آموزش علم داده

دوره از آمار شروع می کند، نه از کد، و همین ترتیب چیزی است که علم داده را از یادگیری چند کتابخانه پایتون جدا می کند. سی و دو درس روی آمار توصیفی و استنباطی است، بعد پایتون، بعد رگرسیون و خوشه بندی، و در آخر یادگیری عمیق و یک مطالعه موردی واقعی روی داده غیبت کارکنان.

۰۱پنجاه و یک بخش، به ترتیب واقعی یادگیری

1. مقدمه بخش اول (۲ درس). می دانید دوره چه چیزی را پوشش می دهد
2. رشته های مختلف علم داده (۵ درس). تفاوت تحلیل، آنالیتیکس و علم داده را می دانید
3. ارتباط بین رشته های علم داده (۱ درس). جای هر رشته را در یک پروژه واقعی می بینید
4. فایده هر رشته (۱ درس). می دانید هر کدام چه مسئله ای را حل می کند
5. تکنیک های رایج علم داده (۱۱ درس). با تکنیک های کار روی داده سنتی و کلان داده آشنا می شوید
6. ابزارهای رایج علم داده (۱ درس). زبان ها و نرم افزارهای لازم را می شناسید
7. مسیرهای شغلی در علم داده (۱ درس). می دانید برای ورود به بازار کار چه انتظاری داشته باشید
8. رفع تصورهای غلط رایج (۱ درس). باورهای اشتباه رایج درباره این حوزه را کنار می گذارید
9. مقدمه بخش آمار (۱ درس). تفاوت جامعه و نمونه را می دانید
10. آمار توصیفی (۱۲ درس). نوع داده و سطوح اندازه گیری را تشخیص می دهید
11. مثال عملی آمار توصیفی (۱ درس).
12. مبانی آمار استنباطی (۷ درس).
13. فاصله اطمینان (۱۰ درس).
14. مثال عملی آمار استنباطی (۱ درس).
15. آزمون فرض (۹ درس).
16. مثال عملی آزمون فرض (۱ درس).
17. مقدمه پایتون (۶ درس).
18. پایتون: متغیر و انواع داده (۳ درس).
19. پایتون: نحو پایه (۷ درس).
20. پایتون: سایر عملگرها (۲ درس).
21. پایتون: دستورهای شرطی (۴ درس).
22. پایتون: تابع (۷ درس).
23. پایتون: دنباله ها (۵ درس).
24. پایتون: حلقه ها (۶ درس).
25. پایتون: ابزارهای پیشرفته (۴ درس).
26. مقدمه روش های آماری پیشرفته (۱ درس).
27. رگرسیون خطی (۱۰ درس).
28. رگرسیون خطی چندگانه (۱۱ درس).
29. رگرسیون لجستیک (۱۱ درس).
30. تحلیل خوشه (۴ درس).
31. خوشه بندی K-Means (۱۰ درس).
32. سایر روش های خوشه بندی (۳ درس).
33. ریاضیات مورد نیاز (۱۱ درس).
34. مقدمه یادگیری عمیق (۱ درس).
35. شبکه های عصبی (۱۲ درس).
36. ساخت شبکه عصبی با NumPy (۴ درس).
37. مقدمه تنسورفلو (۷ درس).
38. شبکه های عصبی عمیق (۸ درس).
39. بیش برازش (۶ درس).
40. مقداردهی اولیه (۳ درس).
41. گرادیان کاهشی و نرخ یادگیری (۷ درس).
42. پیش پردازش داده (۵ درس).
43. دسته بندی روی مجموعه داده MNIST (۹ درس).
44. نمونه کاربرد تجاری (۱۰ درس).
45. پایان بخش یادگیری عمیق (۵ درس).
46. یکپارچه سازی نرم افزاری (۵ درس).
47. مطالعه موردی: ادامه مسیر (۳ درس).
48. مطالعه موردی: پیش پردازش داده غیبت (۱۸ درس).
49. مطالعه موردی: ساخت مدل یادگیری ماشین (۱۴ درس).
50. مطالعه موردی: بارگذاری مدل (۲ درس).
51. مطالعه موردی: تحلیل خروجی در Tableau (۳ درس).

۰۲حجم دوره، زیرنویس و فایل ها

۲۹۲ درس در ۵۱ بخش، سطح متوسط. زیرنویس همراه درس ها نیست. چند فایل پی دی اف راهنما و نمودار در پوشه هست.

ریاضی دبیرستان کافی است و دوره آمار و پایتون را از پایه درس می دهد. تجربه برنامه نویسی لازم نیست.

۰۳قبل از خرید بدانید

مناسب کسی است که می خواهد وارد علم داده شود و ترجیح می دهد به جای پریدن روی کتابخانه ها، اول آمار را بفهمد.

دویست و نود و دو درس بدون هیچ زیرنویسی حجم سنگینی است و بخش ریاضیات و یادگیری عمیق آن به تمرکز جدی نیاز دارد. اگر دنبال یک دوره کوتاه و کاربردی هستید، این آن نیست.