اکسپرس 24
کتاب آموزش علوم داده با الگوریتم های پایتون

کتاب آموزش علوم داده با الگوریتم های پایتون

تگ‌ها: Data Science Python Algorithms الگوریتم های پایتون برنامه نویسی پایتون تحلیل داده ساختمان داده علوم داده پایتون 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 آموزش علوم داده با الگوریتم های پایتون

موضوع کلی: برنامه نویسی

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علوم داده و نقش پایتون
  • 2. حالت‌های داده: ساختاریافته، نیمه‌ساختاریافته و بدون ساختار
  • 3. نصب و راه‌اندازی محیط پایتون برای علوم داده
  • 4. آشنایی با کتابخانه NumPy و آرایه‌های چندبعدی
  • 5. عملیات پایه ریاضی با NumPy
  • 6. شاخص‌گذاری و برش آرایه‌ها در NumPy
  • 7. مقدمه‌ای بر کتابخانه Pandas و ساختار Series
  • 8. ساختار DataFrame در Pandas
  • 9. خواندن و نوشتن داده‌ها با Pandas (CSV، Excel، JSON)
  • 10. پاک‌سازی داده‌ها: مدیریت مقادیر گمشده
  • 11. پاک‌سازی داده‌ها: حذف و جایگزینی داده‌های پرت
  • 12. تبدیل و نرمال‌سازی داده‌ها
  • 13. ادغام و پیوستن DataFrameها
  • 14. گروه‌بندی و تجمیع داده‌ها با groupby
  • 15. کار با تاریخ و زمان در Pandas
  • 16. مقدمه‌ای بر مصورسازی داده‌ها با Matplotlib
  • 17. نمودارهای خطی و پراکندگی با Matplotlib
  • 18. نمودارهای میله‌ای و هیستوگرام
  • 19. شخصی‌سازی نمودارها: رنگ، برچسب و عنوان
  • 20. مصورسازی تعاملی با Seaborn
  • 21. تحلیل اکتشافی داده‌ها (EDA) با ترکیب Pandas و Seaborn
  • 22. مقدمه‌ای بر یادگیری ماشین با Scikit-learn
  • 23. داده‌های آموزشی و آزمایشی: تقسیم数据集
  • 24. پیش‌پردازش داده‌ها: مقیاس‌بندی و استانداردسازی
  • 25. رگرسیون خطی ساده با Scikit-learn
  • 26. رگرسیون خطی چندمتغیره
  • 27. ارزیابی مدل رگرسیون: MSE، RMSE و R-squared
  • 28. رگرسیون لجستیک برای طبقه‌بندی دودویی
  • 29. معیارهای ارزیابی طبقه‌بندی: دقت، صحت، بازخوانی و F1
  • 30. درخت تصمیم برای طبقه‌بندی و رگرسیون
  • 31. جنگل تصادفی و کاهش overfitting
  • 32. ماشین بردار پشتیبان (SVM) برای طبقه‌بندی
  • 33. خوشه‌بندی K-Means: مبانی و پیاده‌سازی
  • 34. انتخاب تعداد خوشه‌ها با روش آرنج
  • 35. خوشه‌بندی سلسله‌مراتبی
  • 36. کاهش ابعاد با تحلیل مؤلفه‌های اصلی (PCA)
  • 37. مصورسازی داده‌های با ابعاد بالا با PCA
  • 38. مقدمه‌ای بر شبکه‌های عصبی با TensorFlow
  • 39. لایه‌های متراکم و توابع فعال‌سازی
  • 40. آموزش یک شبکه عصبی ساده با TensorFlow
  • 41. ارزیابی و تنظیم Hyperparameterها
  • 42. اعتبارسنجی متقاطع (Cross-Validation)
  • 43. جستجوی شبکه‌ای برای بهینه‌سازی Hyperparameter
  • 44. مدیریت overfitting با regularization
  • 45. مقدمه‌ای بر پردازش زبان طبیعی (NLP) با NLTK
  • 46. پاک‌سازی متن: حذف علائم و توکن‌سازی
  • 47. استخراج ویژگی‌های متنی با Bag of Words
  • 48. تحلیل احساسات با داده‌های متنی
  • 49. کار با داده‌های سری زمانی در Pandas
  • 50. پیش‌بینی سری زمانی با مدل‌های ساده
  • 51. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
  • 52. ایجاد ویژگی‌های تعاملی و چندجمله‌ای
  • 53. انتخاب ویژگی با روش‌های فیلتر و wrapper
  • 54. کار با داده‌های نامتوازن: نمونه‌برداری و وزن‌دهی
  • 55. مقدمه‌ای on سیستم‌های توصیه‌گر
  • 56. ذخیره و بارگذاری مدل‌های آموزش‌دیده با Joblib
  • 57. خط لوله (Pipeline) در Scikit-learn
  • 58. مقدمه‌ای بر یادگیری عمیق با Keras
  • 59. شبکه‌های عصبی پیچشی (CNN) برای تصاویر
  • 60. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
  • 61. ارزیابی نهایی و مقایسه مدل‌ها
  • 62. مقدمه‌ای بر استقرار مدل با Flask
  • 63. مستندسازی و گزارش نتایج تحلیل

📚 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.