قیمت 240,000 تومان 120,000 تومان

ویژگی های دوره
زبان: فارسی
24 ساعت و 24 دقیقه
106 درس
4/03 گیگابایت
روش دریافت: دانلود آنی پس از پرداخت
روش پشتیبانی: ارسال تیکت

علم داده با پایتون یا همان data science در حال حاضر یکی از محبوب ترین و پرطرفدارترین گرایش‌های هوش مصنوعی به حساب می‌آید. به طوری که در سراسر جهان (از جمله ایران)، این تخصص به شدت مورد توجه شرکت‌ها قرار گرفته است. در آمریکا، میانگین حقوق پرداختی به یک متخصص علم داده (ِdata scientist) و یادگیری ماشین (machine learning) بیش از ۱۲۰ هزار دلار در سال می باشد و این در حالی است که یک مهندس برق ۱۰۰ هزار در سال می‌گیرد.

در ایران نیز شرکت‌های بزرگ از جمله اسنپ، تپ سی، کافه بازار، علی بابا، شرکت‌های بانکی و بیمه‌ای و …، همگی همواره فرصت شغلی‌های متخصص علم داده را دارند. علت محبوبیت این تخصص، افزایش روزانه حجم تولید داده و داده محور شدن اکثر کسب و کارهای امروزی است. می‌توان داده را مساوی طلا در نظر گرفت.

هر چقدر داده‌های موجود در پایگاه داده شرکت افزایش پیدا کند، سرمایه شرکت بیش‌تر می‌شود. حال، برای تبدیل کردن این داده‌های حجیم و تمیز نشده، نیاز است از این تخصص استفاده کرد تا با کشف الگو‌های پنهان از پردازش میلیون‌ها داده، نتایج شگف انگیزی را بدست آورد و تحلیل کرد.

یکی دیگر از محبوب شدن علم داده، کمک به کاهش هزینه، افزایش قابل توجه درآمد و افزایش قدرت رقابت در بازار است. شما به کمک data science، می‌توانید هر نوع داده‌ای را تحلیل کنید (داده‌های پایگاه داده و کسب و کار، متن گزارشات و اسناد، تصاویر، سخنرانی‌ها و …)

 

در این دوره چه مباحثی آموزش داده شده است؟

پکیج علم داده (Data science)، مجموع سه دوره داده کاوی و یادگیری ماشین با پایتون، متن کاوی و پردازش زبان طبیعی  و صوت با پایتون و یادگیری عمیق با پایتون است.

توجه: تهیه این دوره به کسانی پیشنهاد می‌‎شود که اصلاً در خصوص هیچ یک از تخصص های ذکر شده، آشنایی ندارند و یا هیچ یک از دوره‌های مربوطه را تهیه نکرده‌اند.

۱) داده کاوی و یادگیری ماشین با پایتون: بخش اول دوره به آموزش داده کاوی (data mining) و بکارگیری آن در کسب و کار و انجام پروژه‌های دانشگاهی پرداخته می‌شود.

۲) متن کاوی و پردازش زبان طبیعی  و صوت با پایتون: در بخش دوم، شما در تحلیل داده‌های کیفی (در فایل‌های PDF، Word، .txt ، متن صفحات وب و دیتای متن در اکسل و CSV) به مهارت بسیار خوبی خواهید رسید و انواع متن را به کمک هوش مصنوعی تحلیل خواهید نمود.

۳) یادگیری عمیق با پایتون: وژن نوینی از یادگیری ماشین که شما می‌توانید مدل‌های پیش بینی کننده (از جمله پروژه‌های طبقه بندی، تحلیل احساسات، طبقه بندی تصاویر، پیش بینی سری‌های زمانی و …) را با آن انجام دهید.

 

سرفصل های دوره پکیج جامع علم داده با پایتون

فصل ۱- داده کاوی و یادگیری ماشین با پایتون

آشنایی با دوره

  • معروفی دوره
  • نصب و راه اندازی

 

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

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

 

جبر خطی برای داده کاوی و یادگیری ماشین با پایتون

  • 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 …)

 

آشنایی با کتابخانه‌های داده‌کاوی و یادگیری ماشین با پایتون

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

 

وارد کردن دیتاست‌ها

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

 

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

 

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

 

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

 

رگرسیون خطی

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

 

خوشه بندی

  • آشنایی با خوشه بندی
  • آشنایی با خوشه بندی سلسله مراتبی
  • آشنایی با خوشه بندی k-means
  • 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

 

طبقه بندی

  • آشنایی با مفهوم و الگوریتم طبقه بندی
  • آشنایی با رگرسیون لجستیک
  • آشنایی با درخت تصمیم
  • آشنایی با KNN
  • آشنایی با آنالیز خطی افتراقی (LDA)
  • آشنایی با ماشین بردار پشتیبانی (SVM)
  • 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)

 

مدیریت ارتباط با مشتری (CRM)

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

 

قواعد انجمنی (Association Rules)

  • آشنایی با قواعد انجمنی

پروژه تحلیل سبد بازار (Market basket analysis) یک شرکت خرده فروشی بین المللی

 

فصل ۲- متن کاوی و پردازش زبان طبیعی و صوت با پایتون

معرفی و مرور مبانی داده کاوی با پایتون

  • معرفی دوره
  • دانلود و نصب Jupyter notebook + نصب ابزار متن کاوی

 

استخراج متن از منابع مختلف

  • استخراج متن از کتاب
  • استراج متن از فایل word
  • استخراج متن از فایل PDF
  • استخراج متن از صفحه وب
  • استخراج شناسه ایمیل از متن
  • جایگزین کردن شناسه‌های ایمیل در متن
  • مدیریت دیتای رشته در متن
  • استخراج متن ازفایل Json

 

پیش پردازش متن

  • تبدیل متن به Lowercase (کوچک کردن حروف واژه)
  • Tokenization (جداسازی واژگان و جملات در متن)
  • حذف Punctuation (نقطه گذاری)
  • حذف Stop word ها (واژگان پر تکرار و بی‌اهمیت)
  • استاندارد سازی متن (Text standardization)
  • Stemming (حذف صرف فعل)
  • Lemmatizing (تبدیل جمع به مفرد)
  • تصحیح غلط نوشتاری
  • محاسبه فراوانی لغات
  • ساخت ابر واژگان

 

تبدیل متن به ویژگی

  • تبدیل متن به ویژگی با استفاده کد گذاری (Encoding)
  • تبدیل متن به ویژگی با استفاده بردار شمارش (Count Vectorizing)
  • تبدیل متن به ویژگی با استفاده از N-Grams
  • ویژگی‌های مبتنی بر بایگرام یک فایل متن
  • مهندسی ویژگی با TF-IDF

 

پردازش زبان طبیعی پیشرفته

  • استخراج عبارت اسمی از متن
  • شباهت سنجی میان متن‌ها (Text similarity)
  • برچسب گذاری نقش گرامری واژه (اسم، فعل، صفت و …) با POS Tagging
  • استخراج اسامی خاص از متن (دانشگاه، استان، شخص و …)
  • تحلیل احساسات + مثال (Sentiment Analysis)
  • تشخیص معنی واژه در جملات مختلف
  • ساخت سیستم ترجمه
  • تبدیل صوت به متن
  • تبدیل متن به صوت (یک فایل MP3)

 

پروژه‌های کسب و کار

  • طبقه بندی متن پیامک‌ها و شناسایی  علل اسپم بودن آن‌ها
  • ساخت سیستم طبقه بندی شکایات مصرف کنندگان
  • پروژه تحلیل احساسات مشتریان یک شرکت بزرگ
  • خلاصه سازی متن یک صفحه وب
  • خلاصه سازی متن یک کتاب
  • پروژه خوشه بندی متن اسناد (Document Clustering)

 

فصل ۳- یادگیری عمیق با پایتون (داده کاوی با استفاده از شبکه‌های عصبی)

معرفی و آشنایی با یادگیری عمیق

  • معرفی دوره
  • آشنایی و نصب کتابخانه Theano
  • آشنایی و نصب کتابخانه Tensorflow
  • آشنایی و نصب کتابخانه Keras
  • مروری مبانی برنامه نویسی با پایتون با تمرکز بر داده کاوی و یادگیری ماشین
    • شروع کار با پایتون
    • انواع ساختار داده
    • برنامه‌ های کنترلی
    • انواع توابع
    •  Iteratorها
    • Comprehensionها
    • Generator‌ها
    • کلاس‌ها
  • کار با کتابخانه Numpy
  • کار با کتابخانه Pandas

 

پرسپترون‌های چندلایه (MLP)

  • آشنایی با MLP و ساختار آن
  • توسعه اولین مدل یادگیری عمیق بر روی دیتاست بیماران دیابتی
    • لایه‌های تمام متصل (fully connected layers)
    • Kernel initializer
    • توابع فعال سازی در لایه‌های مختلف
    • توابع loss
    • توابع بهینه سازی
    • Metrics
    • Epochs
    • Batch size
    • ارزیابی دقت پیش بینی مدل
  • روش‌های ارزیابی عملکرد یادگیری عمیق
    • روش اتوماتیک
    • روش دستی
    • روش Cross validation

 

  • ارزیابی مدل با کتابخانه Scikit learn برای یادگیری ماشین
  • پروژه ۱: طبقه بندی چندگانه بر روی دیتاست گیاهان
  • پروژه ۲: طبقه بندی دیتاست سونار به همراه پیش پردازش دیتا
  • پروژه ۳: پیش بینی قیمت خانه
  • ذخیره کردن مدل و وزن‌های شبکه‌های عصبی
  • حفظ بالاترین دقت پیش بینی در یادگیری عمیق با استفاده از checkpoint
  • درک رفتار مدل با رسم دقت پیش بینی
  • ساخت لایه Drop out برای regularization و کاهش over fitting

 

شبکه‌های عصبی کانولوشنالی (CNN)

  • آشنایی با CNN  و ساختار آن
  • پروژه ۴: طبقه بندی تصاویر اعداد با استفاده از MLP
  • پروژه ۵: طبقه بندی تصاویر اعداد با استفاده از CNN
  • پروژه ۶: تشخیص اشیا در تصاویر با CNN
  • پروژه ۷: تحلیل نظرات کاربران سایت فیلم با CNN

 

شبکه‌های عصبی بازگشتی (RNN)

  • آشنایی با RNN  و ساختار آن
  • پیش بینی سری‌های زمانی تعداد مسافران خط هوایی با استفاده از MLP
  • پروژه ۸: پیش بینی تعداد مسافران خط هوایی با RNN،  LSTM
  • پروژه ۹: تحلیل نظرات کاربران سایت فیلم با LSTM

 

پروژه های پیشرفته یادگیری عمیق

  • پروژه ۱۰: ساخت موتور جستجو
  • پروژه ۱۱: طبقه متن پیامک‌های مردم با MLP، CNN، RNN و LSTM

 

حاصل دوره

  1. شما یک متخصص علم داده (data scientist) و یادگیری ماشین (machine learning) با زبان پایتون (python) خواهید شد.
  2. پوشش جامع و پروژه محور نیازمندهای فرصت شغلی data scientist با پایتون
  3. پیشتیانی روزانه از سؤالات دانشجویان دوره برای تضمین یادگیری

 

 

فصل اول

معرفی دوره ویدئو

06:48

نصب و راه اندازی ویدئو

06:02

تحلیل آماری ویدئو

33:34

دانلود و نصب Jupyter notebook + نصب ابزار متن کاوی ویدئو

05:40

استخراج داده از کتاب الکترونیک ویدئو

10:46

ساخت سیستم ترجمه ویدئو

02:26

تبدیل صوت به متن ویدئو

09:57

دانلود یکجای درس های ۱ الی ۱۰۶ ویدئو

24:28:48

خصوصی

دیتاست های فصل اول فایل های ضمیمه

خصوصی

دیتاست های فصل دوم فایل های ضمیمه

خصوصی

دیتاست های فصل سوم فایل های ضمیمه

خصوصی

سورس کدهای فصل اول فایل های ضمیمه

خصوصی

سورس کدهای فصل دوم فایل های ضمیمه

خصوصی

سورس کدهای فصل سوم فایل های ضمیمه

خصوصی

moreدوره های مرتبط

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

سیر تا پیاز راه اندازی کسب و کار اینترنتی (از ایده تا کسب درآمد)

راه اندازی کسب و کار اینترنتی رویایی است که بسیاری از افراد در سر دارند. هرچه بیشتر می گذرد موج…
37,000 تومان 18,500 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

مهارت کاریابی حرفه‌ای (تجربیات یک مدیر منابع انسانی برای کارجویان)

یکی از سخت ترین کارها در حال حاضر در ایران کاریابی و یافتن شغل مناسب است. فرآیند یافتن شغل مناسب…
رایگان!

chat_bubble_outlineنظرات

  • farzanf( دانشجوی دوره )

    مرسی دمتون گرم!
    فکر نمیکردم این دوره به این کاملی رو با قیمت به این خوبی پیدا کنم

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.