دوره‌ مستقلمحتوای هیبرید

داده کاوی و یادگیری ماشین کاربردی (Python)

مدرس زهرا ذوالقدر
آخرین بروزرسانی ۱۱ دی ۱۴۰۴
۰ دیدگاه

این دوره با هدف آشنایی دانشجویان و محققان با چگونگی پیاده سازی فرآیند داده کاوی از قبیل آماده‌سازی داده ها و ساخت مدل های پیشبینانه در نرم افزارهای تخصصی داده کاوی طراحی شده است. درک درست از صورت مساله های مختلف این حوزه و دستیابی به یک بینش جامع نسبت به روش حل مساله، شما را آماده میکند تا در تحلیل داده محور با نگاه بازتری گام بردارید. ابزار پایتون برای پیاده سازی عملی این کورس مورد استفاده قرار گرفته است.

پیشنیاز این کورس آمار برای علم داده بوده و در قالب مسیر آموزشی تحلیلگر داده محور آمادگی لازم برای موقعیت شغلی تحلیلگر داده محور را فراهم می کند.

مسیر آموزشی تحلیلگر داده محور گام اول مسیر دانشمند داده دایکه می باشد.

دوره غیرحضوری داده کاوی و حل مسئله چطور برگزار می شود؟

محتوای ویدئویی: در دوره غیرحضوری، تمامی محتوا و متریال آموزشی (اعم از صدا و تصویر مدرس، صفحه دسکتاپ مدرس و مباحثی که روی تخته ارائه می شود)، بصورت فیلم استدیویی ضبط و تدوین شده و در اختیار متقاضیان قرار میگیرد.

سرویس منتورینگ: اما ویدئوها فقط بخشی از محتوا هستند. مجموعه دایکه به ازای محتوای ارائه شده در هر هفته، یک جلسه آنلاین دو ساعته، نیز در قالب سرویس منتورینگ برای شما در نظر می گیرد که عموما در یکی از روزهای شنبه تا چهارشنبه و خارج از تایم اداری تنظیم می شود. شما می توانید پس از مشاهده ویدئوی کلاس، هرگونه سوال و ابهام خود را در سرویس منتورینگ با مدرس آن دوره مطرح کرده و بصورت مستقیم با مدرس تعامل داشته باشید.

ضمن اینکه مدرسین هم می توانند در قالب این سرویس، از وضعیت مخاطبین غیرحضوری مطلع شده و تسک ها و تمرینهای ارائه شده را پیگیری کنند.

گروه پشتیبانی تلگرامی: برای هر دوره از مسیرهای درحال اجرا گروه تلگرامی خواهیم داشت که تمام شرکت کنندگان دوره های غیرحضوری در این گروه عضو خواهند شد. به اشتراک گذاری منابع و اطلاعات مرتبط با محتوای مسیر، طرح سوالات و اشکالات فردی و مباحثه بر روی اونها رو می توانید در این گروه پشتیبان داشته باشید. ضمن اینکه مدرسین دوره ها هم در این گروه هستند و در حد ممکن پاسخگو خواهند بود.

آیا در پایان دوره به شرکت کنندگان غیرحضوری گواهینامه ارائه می شود؟

گواهینامه ارائه شده به زبان انگلیسی بوده و قابلیت استعلام آنلاین و اشترک گذاری در شبکه های اجتماعی دارد.

 

دوره آفلاین داده کاوی و حل مسئله چطور برگزار می شود؟

محتوای ویدئویی: در دوره آفلاین، تمامی محتوا و متریال آموزشی ارائه شده (اعم از صدا و تصویر مدرس، صفحه دسکتاپ مدرس و مباحثی که روی تخته ارائه می شود)، بصورت فیلم استدیویی ضبط و تدوین شده و در اختیار متقاضیان قرار میگیرد.

گروه پشتیبانی تلگرامی: تمام شرکت کنندگان دوره های آفلاین در این گروه عضو خواهند شد. به اشتراک گذاری منابع و اطلاعات مرتبط با محتوای دوره ها، طرح سوالات و اشکالات فردی و مباحثه بر روی اونها رو می توانید در این گروه پشتیبان داشته باشید. ضمن اینکه مدرسین دوره ها هم در این گروه هستند و در حد ممکن پاسخگو خواهند بود.

آیا در پایان دوره به شرکت کنندگان آفلاین گواهینامه ارائه می شود؟

دوره های آفلاین، شامل صدور گواهینامه نمی شوند.

در حال بارگذاری تقویم...

تقویم آموزشی
مستندات دوره
هفته اول
مقدمه و کلیات
۱:۰۳:۲۴
مروری بر نقشه راه علم‌داده
پخش رایگان ۱۳:۴۴
مقدمه ای بر داده کاوی
پخش رایگان ۴۳:۰۲
معرفی مباحث دوره
پخش رایگان ۰۶:۳۸
توصیف و کاوش در داده ها
۲:۳۲:۰۵
روش های توصیف و کاوش در داده
۴۶:۲۲
پروژه اعتبارسنجی مشتریان بانک
۲۰:۵۲
نمایه سازی داده ها و EDA
۰۸:۲۵
اجرای EDA با کتابخانه Pandas-Profiling – بخش اول
۲۵:۱۲
اجرای EDA با کتابخانه Pandas-Profiling – بخش دوم
۲۷:۳۷
مقایسه آماری جداول داده در Pandas-Profiling
۲۳:۳۷
رفع اشکال آنلاین ۱
هفته دوم
کیفیت داده ها – داده های خارج از بازه و ناسازگار
۱:۰۵:۴۲
مقدمه ای بر کیفیت داده ها
۱۱:۵۳
داده های خارج از بازه و ناسازگار
۱۰:۴۵
پاکسازی داده ها: غربالگری ویژگی ها
۳۰:۲۴
پاکسازی داده ها: ناسازگاری داده ها
۱۲:۴۰
کیفیت داده ها – داده های پرت
۱:۳۶:۰۷
داده های پرت
۳۱:۵۳
پاکسازی داده ها: نقاط پرت – بخش اول
۲۴:۳۰
پاکسازی داده ها: نقاط پرت – بخش دوم
۲۱:۴۵
پاکسازی داده ها: نقاط پرت – بخش سوم
۱۷:۵۹
کیفیت داده ها – مقادیر گم شده
۱:۰۷:۱۰
مقادیر گم شده
۳۱:۴۳
پاکسازی داده ها: مقادیر گم شده – بخش اول
۲۰:۰۱
پاکسازی داده ها: مقادیر گم شده – بخش دوم
۱۵:۲۶
رفع اشکال آنلاین ۲
هفته سوم
تبدیل داده ها
۲:۰۰:۳۵
نرمال سازی داده ها
۲۰:۲۳
ساخت ویژگی
۲۹:۲۲
گسسته سازی
۴۸:۳۸
هموارسازی داده ها (اختیاری: مطالعه بیشتر)
۲۲:۱۲
پیاده‌سازی تبدیل داده‌ها در پایتون
۱:۵۴:۲۴
ساخت ویژگی در پایتون
۱۸:۲۷
گسسته‌سازی داده در پایتون
۳۶:۳۴
تبدیل داده در پایتون
۱۱:۱۱
کدگذاری داده در پایتون
۳۸:۲۰
هم‌مقیاس کردن داده در پایتون
۰۹:۵۲
رفع اشکال آنلاین ۳
هفته چهارم
کاهش ابعاد داده ها – انتخاب ویژگی ۲
۱:۲۸:۰۲
مروری بر نقشه راه علم‌داده
۱۷:۵۸
انتخاب ویژگی
۱:۱۰:۰۴
پروژه پیش بینی قیمت مسکن: آماده سازی و انتخاب ویژگی
۲:۵۰:۴۸
پیش‌بینی قیمت مسکن: تعریف پروژه و انجام EDA
۲۹:۴۰
پیش‌بینی قیمت مسکن: پاکسازی و تبدیل داده ها – بخش ۱
۲۴:۰۲
پیش‌بینی قیمت مسکن: پاکسازی و تبدیل داده ها – بخش ۲
۳۲:۳۴
پیش‌بینی قیمت مسکن: پاکسازی و تبدیل داده ها – بخش ۳
۱۹:۳۷
پیش‌بینی قیمت مسکن: انتخاب ویژگی به روش Filter – پارت ۱
۲۷:۰۸
پیش‌بینی قیمت مسکن: انتخاب ویژگی به روش Filter – پارت ۲
۲۲:۰۳
پیش‌بینی قیمت مسکن: انتخاب ویژگی به روش Wrapper
۱۵:۴۴
رفع اشکال آنلاین ۴
هفته پنجم
کاهش ابعاد داده ها – استخراج ویژگی
۱:۵۶:۵۲
استخراج ویژگی
۱:۰۷:۰۵
پیاده سازی استخراج ویژگی به روش PCA در پایتون
۲۸:۵۷
پیاده سازی استخراج ویژگی به روشهای Kernel-PCA و LDA در پایتون
۲۰:۵۰
مباحث تکمیلی در آماده سازی داده
۲:۵۵:۱۷
روش های نمونه گیری آماری
۳۶:۴۷
پیاده سازی روش های نمونه گیری در کاهش ابعاد
۲۶:۲۳
مفاهیم تجمیع داده ها
۳۲:۱۲
پیاده سازی تجمیع داده ها و تحلیل RFM – بخش اول
۲۱:۳۱
پیاده سازی تجمیع داده ها و تحلیل RFM – بخش دوم
۱۸:۲۴
مفاهیم یکپارچه سازی داده
۱۳:۳۷
پیاده سازی یکپارچه‌سازی داده ها در پایتون
۲۶:۲۳
رفع اشکال آنلاین ۵
هفته ششم
پیاده‌سازی Pipeline پروژه های علم داده
۲:۰۸:۴۳
مروری بر نقشه راه پیش رو
۱۹:۲۰
پایپ لاین پروژه اعتبارسنجی مشتریان بانک – بخش اول
۲۱:۲۳
پایپ لاین پروژه اعتبارسنجی مشتریان بانک – بخش دوم
۲۴:۴۲
پایپ لاین پروژه پیش بینی قیمت مسکن
۱۳:۰۲
استفاده از توابع ColumnTransformer و PileLine در پایتون
۲۷:۴۳
پیش‌بینی داده‌های آینده با کمک پایپ‌لاین و ارسال نتایج در مسابقات Kaggle
۲۲:۳۳
معرفی مدل‌های پیش‌بینانه و روش‌های ارزیابی آنها
۱:۳۱:۲۲
مقدمه ای بر مدلهای پیش‌بینانه
۴۹:۵۹
روش‌های ارزیابی Hold Out و Random Subsampling
۲۲:۲۶
روش های مبتنی بر ارزیابی متقاطع Cross Validation
۱۸:۵۷
رفع اشکال آنلاین ۶
هفته هفتم
مدل درخت تصمیم
۲:۰۹:۲۶
الگوریتم درخت تصمیم
۲۶:۵۱
آموزش و توسعه درخت تصمیم
۱:۲۲:۱۵
تفسیر و ارزیابی قوانین
۲۰:۲۰
روش های ارزیابی
۱:۳۴:۱۰
ارزیابی مدل های دسته بندی – بخش ۱
۳۷:۰۳
ارزیابی مدل های دسته بندی – بخش ۲
۴۱:۴۰
ارزیابی مدل های رگرسیون
۱۵:۲۷
رفع اشکال آنلاین ۷
هفته هشتم
پیاده‌سازی درخت‌ تصمیم (رده بندی) و ارزیابی آنها
۱:۱۸:۳۶
پروژه اعتبارسنجی مشتریان – پیاده سازی درخت تصمیم
۲۳:۵۳
پروژه اعتبارسنجی مشتریان – ارزیابی و تنظیم پارامتر درخت تصمیم
۳۱:۰۷
پروژه اعتبارسنجی مشتریان – تفسیر و ارزیابی قوانین درخت تصمیم
۲۳:۳۶
پیاده‌سازی درخت‌ رگرسیونی (پیش بینی) و ارزیابی آنها
۴۲:۴۸
پروژه پیش‌بینی قیمت مسکن – پیاده سازی درخت رگرسیون
۱۷:۵۲
پروژه پیش‌بینی قیمت مسکن – ارزیابی و تنظیم پارامتر درخت رگرسیون
۱۶:۱۹
پروژه پیش‌بینی قیمت مسکن – تفسیر و ارزیابی قوانین درخت رگرسیون
۰۸:۳۷
چالش ها و روش برخورد با داده های نامتوازن
۱:۴۲:۴۳
چالش ها و روش برخورد با داده های نامتوازن
۵۰:۲۱
چالش داده های نامتوازن – مبتنی بر نمونه گیری
۳۲:۰۸
چالش داده های نامتوازن – ماتریس هزینه و تنظیم حد آستانه
۲۰:۱۴
رفع اشکال آنلاین ۸
هفته نهم
مدل آماری – الگوریتم بیز ساده Naive Bayes
۱:۱۶:۳۶
الگوریتم بیز ساده Naive Bayes
۵۳:۰۲
پروژه اعتبارسنجی مشتریان – پیاده سازی مدل رده بندی Naive Bayes
۲۳:۳۴
مدل آماری – الگوریتم رگرسیون خطی
۲:۱۸:۵۲
مقدمه ای بر رگرسیون خطی
۲۶:۲۵
برآورد ضرایب مدل
۲۷:۱۹
پروژه پیش‌بینی قیمت مسکن – پیاده سازی مدل رگرسیون خطی
۱۱:۱۶
تنظیم سازی در رگرسیون – Ridge & Lasso Methods
۱۹:۵۵
آزمون های فرض مدل (اختیاری: مطالعه بیشتر)
۲۹:۴۲
بررسی مفروضات مدل (اختیاری: مطالعه بیشتر)
۲۴:۱۵
مدل آماری – الگوریتم رگرسیون لجستیک
۱:۰۶:۰۷
رگرسیون لجستیک
۱۷:۴۵
پروژه اعتبارسنجی مشتریان – پیاده سازی رگرسیون لجستیک و تنظیم پارامتر
۲۲:۰۵
آزمون های فرض رگرسیون لجستیک (اختیاری: مطالعه بیشتر)
۲۶:۱۷
رفع اشکال آنلاین ۹
هفته دهم
الگوریتم k-نزدیک ترین همسایه (KNN)
۱:۰۹:۱۵
معرفی الگوریتم k-نزدیک ترین همسایه (KNN)
۳۱:۲۳
پروژه اعتبارسنجی مشتریان – پیاده سازی پروژه رده بندی با KNN
۱۶:۲۷
پروژه پیش‌بینی قیمت مسکن – پیاده سازی پروژه پیش بینی با KNN
۰۸:۳۶
جستجو و گزارش گیری از الگوریتم KNN
۱۲:۴۹
الگوریتم شبکه های عصبی مصنوعی (Artificial Neural Networks – ANN)
۱:۲۵:۵۰
معرفی الگوریتم شبکه عصبی ANN
۱۸:۰۸
فرایند یادگیری در شبکه های عصبی
۳۹:۱۵
پروژه اعتبارسنجی مشتریان – پیاده سازی و تنظیم پارامتر شبکه عصبی در Sklearn
۱۷:۳۲
پروژه پیش‌بینی قیمت مسکن – پیاده سازی و تنظیم پارامتر شبکه عصبی در Sklearn
۱۰:۵۵
فریمورک Keras و پیاده سازی شبکه عصبی
۵۷:۰۵
پروژه اعتبارسنجی مشتریان – پیاده‌سازی و تنظیم پارامتر شبکه عصبی در Keras
۳۵:۲۰
پروژه پیش‌بینی قیمت مسکن – پیاده‌سازی و تنظیم پارامتر شبکه عصبی در Keras
۲۱:۴۵
رفع اشکال آنلاین ۱۰
هفته یازدهم
الگوریتم ماشین بردار پشتیبان (Support Vector Machine – SVM)
۱:۴۹:۳۴
معرفی الگوریتم ماشین بردار پشتیبان SVM
۱:۰۸:۳۱
پیاده سازی و تنظیم پارامتر مدل SVM – پروژه اعتبارسنجی مشتریان
۲۷:۴۱
پیاده سازی و تنظیم پارامتر مدل SVR – پروژه پیش‌بینی قیمت مسکن
۱۳:۲۲
مدلهای پیش‌بینانه مبتنی بر یادگیری گروهی
۱:۵۱:۱۴
مبانی یادگیری گروهی
۳۰:۰۵
رویکرد Stacking در یادگیری گروهی
۰۸:۲۳
رویکرد Bagging در یادگیری گروهی
۱۱:۳۰
رویکرد Boosting در یادگیری گروهی
۲۲:۰۰
پیاده سازی روش های یادگیری گروهی – پروژه اعتبارسنجی مشتریان
۲۸:۲۷
پیاده سازی روش های یادگیری گروهی – پروژه پیش‌بینی قیمت مسکن
۱۰:۴۹
رفع اشکال آنلاین ۱۱
هفته دوازدهم
مدلهای اکتشافی بدون نظارت – خوشه بندی
۳:۲۱:۱۶
مروری بر نقشه راه پیش رو
۲۶:۱۹
معرفی تکنیک خوشه بندی
۰۸:۰۸
خوشه بندی سلسله مراتبی
۱۹:۲۱
الگوریتم خوشه بندی K-Means
۲۶:۵۴
الگوریتم مبتنی بر چگالی DB-Scan
۱۵:۴۶
ارزیابی مدل خوشه بندی
۱۸:۳۳
پروژه بخش‌بندی مشتریان – پیاده‌سازی الگوریتم K-Means
۲۲:۱۰
پروژه بخش‌بندی مشتریان – انتخاب خوشه بهینه
۱۰:۴۴
پروژه بخش‌بندی مشتریان – تفسیر خوشه ها
۴۲:۴۹
پروژه بخش‌بندی مشتریان – پیاده‌سازی الگوریتم سلسله‌مراتبی
۱۰:۳۲
مدلهای اکتشافی بدون نظارت – قوانین انجمنی (اختیاری: مطالعه بیشتر)
۳۹:۵۰
مقدمه ای بر قوانین انجمنی – Association Rules (اختیاری: مطالعه بیشتر)
۱۳:۰۱
معرفی الگوریتم Apriori (اختیاری: مطالعه بیشتر)
۲۶:۴۹
رفع اشکال آنلاین ۱۲
ارائه پروژه نهایی
نشست آنلاین ۱۳ – ارائه پروژه نهایی
دکتر زهرا ذوالقدر

مدیر بخش آمار و داده کاوی دایکه
دکترای آمار زیستی . فارغ‌التحصیل از دانشگاه تهران و شهید بهشتی

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می‌نویسد.

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این دوره بخشی از گام مهارتی زیر است

تحلیلگر داده محور
۲۲ هفته
مدرس ها

محمد روزبه و ...

۰ دیدگاه

امتیاز 0 از 5

تحلیلگر داده محور

تشکیل شده از ۳ دوره مهارتی

گزینه‌های ثبت‌نام

داده کاوی و یادگیری ماشین کاربردی (Python)

ظرفیت باقیمانده 10 نفر

موجودی: ظرفیت باقیمانده 10 نفر

  • *انتخاب روش برگزاری کلاس

ویژگی

2
روش برگزاری
2
پیش‌نیاز
2
دسترسی
2
روش بازآموزی
3
گواهینامه
درخواست مشاوره رایگان ×

    Call Center
    سبد خرید شما
    هیچ محصولی در سبد خرید نیست.

    ورود به حساب کاربری

    ساخت حساب کاربری