❓ سوال: در اجرای پروژه دوم مسیر یادگیری دیتا ساینس (بخش شیرجه در علم داده)، هنگام استفاده از oversampling برای کلاس اقلیت با RandomOverSampler از کتابخانه imbalanced-learn، با خطای ModuleNotFoundError مواجه شدم. به همین دلیل، با توجه به پیشنهاد ChatGPT، تلاش کردم دو کتابخانه scikit-learn و imbalanced-learn را با نسخههای خاص زیر نصب کنم: pip […]
خطای ModuleNotFoundError هنگام نصب کتابخانه جدید پایتون Read More »
❓ سوال: در نخستین پروژههای تمرینی در مسیر یادگیری دیتاساینس که با کمک ChatGPT انجام میدهیم، بهتر است دقیقاً مطابق مراحل آموزش ویدئو پیش برویم یا از پیشنهادات تکمیلی ChatGPT هم استفاده کنیم؟در نهایت، آیا این تفاوتها در نتیجه نهایی تأثیر قابل توجهی دارند؟ ✅ پاسخ: در استفاده از مدلهای زبانی هوش مصنوعی مانند ChatGPT،
آموزش یا هوش مصنوعی: کدام مسیر در پروژههای تمرینی بهتر است؟ Read More »
در این پست ابتدا خلاصه جلسه و سپس متن کامل جلسه آموزشی را مطالعه خواهید کرد: امکانات و خدمات Kaggle Kaggle خدمات متنوعی را برای متخصصان و علاقهمندان به حوزه داده فراهم میکند که مهمترین آنها عبارتاند از: مسابقات (Competitions): شرکتها و سازمانها، مجموعه دادههای خود را در قالب مسابقات منتشر میکنند. افراد از سراسر
معرفی سرویس Kaggle Read More »
در این بخش، به بررسی ابزار ChatGPT میپردازیم؛ ابزاری مبتنی بر هوش مصنوعی که بسیاری از شما با آن آشنا هستید و احتمالاً برخی از شما تجربه استفاده از آن را دارید. ChatGPT یک مدل زبانی است که میتواند متن تولید کند، مکالمه انجام دهد و در بسیاری از حوزهها بهعنوان یک دستیار هوشمند عمل
آشنایی با سرویس ChatGPT Read More »
ما تا اینجا درباره کلیات دیتا ساینس صحبت کردیم و با متدولوژی CRISP-DM آشنا شدیم؛ چارچوبی که به ما نشان میدهد چگونه از نقطه صفر شروع کنیم، مسئله را تعریف کنیم و قدمبهقدم پیش برویم تا آن مسئله را حل کنیم. اکنون وارد یکی از مهمترین بخشهای یادگیری علم داده میشویم: اجرای عملی اولین پروژه.
اولین پروژه دیتاساینس Read More »
در این مطلب به CRISP-DM و ۶ فاز اجرایی آن می پردازیم. درواقع در فضای دیتاساینس، با فرض اینکه ما مسئله مورد نظر را شناسایی کرده باشیم، می خواهیم ببینیم که با چه گام هایی و در چه فازهایی می توانیم مسئله را حل کنیم و چه استاندارد ها و متدولوژی هایی در این روش
CRISP-DM و 6 فاز اجرایی آن Read More »
زمانی که ما در علم داده با دیتاها کار میکنیم، در واقع با انواع متفاوتی از یادگیری مواجه هستیم: یادگیری با نظارت (Supervised Learning) یادگیری بدون نظارت (UnSupervised Learning) یادگیری نیمه نظارتی (Semi-Supervised Learning) یادگیری تقویتی (Reinforcement learning) در اینجا قصد داریم برای هر یک از این روشها توضیح مختصری بیان کنیم. یادگیری با نظارت
انواع وظایف در علم داده Read More »
پیش از این به شکل کلی درباره جایگاه علم داده، کاربردهای آن در حوزههای مختلف، انواع دادهها و روشهای دادهمحور (مانند روشهای آماری و یادگیری ماشین) صحبت کردیم. در این مطلب، با عمق بیشتری به موضوعات دادهکاوی و علم داده میپردازیم و موضوع “شناسایی الگوها” را بررسی میکنیم. شناسایی الگوها- مثال ۱ فرض کنید داده
شناسایی الگوها در علم داده Read More »
مسیر یادگیری دیتاساینس که در دایکه طراحی شده است شامل یادگیری آیتمها و مواردی است که هم به شکل تئوری و هم تمرینی ارائه میشود. یک سؤال رایج این است که چگونه این حجم از محتوا را مدیریت کنیم؟ این محتوا شامل: چندین ساعت ویدیوی آموزشی در هفته کلاسهای آنلاین پروژهها و تمرینهای عملی ماهیت
چگونه مطالعه کنیم؟ Read More »
معرفی مسیر جامع: مسیر جامع علم داده در دایکه بر اساس نیازهای بازار کار و اهداف شغلی دانشجویان طراحی شده است. این مسیر شامل چهار گام اساسی است که هرکدام از آنها با هدف دستیابی به دستاوردهای ملموس در انتهای هر مرحله طراحی شدهاند. استاد توضیح میدهد که این مسیر بهگونهای طراحی شده است که
مسیر جامع علم داده دایکه Read More »
برای دریافت مشاوره رایگان، فرم زیر را پر کنید تا کارشناسان ما با شما تماس بگیرند.
