اکسپرس 24
کتاب استفاده از Google Colab و Kaggle برای پروژه‌های علم داده

کتاب استفاده از Google Colab و Kaggle برای پروژه‌های علم داده

تگ‌ها: Google Colab Kaggle برنامه نویسی پایتون پایتون برای علم داده پروژه علم داده تحلیل داده داده کاوی علم داده یادگیری ماشین

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

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از Google Colab و Kaggle برای پروژه‌های علم داده

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های دوره

  • 1. مقدمات و آشنایی با Google Colab
  • 2. راه‌اندازی محیط کار در Google Colab
  • 3. آشنایی با رابط کاربری Google Colab
  • 4. اجرای کد پایتون در Colab
  • 5. مدیریت فایل‌ها در Google Colab
  • 6. اتصال به Google Drive در Colab
  • 7. مقدمات علم داده
  • 8. مفاهیم کلیدی علم داده
  • 9. مراحل پروژه علم داده
  • 10. جمع‌آوری داده
  • 11. پاکسازی داده
  • 12. پیش‌پردازش داده
  • 13. تجزیه و تحلیل اکتشافی داده (EDA)
  • 14. مقدمات آماری در علم داده
  • 15. آمار توصیفی
  • 16. تصویرسازی داده
  • 17. مقدمات یادگیری ماشین
  • 18. انواع یادگیری ماشین
  • 19. یادگیری نظارت شده
  • 20. یادگیری بدون نظارت
  • 21. یادگیری تقویتی
  • 22. مقدمات الگوریتم‌های یادگیری ماشین
  • 23. رگرسیون خطی
  • 24. رگرسیون لجستیک
  • 25. درخت تصمیم
  • 26. جنگل تصادفی
  • 27. ماشین بردار پشتیبان (SVM)
  • 28. خوشه‌بندی K-Means
  • 29. تحلیل مؤلفه‌های اصلی (PCA)
  • 30. مقدمات کار با کتابخانه‌های علم داده
  • 31. NumPy برای محاسبات عددی
  • 32. Pandas برای پردازش داده
  • 33. Matplotlib برای تصویرسازی
  • 34. Seaborn برای تصویرسازی پیشرفته
  • 35. Scikit-learn برای یادگیری ماشین
  • 36. کار با داده‌های جدولی در Pandas
  • 37. فیلتر کردن و انتخاب داده
  • 38. گروه‌بندی و تجمیع داده
  • 39. ادغام و اتصال داده‌ها
  • 40. کار با داده‌های سری زمانی
  • 41. مقدمات پردازش زبان طبیعی (NLP)
  • 42. توکن‌سازی
  • 43. ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
  • 44. حذف کلمات توقف (Stop Words)
  • 45. نمایش متنی (Bag-of-Words)
  • 46. TF-IDF
  • 47. مقدمات شبکه‌های عصبی
  • 48. مفهوم نورون مصنوعی
  • 49. شبکه‌های پرسپترون چندلایه (MLP)
  • 50. توابع فعال‌سازی
  • 51. پس‌انتشار خطا (Backpropagation)
  • 52. بهینه‌سازها (Optimizers)
  • 53. مقدمات یادگیری عمیق
  • 54. شبکه‌های عصبی کانولوشنی (CNN)
  • 55. شبکه‌های عصبی بازگشتی (RNN)
  • 56. شبکه‌های LSTM و GRU
  • 57. یادگیری انتقالی (Transfer Learning)
  • 58. مقدمات کار با Kaggle
  • 59. آشنایی با پلتفرم Kaggle
  • 60. یافتن مجموعه داده‌ها در Kaggle
  • 61. شرکت در مسابقات Kaggle
  • 62. استفاده از Notebookهای Kaggle
  • 63. بارگذاری داده از Kaggle در Colab
  • 64. مقدمات یادگیری ماشین کاربردی
  • 65. پیش‌بینی قیمت مسکن
  • 66. دسته‌بندی ایمیل‌های اسپم
  • 67. تشخیص تصویر
  • 68. سیستم‌های توصیه‌گر
  • 69. تحلیل احساسات متن
  • 70. مقدمات مهندسی ویژگی
  • 71. ایجاد ویژگی‌های جدید
  • 72. انتخاب ویژگی
  • 73. کاهش ابعاد
  • 74. مقدمات ارزیابی مدل
  • 75. معیارهای ارزیابی مدل‌های دسته‌بندی
  • 76. معیارهای ارزیابی مدل‌های رگرسیون
  • 77. اعتبارسنجی متقابل (Cross-Validation)
  • 78. تنظیم هایپرپارامترها
  • 79. مقدمات استقرار مدل (بسیار مقدماتی)
  • 80. ذخیره و بارگذاری مدل‌های Scikit-learn
  • 81. مقدمات کار با APIها
  • 82. فراخوانی APIهای عمومی
  • 83. دریافت داده از API
  • 84. کار با داده‌های JSON
  • 85. مقدمات پایگاه داده (مقدماتی)
  • 86. مفاهیم پایگاه داده رابطه‌ای
  • 87. کار با SQLite در Colab
  • 88. مقدمات کار با داده‌های بزرگ
  • 89. مفاهیم کلی داده‌های بزرگ
  • 90. ابزارهای پردازش داده‌های بزرگ (اشاره)
  • 91. مقدمات یادگیری تقویتی (بسیار مقدماتی)
  • 92. مفهوم عامل و محیط
  • 93. یادگیری Q
  • 94. مقدمات بصری‌سازی پیشرفته
  • 95. نمایش سه‌بعدی داده‌ها
  • 96. نمایش تعاملی داده‌ها
  • 97. مقدمات ساخت داشبورد (اشاره)
  • 98. کار با کتابخانه‌های بصری‌سازی تعاملی
  • 99. مقدمات آشنایی با BigQuery (اشاره)
  • 100. اتصال به BigQuery از Colab

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.