دوره‌ مستقلمحتوای هیبرید

داده کاوی و یادگیری ماشین کاربردی (Python)

مدرس زهرا ذوالقدر
آخرین بروزرسانی ۱۱ دی ۱۴۰۴
۰ دیدگاه

این دوره با هدف آشنایی دانشجویان و محققان با چگونگی پیاده سازی فرآیند داده کاوی از قبیل آماده‌سازی داده ها و ساخت مدل های پیشبینانه در نرم افزارهای تخصصی داده کاوی طراحی شده است. درک درست از صورت مساله های مختلف این حوزه و دستیابی به یک بینش جامع نسبت به روش حل مساله، شما را آماده میکند تا در تحلیل داده محور با نگاه بازتری گام بردارید. ابزار پایتون برای پیاده سازی عملی این کورس مورد استفاده قرار گرفته است.

پیشنیاز این کورس آمار برای علم داده بوده و در قالب مسیر آموزشی تحلیلگر داده محور آمادگی لازم برای موقعیت شغلی تحلیلگر داده محور را فراهم می کند.

مسیر آموزشی تحلیلگر داده محور گام اول مسیر دانشمند داده دایکه می باشد.

دوره غیرحضوری داده کاوی و حل مسئله چطور برگزار می شود؟

محتوای ویدئویی: در دوره غیرحضوری، تمامی محتوا و متریال آموزشی (اعم از صدا و تصویر مدرس، صفحه دسکتاپ مدرس و مباحثی که روی تخته ارائه می شود)، بصورت فیلم استدیویی ضبط و تدوین شده و در اختیار متقاضیان قرار میگیرد.

سرویس منتورینگ: اما ویدئوها فقط بخشی از محتوا هستند. مجموعه دایکه به ازای محتوای ارائه شده در هر هفته، یک جلسه آنلاین دو ساعته، نیز در قالب سرویس منتورینگ برای شما در نظر می گیرد که عموما در یکی از روزهای شنبه تا چهارشنبه و خارج از تایم اداری تنظیم می شود. شما می توانید پس از مشاهده ویدئوی کلاس، هرگونه سوال و ابهام خود را در سرویس منتورینگ با مدرس آن دوره مطرح کرده و بصورت مستقیم با مدرس تعامل داشته باشید.

ضمن اینکه مدرسین هم می توانند در قالب این سرویس، از وضعیت مخاطبین غیرحضوری مطلع شده و تسک ها و تمرینهای ارائه شده را پیگیری کنند.

گروه پشتیبانی تلگرامی: برای هر دوره از مسیرهای درحال اجرا گروه تلگرامی خواهیم داشت که تمام شرکت کنندگان دوره های غیرحضوری در این گروه عضو خواهند شد. به اشتراک گذاری منابع و اطلاعات مرتبط با محتوای مسیر، طرح سوالات و اشکالات فردی و مباحثه بر روی اونها رو می توانید در این گروه پشتیبان داشته باشید. ضمن اینکه مدرسین دوره ها هم در این گروه هستند و در حد ممکن پاسخگو خواهند بود.

آیا در پایان دوره به شرکت کنندگان غیرحضوری گواهینامه ارائه می شود؟

گواهینامه ارائه شده به زبان انگلیسی بوده و قابلیت استعلام آنلاین و اشترک گذاری در شبکه های اجتماعی دارد.

 

دوره آفلاین داده کاوی و حل مسئله چطور برگزار می شود؟

محتوای ویدئویی: در دوره آفلاین، تمامی محتوا و متریال آموزشی ارائه شده (اعم از صدا و تصویر مدرس، صفحه دسکتاپ مدرس و مباحثی که روی تخته ارائه می شود)، بصورت فیلم استدیویی ضبط و تدوین شده و در اختیار متقاضیان قرار میگیرد.

گروه پشتیبانی تلگرامی: تمام شرکت کنندگان دوره های آفلاین در این گروه عضو خواهند شد. به اشتراک گذاری منابع و اطلاعات مرتبط با محتوای دوره ها، طرح سوالات و اشکالات فردی و مباحثه بر روی اونها رو می توانید در این گروه پشتیبان داشته باشید. ضمن اینکه مدرسین دوره ها هم در این گروه هستند و در حد ممکن پاسخگو خواهند بود.

آیا در پایان دوره به شرکت کنندگان آفلاین گواهینامه ارائه می شود؟

دوره های آفلاین، شامل صدور گواهینامه نمی شوند.

دی ۱۴۰۴
شنبهشیکشنبهیدوشنبهدسه‌شنبهسچهارشنبهچپنجشنبهپجمعهج
۱
۲
۳
۴
۵
۶
۷
کلاس DM26 داده کاوی ماشین لرنینگ کاربردی - #5
۸
۹
۱۰
۱۱
۱۲
۱۳
۱۴
کلاس DM26 داده کاوی ماشین لرنینگ کاربردی - #6
۱۵
۱۶
۱۷
۱۸
۱۹
۲۰
۲۱
کلاس DM26 داده کاوی ماشین لرنینگ کاربردی - #7
۲۲
۲۳
۲۴
۲۵
۲۶
۲۷
۲۸
کلاس DM26 داده کاوی ماشین لرنینگ کاربردی - #8
۲۹
۳۰
تقویم آموزشی
مستندات دوره
هفته اول
مقدمه و کلیات
۱:۰۳:۲۴
مروری بر نقشه راه علم‌داده
پخش رایگان ۱۳:۴۴
مقدمه ای بر داده کاوی
پخش رایگان ۴۳:۰۲
معرفی مباحث دوره
پخش رایگان ۰۶:۳۸
توصیف و کاوش در داده ها
۲:۳۲:۰۵
روش های توصیف و کاوش در داده
پخش رایگان ۴۶:۲۲
پروژه اعتبارسنجی مشتریان بانک
پخش رایگان ۲۰:۵۲
نمایه سازی داده ها و EDA
پخش رایگان ۰۸:۲۵
اجرای EDA با کتابخانه Pandas-Profiling – بخش اول
پخش رایگان ۲۵:۱۲
اجرای EDA با کتابخانه Pandas-Profiling – بخش دوم
پخش رایگان ۲۷:۳۷
مقایسه آماری جداول داده در Pandas-Profiling
پخش رایگان ۲۳:۳۷
رفع اشکال آنلاین ۱
هفته دوم
کیفیت داده ها – داده های خارج از بازه و ناسازگار
۱:۰۵:۴۲
مقدمه ای بر کیفیت داده ها
پخش رایگان ۱۱:۵۳
داده های خارج از بازه و ناسازگار
پخش رایگان ۱۰:۴۵
پاکسازی داده ها: غربالگری ویژگی ها
پخش رایگان ۳۰:۲۴
پاکسازی داده ها: ناسازگاری داده ها
پخش رایگان ۱۲:۴۰
کیفیت داده ها – داده های پرت
۱:۳۶:۰۷
داده های پرت
پخش رایگان ۳۱:۵۳
پاکسازی داده ها: نقاط پرت – بخش اول
پخش رایگان ۲۴:۳۰
پاکسازی داده ها: نقاط پرت – بخش دوم
پخش رایگان ۲۱:۴۵
پاکسازی داده ها: نقاط پرت – بخش سوم
پخش رایگان ۱۷:۵۹
کیفیت داده ها – مقادیر گم شده
۱:۰۷:۱۰
مقادیر گم شده
پخش رایگان ۳۱:۴۳
پاکسازی داده ها: مقادیر گم شده – بخش اول
پخش رایگان ۲۰:۰۱
پاکسازی داده ها: مقادیر گم شده – بخش دوم
پخش رایگان ۱۵:۲۶
رفع اشکال آنلاین ۲
هفته سوم
تبدیل داده ها
۲:۰۰:۳۵
نرمال سازی داده ها
پخش رایگان ۲۰:۲۳
ساخت ویژگی
پخش رایگان ۲۹:۲۲
گسسته سازی
پخش رایگان ۴۸:۳۸
هموارسازی داده ها (اختیاری: مطالعه بیشتر)
پخش رایگان ۲۲:۱۲
پیاده‌سازی تبدیل داده‌ها در پایتون
۱:۵۴:۲۴
ساخت ویژگی در پایتون
پخش رایگان ۱۸:۲۷
گسسته‌سازی داده در پایتون
پخش رایگان ۳۶:۳۴
تبدیل داده در پایتون
پخش رایگان ۱۱:۱۱
کدگذاری داده در پایتون
پخش رایگان ۳۸:۲۰
هم‌مقیاس کردن داده در پایتون
پخش رایگان ۰۹:۵۲
رفع اشکال آنلاین ۳
هفته چهارم
کاهش ابعاد داده ها – انتخاب ویژگی ۲
۱:۲۸:۰۲
مروری بر نقشه راه علم‌داده
پخش رایگان ۱۷:۵۸
انتخاب ویژگی
پخش رایگان ۱:۱۰:۰۴
پروژه پیش بینی قیمت مسکن: آماده سازی و انتخاب ویژگی
۲:۵۰:۴۸
پیش‌بینی قیمت مسکن: تعریف پروژه و انجام EDA
پخش رایگان ۲۹:۴۰
پیش‌بینی قیمت مسکن: پاکسازی و تبدیل داده ها – بخش ۱
پخش رایگان ۲۴:۰۲
پیش‌بینی قیمت مسکن: پاکسازی و تبدیل داده ها – بخش ۲
پخش رایگان ۳۲:۳۴
پیش‌بینی قیمت مسکن: پاکسازی و تبدیل داده ها – بخش ۳
پخش رایگان ۱۹:۳۷
پیش‌بینی قیمت مسکن: انتخاب ویژگی به روش Filter – پارت ۱
پخش رایگان ۲۷:۰۸
پیش‌بینی قیمت مسکن: انتخاب ویژگی به روش Filter – پارت ۲
پخش رایگان ۲۲:۰۳
پیش‌بینی قیمت مسکن: انتخاب ویژگی به روش Wrapper
پخش رایگان ۱۵:۴۴
رفع اشکال آنلاین ۴
هفته پنجم
کاهش ابعاد داده ها – استخراج ویژگی
۱:۵۶:۵۲
استخراج ویژگی
پخش رایگان ۱:۰۷:۰۵
پیاده سازی استخراج ویژگی به روش PCA در پایتون
پخش رایگان ۲۸:۵۷
پیاده سازی استخراج ویژگی به روشهای Kernel-PCA و LDA در پایتون
پخش رایگان ۲۰:۵۰
مباحث تکمیلی در آماده سازی داده
۲:۵۵:۱۷
روش های نمونه گیری آماری
پخش رایگان ۳۶:۴۷
پیاده سازی روش های نمونه گیری در کاهش ابعاد
پخش رایگان ۲۶:۲۳
مفاهیم تجمیع داده ها
پخش رایگان ۳۲:۱۲
پیاده سازی تجمیع داده ها و تحلیل RFM – بخش اول
پخش رایگان ۲۱:۳۱
پیاده سازی تجمیع داده ها و تحلیل RFM – بخش دوم
پخش رایگان ۱۸:۲۴
مفاهیم یکپارچه سازی داده
پخش رایگان ۱۳:۳۷
پیاده سازی یکپارچه‌سازی داده ها در پایتون
پخش رایگان ۲۶:۲۳
رفع اشکال آنلاین ۵
هفته ششم
پیاده‌سازی Pipeline پروژه های علم داده
۲:۰۸:۴۳
مروری بر نقشه راه پیش رو
پخش رایگان ۱۹:۲۰
پایپ لاین پروژه اعتبارسنجی مشتریان بانک – بخش اول
پخش رایگان ۲۱:۲۳
پایپ لاین پروژه اعتبارسنجی مشتریان بانک – بخش دوم
پخش رایگان ۲۴:۴۲
پایپ لاین پروژه پیش بینی قیمت مسکن
پخش رایگان ۱۳:۰۲
استفاده از توابع ColumnTransformer و PileLine در پایتون
پخش رایگان ۲۷:۴۳
پیش‌بینی داده‌های آینده با کمک پایپ‌لاین و ارسال نتایج در مسابقات Kaggle
پخش رایگان ۲۲:۳۳
معرفی مدل‌های پیش‌بینانه و روش‌های ارزیابی آنها
۱:۳۱:۲۲
مقدمه ای بر مدلهای پیش‌بینانه
پخش رایگان ۴۹:۵۹
روش‌های ارزیابی Hold Out و Random Subsampling
پخش رایگان ۲۲:۲۶
روش های مبتنی بر ارزیابی متقاطع Cross Validation
پخش رایگان ۱۸:۵۷
رفع اشکال آنلاین ۶
هفته هفتم
مدل درخت تصمیم
۲:۰۹:۲۶
الگوریتم درخت تصمیم
پخش رایگان ۲۶:۵۱
آموزش و توسعه درخت تصمیم
پخش رایگان ۱:۲۲:۱۵
تفسیر و ارزیابی قوانین
پخش رایگان ۲۰:۲۰
روش های ارزیابی
۱:۳۴:۱۰
ارزیابی مدل های دسته بندی – بخش ۱
پخش رایگان ۳۷:۰۳
ارزیابی مدل های دسته بندی – بخش ۲
پخش رایگان ۴۱:۴۰
ارزیابی مدل های رگرسیون
پخش رایگان ۱۵:۲۷
رفع اشکال آنلاین ۷
گروه ۲۶ ۴ روز تا شروع
هفته هشتم
پیاده‌سازی درخت‌ تصمیم (رده بندی) و ارزیابی آنها
۱:۱۸:۳۶
پروژه اعتبارسنجی مشتریان – پیاده سازی درخت تصمیم
پخش رایگان ۲۳:۵۳
پروژه اعتبارسنجی مشتریان – ارزیابی و تنظیم پارامتر درخت تصمیم
پخش رایگان ۳۱:۰۷
پروژه اعتبارسنجی مشتریان – تفسیر و ارزیابی قوانین درخت تصمیم
پخش رایگان ۲۳:۳۶
پیاده‌سازی درخت‌ رگرسیونی (پیش بینی) و ارزیابی آنها
۴۲:۴۸
پروژه پیش‌بینی قیمت مسکن – پیاده سازی درخت رگرسیون
پخش رایگان ۱۷:۵۲
پروژه پیش‌بینی قیمت مسکن – ارزیابی و تنظیم پارامتر درخت رگرسیون
پخش رایگان ۱۶:۱۹
پروژه پیش‌بینی قیمت مسکن – تفسیر و ارزیابی قوانین درخت رگرسیون
پخش رایگان ۰۸:۳۷
چالش ها و روش برخورد با داده های نامتوازن
۱:۴۲:۴۳
چالش ها و روش برخورد با داده های نامتوازن
پخش رایگان ۵۰:۲۱
چالش داده های نامتوازن – مبتنی بر نمونه گیری
پخش رایگان ۳۲:۰۸
چالش داده های نامتوازن – ماتریس هزینه و تنظیم حد آستانه
پخش رایگان ۲۰:۱۴
رفع اشکال آنلاین ۸
هفته نهم
مدل آماری – الگوریتم بیز ساده Naive Bayes
۱:۱۶:۳۶
الگوریتم بیز ساده Naive Bayes
پخش رایگان ۵۳:۰۲
پروژه اعتبارسنجی مشتریان – پیاده سازی مدل رده بندی Naive Bayes
پخش رایگان ۲۳:۳۴
مدل آماری – الگوریتم رگرسیون خطی
۲:۱۸:۵۲
مقدمه ای بر رگرسیون خطی
پخش رایگان ۲۶:۲۵
برآورد ضرایب مدل
پخش رایگان ۲۷:۱۹
پروژه پیش‌بینی قیمت مسکن – پیاده سازی مدل رگرسیون خطی
پخش رایگان ۱۱:۱۶
تنظیم سازی در رگرسیون – Ridge & Lasso Methods
پخش رایگان ۱۹:۵۵
آزمون های فرض مدل (اختیاری: مطالعه بیشتر)
پخش رایگان ۲۹:۴۲
بررسی مفروضات مدل (اختیاری: مطالعه بیشتر)
پخش رایگان ۲۴:۱۵
مدل آماری – الگوریتم رگرسیون لجستیک
۱:۰۶:۰۷
رگرسیون لجستیک
پخش رایگان ۱۷:۴۵
پروژه اعتبارسنجی مشتریان – پیاده سازی رگرسیون لجستیک و تنظیم پارامتر
پخش رایگان ۲۲:۰۵
آزمون های فرض رگرسیون لجستیک (اختیاری: مطالعه بیشتر)
پخش رایگان ۲۶:۱۷
رفع اشکال آنلاین ۹
هفته دهم
الگوریتم k-نزدیک ترین همسایه (KNN)
۱:۰۹:۱۵
معرفی الگوریتم k-نزدیک ترین همسایه (KNN)
پخش رایگان ۳۱:۲۳
پروژه اعتبارسنجی مشتریان – پیاده سازی پروژه رده بندی با KNN
پخش رایگان ۱۶:۲۷
پروژه پیش‌بینی قیمت مسکن – پیاده سازی پروژه پیش بینی با KNN
پخش رایگان ۰۸:۳۶
جستجو و گزارش گیری از الگوریتم KNN
پخش رایگان ۱۲:۴۹
الگوریتم شبکه های عصبی مصنوعی (Artificial Neural Networks – ANN)
۱:۲۵:۵۰
معرفی الگوریتم شبکه عصبی ANN
پخش رایگان ۱۸:۰۸
فرایند یادگیری در شبکه های عصبی
پخش رایگان ۳۹:۱۵
پروژه اعتبارسنجی مشتریان – پیاده سازی و تنظیم پارامتر شبکه عصبی در Sklearn
پخش رایگان ۱۷:۳۲
پروژه پیش‌بینی قیمت مسکن – پیاده سازی و تنظیم پارامتر شبکه عصبی در Sklearn
پخش رایگان ۱۰:۵۵
فریمورک Keras و پیاده سازی شبکه عصبی
۵۷:۰۵
پروژه اعتبارسنجی مشتریان – پیاده‌سازی و تنظیم پارامتر شبکه عصبی در Keras
پخش رایگان ۳۵:۲۰
پروژه پیش‌بینی قیمت مسکن – پیاده‌سازی و تنظیم پارامتر شبکه عصبی در Keras
پخش رایگان ۲۱:۴۵
رفع اشکال آنلاین ۱۰
هفته یازدهم
الگوریتم ماشین بردار پشتیبان (Support Vector Machine – SVM)
۱:۴۹:۳۴
معرفی الگوریتم ماشین بردار پشتیبان SVM
پخش رایگان ۱:۰۸:۳۱
پیاده سازی و تنظیم پارامتر مدل SVM – پروژه اعتبارسنجی مشتریان
پخش رایگان ۲۷:۴۱
پیاده سازی و تنظیم پارامتر مدل SVR – پروژه پیش‌بینی قیمت مسکن
پخش رایگان ۱۳:۲۲
مدلهای پیش‌بینانه مبتنی بر یادگیری گروهی
۱:۵۱:۱۴
مبانی یادگیری گروهی
پخش رایگان ۳۰:۰۵
رویکرد Stacking در یادگیری گروهی
پخش رایگان ۰۸:۲۳
رویکرد Bagging در یادگیری گروهی
پخش رایگان ۱۱:۳۰
رویکرد Boosting در یادگیری گروهی
پخش رایگان ۲۲:۰۰
پیاده سازی روش های یادگیری گروهی – پروژه اعتبارسنجی مشتریان
پخش رایگان ۲۸:۲۷
پیاده سازی روش های یادگیری گروهی – پروژه پیش‌بینی قیمت مسکن
پخش رایگان ۱۰:۴۹
رفع اشکال آنلاین ۱۱
هفته دوازدهم
مدلهای اکتشافی بدون نظارت – خوشه بندی
۳:۲۱:۱۶
مروری بر نقشه راه پیش رو
پخش رایگان ۲۶:۱۹
معرفی تکنیک خوشه بندی
پخش رایگان ۰۸:۰۸
خوشه بندی سلسله مراتبی
پخش رایگان ۱۹:۲۱
الگوریتم خوشه بندی K-Means
پخش رایگان ۲۶:۵۴
الگوریتم مبتنی بر چگالی DB-Scan
پخش رایگان ۱۵:۴۶
ارزیابی مدل خوشه بندی
پخش رایگان ۱۸:۳۳
پروژه بخش‌بندی مشتریان – پیاده‌سازی الگوریتم K-Means
پخش رایگان ۲۲:۱۰
پروژه بخش‌بندی مشتریان – انتخاب خوشه بهینه
پخش رایگان ۱۰:۴۴
پروژه بخش‌بندی مشتریان – تفسیر خوشه ها
پخش رایگان ۴۲:۴۹
پروژه بخش‌بندی مشتریان – پیاده‌سازی الگوریتم سلسله‌مراتبی
پخش رایگان ۱۰:۳۲
مدلهای اکتشافی بدون نظارت – قوانین انجمنی (اختیاری: مطالعه بیشتر)
۳۹:۵۰
مقدمه ای بر قوانین انجمنی – Association Rules (اختیاری: مطالعه بیشتر)
پخش رایگان ۱۳:۰۱
معرفی الگوریتم Apriori (اختیاری: مطالعه بیشتر)
پخش رایگان ۲۶:۴۹
رفع اشکال آنلاین ۱۲
ارائه پروژه نهایی
نشست آنلاین ۱۳ – ارائه پروژه نهایی
دکتر زهرا ذوالقدر

مدیر بخش آمار و داده کاوی دایکه
دکترای آمار زیستی . فارغ‌التحصیل از دانشگاه تهران و شهید بهشتی

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می‌نویسد.

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

گزینه‌های ثبت‌نام

داده کاوی و یادگیری ماشین کاربردی (Python)

ظرفیت باقیمانده 10 نفر

موجودی: ظرفیت باقیمانده 10 نفر

  • *انتخاب روش برگزاری کلاس

ویژگی

2
روش برگزاری
2
پیش‌نیاز
2
دسترسی
2
روش بازآموزی
3
گواهینامه
درخواست مشاوره رایگان ×

    Call Center
    سبد خرید شما
    هیچ محصولی در سبد خرید نیست.

    ورود به حساب کاربری

    ساخت حساب کاربری