دادهکاوی و یادگیری ماشین کاربردی (Python)
جلسه آنلاین
مستندات دوره
هفته اول
مقدمه و کلیات
3 موضوعها
مروری بر نقشه راه علمداده
مقدمه ای بر داده کاوی
معرفی مباحث دوره
توصیف و کاوش در داده ها
6 موضوعها
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
هفته دوم
کیفیت داده ها – داده های خارج از بازه و ناسازگار
4 موضوعها
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
4 موضوعها
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
3 موضوعها
مقادیر گم شده
پاکسازی داده ها: مقادیر گم شده – بخش اول
پاکسازی داده ها: مقادیر گم شده – بخش دوم
هفته سوم
تبدیل داده ها
4 موضوعها
نرمال سازی داده ها
ساخت ویژگی
گسسته سازی
هموارسازی داده ها (اختیاری: مطالعه بیشتر)
پیادهسازی تبدیل دادهها در پایتون
5 موضوعها
ساخت ویژگی در پایتون
گسستهسازی داده در پایتون
تبدیل داده در پایتون
کدگذاری داده در پایتون
هممقیاس کردن داده در پایتون
هفته چهارم
کاهش ابعاد داده ها – انتخاب ویژگی 2
2 موضوعها
مروری بر نقشه راه علمداده
انتخاب ویژگی
پروژه پیش بینی قیمت مسکن: آماده سازی و انتخاب ویژگی
7 موضوعها
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
هفته پنجم
کاهش ابعاد داده ها – استخراج ویژگی
3 موضوعها
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
7 موضوعها
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
هفته ششم
پیادهسازی Pipeline پروژه های علم داده
6 موضوعها
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
3 موضوعها
مقدمه ای بر مدلهای پیشبینانه
روشهای ارزیابی Hold Out و Random Subsampling
روش های مبتنی بر ارزیابی متقاطع Cross Validation
هفته هفتم
مدل درخت تصمیم
3 موضوعها
الگوریتم درخت تصمیم
آموزش و توسعه درخت تصمیم
تفسیر و ارزیابی قوانین
روش های ارزیابی
3 موضوعها
ارزیابی مدل های دسته بندی – بخش 1
ارزیابی مدل های دسته بندی – بخش 2
ارزیابی مدل های رگرسیون
هفته هشتم
پیادهسازی درخت تصمیم (رده بندی) و ارزیابی آنها
3 موضوعها
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
3 موضوعها
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
3 موضوعها
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
هفته نهم
مدل آماری – الگوریتم بیز ساده Naive Bayes
2 موضوعها
الگوریتم بیز ساده Naive Bayes
پروژه اعتبارسنجی مشتریان – پیاده سازی مدل رده بندی Naive Bayes
مدل آماری – الگوریتم رگرسیون خطی
6 موضوعها
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
3 موضوعها
رگرسیون لجستیک
پروژه اعتبارسنجی مشتریان – پیاده سازی رگرسیون لجستیک و تنظیم پارامتر
آزمون های فرض رگرسیون لجستیک (اختیاری: مطالعه بیشتر)
هفته دهم
الگوریتم k-نزدیک ترین همسایه (KNN)
4 موضوعها
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)
4 موضوعها
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
2 موضوعها
پروژه اعتبارسنجی مشتریان – پیادهسازی و تنظیم پارامتر شبکه عصبی در Keras
پروژه پیشبینی قیمت مسکن – پیادهسازی و تنظیم پارامتر شبکه عصبی در Keras
هفته یازدهم
الگوریتم ماشین بردار پشتیبان (Support Vector Machine – SVM)
3 موضوعها
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
6 موضوعها
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
هفته دوازدهم
مدلهای اکتشافی بدون نظارت – خوشه بندی
10 موضوعها
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)
2 موضوعها
مقدمه ای بر قوانین انجمنی – Association Rules (اختیاری: مطالعه بیشتر)
معرفی الگوریتم Apriori (اختیاری: مطالعه بیشتر)
فرم نظرسنجی و درخواست گواهینامه (داده کاوی – Python)
موضوع قبلی
موضوع بعدی
مقدمه ای بر داده کاوی
دادهکاوی و یادگیری ماشین کاربردی (Python)
مقدمه و کلیات
مقدمه ای بر داده کاوی
موضوع قبلی
بازگشت به درس
موضوع بعدی
ورود
برای دسترسی به این دوره باید وارد حساب کاربری خود شوید. لطفاً اطلاعات خود را در زیر وارد کنید!
نام کاربری یا نشانی ایمیل
رمز عبور
مرا به خاطر بسپار
آیا رمز عبور خود را فراموش کردهاید؟