کتاب از صفر تا متخصص: علم داده برای تحلیلگران و تصمیم‌گیران با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از صفر تا متخصص: علم داده برای تحلیلگران و تصمیم‌گیران

موضوع کلی: علم داده

موضوع میانی: مبانی و ابزارهای علم داده

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علم داده و کاربردهای آن
  • 2. چرخه حیات یک پروژه علم داده
  • 3. آشنایی با انواع داده‌ها و ساختار آن‌ها
  • 4. جمع‌آوری داده‌ها: روش‌ها و منابع
  • 5. پاکسازی و پیش‌پردازش داده‌ها: مدیریت داده‌های گم‌شده
  • 6. تبدیل داده‌ها: نرمال‌سازی و استانداردسازی
  • 7. کاوش در داده‌ها: آمار توصیفی و بصری‌سازی
  • 8. مقدمه‌ای بر احتمالات و آمار استنباطی
  • 9. آشنایی با توزیع‌های آماری مهم
  • 10. آزمون فرض و استدلال آماری
  • 11. مقدمه‌ای بر زبان برنامه‌نویسی پایتون برای علم داده
  • 12. کار با کتابخانه‌های اصلی پایتون: NumPy
  • 13. کار با کتابخانه‌های اصلی پایتون: Pandas
  • 14. کار با کتابخانه‌های اصلی پایتون: Matplotlib
  • 15. کار با کتابخانه‌های اصلی پایتون: Seaborn
  • 16. یادگیری ماشین: مقدمه‌ای و انواع الگوریتم‌ها
  • 17. رگرسیون خطی و چندگانه
  • 18. رگرسیون لجستیک
  • 19. درخت‌های تصمیم‌گیری
  • 20. جنگل تصادفی (Random Forest)
  • 21. ماشین‌های بردار پشتیبان (SVM)
  • 22. خوشه‌بندی K-Means
  • 23. ارزیابی مدل‌های یادگیری ماشین
  • 24. انتخاب ویژگی و کاهش ابعاد
  • 25. اعتبارسنجی متقابل (Cross-Validation)
  • 26. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی
  • 27. شبکه‌های عصبی مصنوعی (ANN)
  • 28. کاربرد یادگیری عمیق در تشخیص تصویر
  • 29. کاربرد یادگیری عمیق در پردازش زبان طبیعی (NLP)
  • 30. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 31. تحلیل احساسات با استفاده از NLP
  • 32. مدل‌سازی موضوعی (Topic Modeling)
  • 33. بصری‌سازی پیشرفته داده‌ها با Power BI
  • 34. بصری‌سازی پیشرفته داده‌ها با Tableau
  • 35. کار با پایگاه داده‌های رابطه‌ای (SQL)
  • 36. کار با پایگاه داده‌های NoSQL (MongoDB)
  • 37. مقدمه‌ای بر داده‌کاوی
  • 38. کاربرد علم داده در بازاریابی
  • 39. کاربرد علم داده در امور مالی
  • 40. کاربرد علم داده در بهداشت و درمان
  • 41. مقدمه‌ای بر Big Data و Hadoop
  • 42. مقدمه‌ای بر Spark و پردازش داده‌های بزرگ
  • 43. استقرار مدل‌های یادگیری ماشین
  • 44. اخلاق در علم داده و حفظ حریم خصوصی
تگ‌ها: Data Analysis Data Mining Data Science Data Visualization Machine Learning Python Statistics آمار بصری سازی داده پایتون تحلیل داده داده کاوی علم داده هوش مصنوعی یادگیری ماشین

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.