رفتن به محتوا
داده‌کاوی و یادگیری ماشین کاربردی (Python)
تقویم آموزشی
مستندات دوره
هفته اول
مقدمه و کلیات درس نمونه
مروری بر نقشه راه علم‌داده
مقدمه ای بر داده کاوی
معرفی مباحث دوره
توصیف و کاوش در داده ها
روش های توصیف و کاوش در داده
پروژه اعتبارسنجی مشتریان بانک
نمایه سازی داده ها و EDA
اجرای EDA با کتابخانه Pandas-Profiling – بخش اول
اجرای EDA با کتابخانه Pandas-Profiling – بخش دوم
مقایسه آماری جداول داده در Pandas-Profiling
رفع اشکال آنلاین 1 درس نمونه آنلاین زنده (اختیاری)
هفته دوم
کیفیت داده ها – داده های خارج از بازه و ناسازگار
مقدمه ای بر کیفیت داده ها
داده های خارج از بازه و ناسازگار
پاکسازی داده ها: غربالگری ویژگی ها
پاکسازی داده ها: ناسازگاری داده ها
کیفیت داده ها – داده های پرت
داده های پرت
پاکسازی داده ها: نقاط پرت – بخش اول
پاکسازی داده ها: نقاط پرت – بخش دوم
پاکسازی داده ها: نقاط پرت – بخش سوم
کیفیت داده ها – مقادیر گم شده
مقادیر گم شده
پاکسازی داده ها: مقادیر گم شده – بخش اول
پاکسازی داده ها: مقادیر گم شده – بخش دوم
رفع اشکال آنلاین 2 آنلاین زنده (اختیاری)
هفته سوم
تبدیل داده ها
نرمال سازی داده ها
ساخت ویژگی
گسسته سازی
هموارسازی داده ها (اختیاری: مطالعه بیشتر)
پیاده‌سازی تبدیل داده‌ها در پایتون
ساخت ویژگی در پایتون
گسسته‌سازی داده در پایتون
تبدیل داده در پایتون
کدگذاری داده در پایتون
هم‌مقیاس کردن داده در پایتون
رفع اشکال آنلاین 3 آنلاین زنده (اختیاری)
هفته چهارم
کاهش ابعاد داده ها – انتخاب ویژگی 2
مروری بر نقشه راه علم‌داده
انتخاب ویژگی
پروژه پیش بینی قیمت مسکن: آماده سازی و انتخاب ویژگی
پیش‌بینی قیمت مسکن: تعریف پروژه و انجام EDA
پیش‌بینی قیمت مسکن: پاکسازی و تبدیل داده ها – بخش 1
پیش‌بینی قیمت مسکن: پاکسازی و تبدیل داده ها – بخش 2
پیش‌بینی قیمت مسکن: پاکسازی و تبدیل داده ها – بخش 3
پیش‌بینی قیمت مسکن: انتخاب ویژگی به روش Filter – پارت 1
پیش‌بینی قیمت مسکن: انتخاب ویژگی به روش Filter – پارت 2
پیش‌بینی قیمت مسکن: انتخاب ویژگی به روش Wrapper
رفع اشکال آنلاین 4 آنلاین زنده (اختیاری)
هفته پنجم
کاهش ابعاد داده ها – استخراج ویژگی
استخراج ویژگی
پیاده سازی استخراج ویژگی به روش PCA در پایتون
پیاده سازی استخراج ویژگی به روشهای Kernel-PCA و LDA در پایتون
مباحث تکمیلی در آماده سازی داده
روش های نمونه گیری آماری
پیاده سازی روش های نمونه گیری در کاهش ابعاد
مفاهیم تجمیع داده ها
پیاده سازی تجمیع داده ها و تحلیل RFM – بخش اول
پیاده سازی تجمیع داده ها و تحلیل RFM – بخش دوم
مفاهیم یکپارچه سازی داده
پیاده سازی یکپارچه‌سازی داده ها در پایتون
رفع اشکال آنلاین 5 آنلاین زنده (اختیاری)
هفته ششم
پیاده‌سازی Pipeline پروژه های علم داده
مروری بر نقشه راه پیش رو
پایپ لاین پروژه اعتبارسنجی مشتریان بانک – بخش اول
پایپ لاین پروژه اعتبارسنجی مشتریان بانک – بخش دوم
پایپ لاین پروژه پیش بینی قیمت مسکن
استفاده از توابع ColumnTransformer و PileLine در پایتون
پیش‌بینی داده‌های آینده با کمک پایپ‌لاین و ارسال نتایج در مسابقات Kaggle
معرفی مدل‌های پیش‌بینانه و روش‌های ارزیابی آنها
مقدمه ای بر مدلهای پیش‌بینانه
روش‌های ارزیابی Hold Out و Random Subsampling
روش های مبتنی بر ارزیابی متقاطع Cross Validation
رفع اشکال آنلاین 6 آنلاین زنده (اختیاری)
هفته هفتم
مدل درخت تصمیم
الگوریتم درخت تصمیم
آموزش و توسعه درخت تصمیم
تفسیر و ارزیابی قوانین
روش های ارزیابی
ارزیابی مدل های دسته بندی – بخش 1
ارزیابی مدل های دسته بندی – بخش 2
ارزیابی مدل های رگرسیون
رفع اشکال آنلاین 7 آنلاین زنده (اختیاری)
هفته هشتم
پیاده‌سازی درخت‌ تصمیم (رده بندی) و ارزیابی آنها
پروژه اعتبارسنجی مشتریان – پیاده سازی درخت تصمیم
پروژه اعتبارسنجی مشتریان – ارزیابی و تنظیم پارامتر درخت تصمیم
پروژه اعتبارسنجی مشتریان – تفسیر و ارزیابی قوانین درخت تصمیم
پیاده‌سازی درخت‌ رگرسیونی (پیش بینی) و ارزیابی آنها
پروژه پیش‌بینی قیمت مسکن – پیاده سازی درخت رگرسیون
پروژه پیش‌بینی قیمت مسکن – ارزیابی و تنظیم پارامتر درخت رگرسیون
پروژه پیش‌بینی قیمت مسکن – تفسیر و ارزیابی قوانین درخت رگرسیون
چالش ها و روش برخورد با داده های نامتوازن
چالش ها و روش برخورد با داده های نامتوازن
چالش داده های نامتوازن – مبتنی بر نمونه گیری
چالش داده های نامتوازن – ماتریس هزینه و تنظیم حد آستانه
رفع اشکال آنلاین 8 آنلاین زنده (اختیاری)
هفته نهم
مدل آماری – الگوریتم بیز ساده Naive Bayes
الگوریتم بیز ساده Naive Bayes
پروژه اعتبارسنجی مشتریان – پیاده سازی مدل رده بندی Naive Bayes
مدل آماری – الگوریتم رگرسیون خطی
مقدمه ای بر رگرسیون خطی
برآورد ضرایب مدل
پروژه پیش‌بینی قیمت مسکن – پیاده سازی مدل رگرسیون خطی
تنظیم سازی در رگرسیون – Ridge & Lasso Methods
آزمون های فرض مدل (اختیاری: مطالعه بیشتر)
بررسی مفروضات مدل (اختیاری: مطالعه بیشتر)
مدل آماری – الگوریتم رگرسیون لجستیک
رگرسیون لجستیک
پروژه اعتبارسنجی مشتریان – پیاده سازی رگرسیون لجستیک و تنظیم پارامتر
آزمون های فرض رگرسیون لجستیک (اختیاری: مطالعه بیشتر)
رفع اشکال آنلاین 9 آنلاین زنده (اختیاری)
هفته دهم
الگوریتم k-نزدیک ترین همسایه (KNN)
معرفی الگوریتم k-نزدیک ترین همسایه (KNN)
پروژه اعتبارسنجی مشتریان – پیاده سازی پروژه رده بندی با KNN
پروژه پیش‌بینی قیمت مسکن – پیاده سازی پروژه پیش بینی با KNN
جستجو و گزارش گیری از الگوریتم KNN
الگوریتم شبکه های عصبی مصنوعی (Artificial Neural Networks – ANN)
معرفی الگوریتم شبکه عصبی ANN
فرایند یادگیری در شبکه های عصبی
پروژه اعتبارسنجی مشتریان – پیاده سازی و تنظیم پارامتر شبکه عصبی در Sklearn
پروژه پیش‌بینی قیمت مسکن – پیاده سازی و تنظیم پارامتر شبکه عصبی در Sklearn
فریمورک Keras و پیاده سازی شبکه عصبی
پروژه اعتبارسنجی مشتریان – پیاده‌سازی و تنظیم پارامتر شبکه عصبی در Keras
پروژه پیش‌بینی قیمت مسکن – پیاده‌سازی و تنظیم پارامتر شبکه عصبی در Keras
رفع اشکال آنلاین 10 آنلاین زنده (اختیاری)
هفته یازدهم
الگوریتم ماشین بردار پشتیبان (Support Vector Machine – SVM)
معرفی الگوریتم ماشین بردار پشتیبان SVM
پیاده سازی و تنظیم پارامتر مدل SVM – پروژه اعتبارسنجی مشتریان
پیاده سازی و تنظیم پارامتر مدل SVR – پروژه پیش‌بینی قیمت مسکن
مدلهای پیش‌بینانه مبتنی بر یادگیری گروهی
مبانی یادگیری گروهی
رویکرد Stacking در یادگیری گروهی
رویکرد Bagging در یادگیری گروهی
رویکرد Boosting در یادگیری گروهی
پیاده سازی روش های یادگیری گروهی – پروژه اعتبارسنجی مشتریان
پیاده سازی روش های یادگیری گروهی – پروژه پیش‌بینی قیمت مسکن
رفع اشکال آنلاین 11 آنلاین زنده (اختیاری)
هفته دوازدهم
مدلهای اکتشافی بدون نظارت – خوشه بندی
مروری بر نقشه راه پیش رو
معرفی تکنیک خوشه بندی
خوشه بندی سلسله مراتبی
الگوریتم خوشه بندی K-Means
الگوریتم مبتنی بر چگالی DB-Scan
ارزیابی مدل خوشه بندی
پروژه بخش‌بندی مشتریان – پیاده‌سازی الگوریتم K-Means
پروژه بخش‌بندی مشتریان – انتخاب خوشه بهینه
پروژه بخش‌بندی مشتریان – تفسیر خوشه ها
پروژه بخش‌بندی مشتریان – پیاده‌سازی الگوریتم سلسله‌مراتبی
مدلهای اکتشافی بدون نظارت – قوانین انجمنی (اختیاری: مطالعه بیشتر)
مقدمه ای بر قوانین انجمنی – Association Rules (اختیاری: مطالعه بیشتر)
معرفی الگوریتم Apriori (اختیاری: مطالعه بیشتر)
رفع اشکال آنلاین 12 آنلاین زنده (اختیاری)
ارائه پروژه نهایی
نشست آنلاین 13 – ارائه پروژه نهایی آنلاین زنده (ضروری)
فرم نظرسنجی و درخواست گواهینامه (داده کاوی – Python)
درس قبلی
موضوع بعدی

مقدمه و کلیات

  1. داده‌کاوی و یادگیری ماشین کاربردی (Python)
  2. مقدمه و کلیات
محتوای درس
0% تکمیل‌شده 0/3 مرحله
مروری بر نقشه راه علم‌داده
مقدمه ای بر داده کاوی
معرفی مباحث دوره
درس قبلی
بازگشت به دوره
موضوع بعدی
درخواست مشاوره رایگان ×

برای دریافت مشاوره رایگان، فرم زیر را پر کنید تا کارشناسان ما با شما تماس بگیرند.

    Call Center