کتاب صوتی پایتون برای علم داده: از تمیز کردن داده تا مدل‌سازی پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایتون برای علم داده: از تمیز کردن داده تا مدل‌سازی پیشرفته

موضوع کلی: برنامه نویسی

موضوع میانی: پایتون (Python)

📋 سرفصل‌های دوره

• 1. تمیز کردن داده با پانداس
• 2. تجزیه و تحلیل داده های اکتشافی با پانداس
• 3. مدیریت داده های گمشده
• 4. تشخیص و حذف داده های پرت
• 5. ادغام و پیوستن دیتافریم ها
• 6. تغییر شکل داده ها با melt و pivot
• 7. کار با داده های زمانی در پانداس
• 8. مبانی مصورسازی داده با matplotlib و seaborn
• 9. مصورسازی توزیع داده ها
• 10. مصورسازی روابط بین متغیرها
• 11. مصورسازی داده های زمانی و جغرافیایی
• 12. مقدمه ای بر یادگیری ماشین با scikit-learn
• 13. رگرسیون خطی ساده و چندگانه
• 14. رگرسیون چندجمله ای و رگرسیون ریج و لاسو
• 15. درخت تصمیم و رگرسیون با درخت
• 16. جنگل تصادفی و bagging
• 17. مدل های boosting: AdaBoost و Gradient Boosting
• 18. XGBoost و LightGBM برای کارایی بالا
• 19. مبانی طبقه بندی با رگرسیون لجستیک
• 20. ماشین بردار پشتیبان برای طبقه بندی
• 21. نایو بیز برای طبقه بندی متن
• 22. ارزیابی مدل های طبقه بندی: دقت، صحت، بازخوانی و F1
• 23. منحنی ROC و AUC
• 24. k نزدیک ترین همسایه
• 25. خوشه بندی با k-means
• 26. خوشه بندی سلسله مراتبی و DBSCAN
• 27. کاهش ابعاد با PCA
• 28. کاهش ابعاد با t-SNE و UMAP
• 29. مهندسی ویژگی: ایجاد و انتخاب ویژگی
• 30. استانداردسازی و نرمال سازی داده ها
• 31. مدیریت داده های نامتوازن
• 32. اعتبارسنجی متقاطع و تنظیم فراپارامترها
• 33. جستجوی شبکه ای و جستجوی تصادفی
• 34. مقدمه ای بر شبکه های عصبی با TensorFlow و Keras
• 35. شبکه های عصبی پیش خور
• 36. تابع فعال سازی و نرمال سازی دسته ای
• 37. جلوگیری از بیش برازش: Dropout و Regularization
• 38. شبکه های عصبی کانولوشنی برای داده های تصویری
• 39. شبکه های عصبی بازگشتی و LSTM برای داده های دنباله ای
• 40. Autoencoders برای کاهش ابعاد و تشخیص ناهنجاری
• 41. یادگیری انتقالی با مدل های از پیش آموزش دیده
• 42. مبانی پردازش زبان طبیعی با NLTK و spaCy
• 43. پیش پردازش متن: توکن سازی، ریشه یابی و لماتیزه کردن
• 44. مدل سازی موضوع با LDA
• 45. تحلیل احساسات با یادگیری ماشین
• 46. تولید ویژگی های متنی با TF-IDF و Word Embeddings
• 47. مقدمه ای بر Word2Vec و GloVe
• 48. مدل های Transformer و BERT برای NLP
• 49. کار با API های یادگیری ماشین ابری
• 50. مدیریت پروژه های علم داده با Git
• 51. تست و اشکال زدایی کد پایتون
• 52. بهینه سازی عملکرد کد با NumPy و Cython
• 53. مدیریت حافظه و پردازش داده های بزرگ
• 54. مقدمه ای بر PySpark برای داده های حجیم
• 55. کار با پایگاه داده های SQL از پایتون
• 56. کار با پایگاه داده های NoSQL مانند MongoDB
• 57. اتوماتیک سازی خط لوله داده با Apache Airflow
• 58. ایجاد داشبورد با Streamlit
• 59. استقرار مدل با Flask و FastAPI
• 60. مقدمه ای بر Docker برای علم داده
• 61. مقدمه ای بر یادگیری تقویتی
• 62. یادگیری نیمه نظارتی
• 63. یادگیری چند برچسبی و چند کلاسه
• 64. تحلیل سری های زمانی با ARIMA و Prophet
• 65. مدل های GARCH برای سری های زمانی مالی
• 66. مهندسی ویژگی برای سری های زمانی
• 67. تشخیص ناهنجاری در سری های زمانی
• 68. تحلیل شبکه های اجتماعی با NetworkX
• 69. تحلیل بقا با scikit-survival
• 70. آزمون های آماری و فرضیه سازی
• 71. فاصله اطمینان و Bootstrap
• 72. رگرسیون لجستیک چند جمله ای
• 73. تحلیل واریانس و آنالیز کوواریانس
• 74. مدل های خطی تعمیم یافته
• 75. مدل های اثرات مختلط
• 76. مدل سازی معادلات ساختاری
• 77. یادگیری قانون تداعی با Apriori و FP-Growth
• 78. سیستم های توصیه گر مبتنی بر محتوا و فیلتر همکارانه
• 79. تجزیه و تحلیل سبد خرید
• 80. مدل سازی با PyMC برای آمار بیزی
• 81. بهینه سازی با Optuna و Hyperopt
• 82. مدیریت نسخه داده ها با DVC
• 83. تکنیک های پیشرفته مصورسازی با Plotly و Bokeh
• 84. ایجاد نمودارهای تعاملی با Altair
• 85. مصورسازی داده های مکانی با Folium و GeoPandas
• 86. تحلیل متن با WordCloud و n-gram
• 87. مقدمه ای بر یادگیری عمیق برای بینایی کامپیوتر
• 88. تشخیص اشیا با YOLO و Faster R-CNN
• 89. تقسیم بندی تصویر با U-Net و Mask R-CNN
• 90. تولید متن با مدل های زبانی بزرگ
• 91. مبانی Reinforcement Learning با Stable-Baselines3
• 92. ایجاد عامل های یادگیری تقویتی با OpenAI Gym