روی دیتاست محصولات
  • Stratified Sampling

 

فصل ۷- پیش پردازش داده

  • پیش پردازش اولیه داده
  • پر کردن مقادیر Null (کمی، کیفی اسمی و ترتیبی)
  • فیلتر کردن رکورد یا وِیژگی
  • مدیریت دیتای کیفی (اسمی و ترتیبی)
  • تولید ویژگی (feature generation)
  • ساخت Dummy  برای ویژگی‌های کیفی
  •  Reclassification (طبقه بندی مجدد مقادیر)
  • Join (اتصال)
  • Append (در پروژه‌های داده کاوی توضیح داده می‌شود)
  • بخش بندی دیتا (Train_Test_Split)
  • نرمالسازی
  • استاندارد سازی
  • انتخاب وِیژگی
  • انتخاب وِیژگی‌های مهم برای داده کاوی با جنگل تصادفی
  • انتخاب وِیژگی‌های مهم برای داده کاوی با الگوریتم KNN
  • کاهش ابعاد

 

فصل ۸- سری زمانی

  • پیش بینی فروش میانه، بدبینانه و خوشبینانه کلا برای یک شرکت تجاری بین المللی
  • مقایسه روند فروش محصولات شرکت طی چهار سال گذشته

 

فصل ۹- رگرسیون خطی

  • آشنایی با رگرسیون خطی
  • پیش بینی ارزش خانه در شهر بوستون با ساخت معادله رگرسیونی خطی ساده و چندگانه

 

فصل ۱۰- خوشه بندی

  • آشنایی با خوشه بندی
  • خوشه بندی بر روی دیتاست Iris  با الگوریتم سلسله مراتبی
  • خوشه بندی بر روی دیتاست Iris  با الگوریتم K-means
  • خارج کردن دیتاست خوشه بندی شده از محیط
  • مقایسه عملکرد الگوریتم DBSCAN و K-means در خوشه بندی مقادیر با پراکندگی کم

 

فصل ۱۱- طبقه بندی

  • آشنایی با مفهوم و الگوریتم طبقه بندی
  • نوشتن برنامه “انتخاب بهترین الگوریتم طبقه بندی”
  • بازاریابی مستقیم بر روی دیتای کمپین بازاریی مشتریان بالقوه یک مؤسسه بانکی در پرتغال با کمک انتخاب وِیژگی و الگوریتم رگرسیون لجستیک
  • ساخت سیستم تشخیص چهره به کمک الگوریتم بردار حمایت ماشینی (SVM)
  • طبقه بندی متون اخبار به کمک شبکه بیز
  • طبقه بندی بیماران دیابتی با درخت تصمیم + انتخاب وِیژگی (جنگل تصادفی) 
  • طبقه بندی گل‌های دیتاست Iris با الگوریتم KNN + انتخاب وِیژگی
  • نمودار ROC (ارزیابی مدل داده کاوی)
  • Confusion Matrix (ارزیابی مدل داده کاوی)
  • گزارش طبقه بندی (ارزیابی مدل داده کاوی)

 

فصل ۱۲- مدیریت ارتباط با مشتری (CRM)

  • آنالیر RFM بر شناسایی مشتریان وفادار و سودآور یک شرکت تجاری بین المللی

فصل ۱۳- قواعد انجمنی (Association Rules)

  • آشنایی با قواعد انجمنی
  • پروژه تحلیل سبد بازار (Market basket analysis) یک شرکت خرده فروشی بین المللی

 

حاصل دوره

دانشجویان عزیز پس از گذراندن این دوره آموزشی می توانند پروژه های داده کاوی با پایتون و یادگیری ماشینی با پایتون را انجام دهند. همچنین به دلیل محبوبیت و اهمیت بالای این تخصص ها در داخل و خارج از ایران، در استخدام، مهاجرت تحصیلی و کاری دانشجویان بسیار موثر خواهد بود.

 

لینک دیگر دوره های داده کاوی :

فصل اول

معرفی دوره ویدئو

20:09

نصب و راه اندازی ویدئو

06:02

مبانی برنامه نویسی با پایتون با تمرکز بر داده کاوی و یادگیری ماشین ویدئو

01:02:36

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

آشنایی با جبر خطی ویدئو

09:05

خصوصی

کاربرد جبر خطی برای یادگیری ماشین ویدئو

14:17

خصوصی

ماتریس ها در پایتون (۱) ویدئو

30:09

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

ماتریس ها در پایتون (۲) ویدئو

03:42

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

کار با کتابخانه Numpy ویدئو

29:49

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

کار با کتابخانه Pandas ویدئو

22:01

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

کار با کتابخانه Matplotlib ویدئو

30:11

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

کار با کتابخانه Seaborn ویدئو

22:26

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

وارد کردن انواع دیتاست (CSV، Excel، Text، SAS، STATA) ویدئو

24:48

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

تحلیل آماری ویدئو

33:34

تحلیل آماری – بخش دوم ویدئو

27:00

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

پیش پردازش داده‌ها ویدئو

32:12

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

انتخاب ویژگی (Feature Selection) ویدئو

17:07

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

کاهش ابعاد دیتاست با SVD ویدئو

12:59

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

کاهش ابعاد دیتاست ویدئو

09:38

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

سری زمانی (پروژه محور) ویدئو

20:15

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

رگرسیون خطی ساده و چند گانه (پروژه محور) ویدئو

11:30

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

خوشه بندی چیست؟ ویدئو

06:14

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

خوشه بندی سلسله مراتبی (پروژه محور) ویدئو

07:14

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

خوشه بندی با الگوریتم K-means (پروژه محور) ویدئو

09:30

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

خوشه بندی با الگوریتم DBSCAN ویدئو

04:28

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

طبقه بندی چیست؟ ویدئو

08:03

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

نوشتن برنامه (انتخاب بهترین الگوریتم طبقه بندی) ویدئو

14:52

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

طبقه بندی با رگرسیون لجستیک (پروژه محور) ویدئو

32:14

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

طبقه بندی با بردار حمایت ماشین (پروژه محور) ویدئو

15:51

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

طبقه بندی با KNN + پیاده سازی فرآیند انتخاب ویژگی (پروژه محور) ویدئو

11:24

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

طبقه بندی با درخت تصمیم + انتخاب ویژگی با الگوریتم جنگل تصادفی (پروژه محور) ویدئو

11:22

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

طبقه بندی متون اخبار با شبکه بیز ویدئو

10:25

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

آنالیز RFM (پروژه محور) ویدئو

16:52

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

قواعد انجمنی چیست؟ ویدئو

04:39

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

تحلیل سبد بازار (Market basket analysis) ویدئو

22:20

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

دیتاست ها فایل های ضمیمه

خصوصی

سورس کدهای پایتون ویدئو

خصوصی

moreدوره های مرتبط

چگونه هر مهارتی را در یک ماه بیاموزیم؟

بسیاری از افراد یادگیری برخی از مهارت ها را برای همیشه داخل برنامه های خود داشته اند و هیچ گاه…
19,000 تومان 9,500 تومان

راهکارهای فوق العاده برای افزایش درآمد پزشکان

فکری که عموم مردم درباره پزشکان دارند این است که آنها افرادی پر درآمد و ثروتمند هستند و هیچ گونه…
44,000 تومان 22,000 تومان

سرمایه گذاری مطمئن بر روی سکه و طلا با درآمد اندک

سرمایه گذاری در بازار سکه و طلا، عبارتی که این روزها بیش از هر زمان دیگری به گوشمان می رسد.…
22,000 تومان 11,000 تومان

چگونه سخنرانی پرطرفدار باشیم؟

احتمالا برای شما هم پیش آمده که در سمینار یا کارگاهی آموزشی شرکت کرده باشید که ساعت ها به صندلی…
23,000 تومان 11,500 تومان

چگونه برای آزمون استخدامی آماده شویم؟

آزمون استخدامی یکی از استرس زاترین مراحل برای دستیابی به یک شغل مناسب هستند. در واقع دلیل اصلی این ترس…
29,000 تومان 14,500 تومان

۲۱ راهکار برای بهبود فرآیند جذب و استخدام

استخدام مهمترین موضوع برای سازمان و شرکت هایی است به خوبی می دانند رشد و گسترش یک کسب و کار…
39,000 تومان 19,500 تومان

chat_bubble_outlineنظرات

  • Ahmad741

    سلام
    آیا به عنوان پیشنیاز باید آمار و احتمال و جبر خطی رو ابتدا خوب یاد بگیریم و بعد به سراغ این دوره بیایم؟
    چون تا اونجایی که اطلاع دارم این دو مبحث از پیشنیازهای یادگیری ماشینی هستن

    • شاهین نوری

      دوست عزیز،
      فایل های پیش نیازی که می‌فرمایید، آموزش آن‌‌ها به صورت کامل در فصول ۳، ۶ و ۷ به دوره اضافه شدند.
      می‌توانید در فهرست دوره، جزئیات را مشاهده نمایید.
      با احترام

  • sharifiasl( دانشجوی دوره )

    مدتها بود دنبال دوره مفید و کاربردی برای داده کاوی با پایتون بودم ولی هر موسسه یا شخصی که در این مورد پیدا میکردم نتونست به من کمک کنه ولی این دوره بسیار عالی بود و تمام اشکالات من برطرف شد.

قوانین ثبت دیدگاه

با سلام و احترام خدمت شما کاربر محترم
  • دیدگاه های فینگلیش تایید نخواهند شد.
  • دیدگاه های نامرتبط با دوره تایید نخواهد شد.
  • از درج دیدگاه های تکراری پرهیز نمایید.
  • امتیاز دادن به دوره فقط مخصوص دانشجویان دوره می باشد.