دوره آموزشی راهنمای کامل هوش مصنوعی مولد برای تحلیل دادهها و علم دادهها
10 ساعت 17 دقیقهمتوسط2024-09-27
مدرسین

Dan Sullivan
Enterprise Architect, Big Data Expert
جزئیات دوره
در دنیای امروز، توانایی تجزیه و تحلیل دادهها به یک مهارت ضروری تبدیل شده است و GenAI میتواند دسترسی به این قابلیتها را برای افراد بیشتری فراهم کند. با این حال، برای موفقیت در این مسیر، شما به دانشی بنیادی در زمینه مدیریت دادهها، آمار، و یادگیری ماشین نیاز دارید که در این دوره به شما آموزش داده خواهد شد. دن سالیوان، با تجربیات خود، به شما یاد میدهد که چگونه مسائل پیچیده تجاری و علمی دادهها را به مسائل کوچکتر و قابل حل تبدیل کنید.
در این دوره، ابتدا با روشها و فرآیندهای تحلیل داده و علم داده آشنا خواهید شد. خواهید آموخت که چگونه آمار را در تحلیل دادهها به کار ببرید و موضوعاتی مانند انواع دادهها، آمار توصیفی و استنباطی، تحلیل همبستگی و رگرسیون را بررسی خواهید کرد. همچنین به مباحث یادگیری ماشین پرداخته خواهد شد، از جمله یادگیری نظارتشده و بدون نظارت، طبقهبندی و رگرسیون، الگوریتمهای درختی، شبکههای عصبی و یادگیری عمیق، و تحلیل سریهای زمانی و شناسایی ناهنجاریها.
این دوره همچنین به شما یاد خواهد داد که چگونه دادهها را مدیریت کنید و فرآیندهای مهمی مانند ارزیابی کیفیت دادهها، پاکسازی دادهها، مدیریت متادیتا و مدیریت چرخه حیات دادهها را درک کنید. به طور کلی، این دوره برای افرادی طراحی شده است که میخواهند در زمینه تحلیل دادهها یا علم داده به سطح بالاتری از مهارت برسند و از GenAI به عنوان ابزاری برای تسهیل این فرآیند بهره ببرند.
در این دوره، ابتدا با روشها و فرآیندهای تحلیل داده و علم داده آشنا خواهید شد. خواهید آموخت که چگونه آمار را در تحلیل دادهها به کار ببرید و موضوعاتی مانند انواع دادهها، آمار توصیفی و استنباطی، تحلیل همبستگی و رگرسیون را بررسی خواهید کرد. همچنین به مباحث یادگیری ماشین پرداخته خواهد شد، از جمله یادگیری نظارتشده و بدون نظارت، طبقهبندی و رگرسیون، الگوریتمهای درختی، شبکههای عصبی و یادگیری عمیق، و تحلیل سریهای زمانی و شناسایی ناهنجاریها.
این دوره همچنین به شما یاد خواهد داد که چگونه دادهها را مدیریت کنید و فرآیندهای مهمی مانند ارزیابی کیفیت دادهها، پاکسازی دادهها، مدیریت متادیتا و مدیریت چرخه حیات دادهها را درک کنید. به طور کلی، این دوره برای افرادی طراحی شده است که میخواهند در زمینه تحلیل دادهها یا علم داده به سطح بالاتری از مهارت برسند و از GenAI به عنوان ابزاری برای تسهیل این فرآیند بهره ببرند.
مهارت ها
ClaudeAnthropicPostgreSQLChatGPTSQLOpenAIGenerative AIPythonData AnalysisArtificial Intelligence (AI)Data ScienceBusiness Analysis and StrategyBusiness Software and ToolsOpen SourceOne-Off
سرفصل ها
0. مقدمه
- 01 - شروع به کار
1. رمزگشایی از دادهها - تجزیهوتحلیل دادهها و علم داده
- 02 - سوال پرسیدن
- 03 - جمعآوری و به دست آوردن داده ها
- 04 - پاکسازی و آماده سازی داده ها
- 05 - تجزیهوتحلیل داده ها
- 06 - مدل سازی پیش بینی
- 07 - یادگیری ماشینی
- 08 - نتایج را تفسیر کنید
2. ابزارهای تجارت
- 09 - حل مسئله
- 10 - آمار
- 11 - الگوریتمهای یادگیری ماشین
- 12 - صفحات گسترده
- 13 - پایتون
- 14 - پایگاه دادههای SQL و رابطه ای
- 15 - سکوهای آمار
- 16 - کتابخانههای یادگیری ماشین
3. تفکر درباره داده ها
- 17 - دادههای کمی و کیفی
- 18 - دادههای گسسته در مقابل دادههای پیوسته
- 19 - دادههای طبقه بندی شده
4. تکنیکهایی برای توصیف داده ها
- 20 - اقدامات گرایش مرکزی
- 21 - اقدامات گسترش
- 22 - تجسم توزیع داده ها
- 23 - توصیف مجموعه داده با استفاده از هوش مصنوعی مولد
- 24 - چالش - توصیف داده ها
- 25 - راه حل - توصیف داده ها
5. توزیع داده ها
- 26 - توزیع داده ها
- 27 - تجسم یک توزیع نرمال در یک صفحه گسترده
- 28 - ژوپیتر نوت بوک و کولب
- 29 - ایجاد توزیع نرمال
- 30 - تجسم یک توزیع عادی در پایتون
- 31 - تجسم توزیع یکنواخت در پایتون
- 32 - تجسم یک توزیع دووجهی در پایتون
- 33 - چالش - توزیع داده ها
- 34 - راه حل - توزیع داده ها
6. دادههای نمونه گیری
- 35 - نمونه برداری و جمعیت زیاد
- 36 - ایجاد نمونه
- 37 - ذخیره نمونهها در یک فایل
- 38 - مقایسه جمعیت با آمار نمونه
- 39 - چالش - دادههای نمونه گیری
- 40 - راه حل - دادههای نمونه گیری
7. استنتاج از داده ها
- 41 - آمار استنباطی
- 42 - روش آزمون فرضیه
- 43 - تجزیهوتحلیل ترجیحات مشتری
- 44 - خطاهای نوع اول و دوم
- 45 - آزمونهای ANOVA برای مقایسه میانگین ها
- 46 - تولید اسکریپتهای پایتون برای ANOVA
- 47 - آزمون استقلال متغیرهای طبقه بندی
- 48 - تولید اسکریپتهای پایتون برای تستهای مجذور کای
- 49 - تحلیل همبستگی
- 50 - تست نرمال بودن
- 51 - تولید پایتون برای تست نرمال بودن
- 52 - تولید پایتون برای تحلیل همبستگی
- 53 - چالش - استنتاج از داده ها
- 54 - راه حل - استنتاج از داده ها
8. تجسم داده ها
- 55 - تجسم داده ها
- 56 - تجسم روندها
- 57 - تجسم همبستگی ها
- 58 - تجسم ترکیب
- 59 - تجسم توزیع ها
- 60 - چالش - تجسم داده ها
- 61 - راه حل - تجسم داده ها
9. پسرفت
- 62 - رگرسیون خطی
- 63 - ارزیابی مدلهای رگرسیون خطی
- 64 - تجسم دادههای فروش
- 65 - ساخت مدل رگرسیون خطی
- 66 - ارزیابی مدل رگرسیون خطی فروش
- 67 - چالش - ساخت مدل رگرسیون
- 68 - راه حل - ساخت مدل رگرسیونی
10. تجزیهوتحلیل دادهها در فایل ها
- 69 - فایلهای داده
- 70 - استفاده از صفحات گسترده با فایلهای CSV
- 71 - بررسی نمونه فایل JSON
- 72 - استفاده از jq با فایلهای JSON
- 73 - تولید دستورات jq با استفاده از هوش مصنوعی
- 74 - Dataframes در پایتون
- 75 - بارگذاری دادههای CSV در فریمهای داده
- 76 - بارگذاری JSON در فریمهای داده
- 77 - بازرسی دیتافریم ها
- 78 - کیفیت دادهها و پاکسازی داده ها
- 79 - استفاده از هوش مصنوعی برای کیفیت دادهها و پاکسازی داده ها
- 80 - چالش - دادههای از دست رفته
- 81 - راه حل - دادههای از دست رفته
11. تجزیهوتحلیل دادهها در پایگاههای داده
- 82 - پایگاههای اطلاعاتی رابطه ای
- 83 - پایگاههای داده NoSQL
- 84 - استخراج، تبدیل و بارگذاری دادهها در پایگاههای داده
- 85 - مقدمه ای بر SQL
- 86 - ایجاد جداول و درج داده ها
- 87 - کوئری دادهها با SQL
- 88 - اتصال دادهها با SQL
- 89 - آمار توصیفی در SQL
- 90 - تولید مجموعه دادههای مصنوعی برای پایگاه داده رابطه ای
- 91 - ایجاد یک طرحواره ستاره ای، دادههای مصنوعی و پرس و جو
- 92 - چالش - یک مدل داده رابطه ای ایجاد کنید
- 93 - راه حل - یک مدل داده رابطه ای تولید کنید
12. مقدمه ای بر یادگیری ماشین
- 94 - یادگیری تحت نظارت و بدون نظارت
- 95 - طبقه بندی
- 96 - پسرفت
- 97 - خوشه بندی
- 98 - چرخه زندگی یادگیری ماشین
- 99 - مهندسی ویژگی
- 100 - ارزیابی مدل
13. ساخت مدلهای یادگیری ماشین - طبقه بندی
- 101 - مدل طبقه بندی ساده
- 102 - رسیدگی به دادههای از دست رفته
- 103 - مقایسه چند الگوریتم
- 104 - طبقه بندی با شبکههای عصبی
- 105 - تنظیم فراپارامتر
- 106 - ارزیابی اهمیت ویژگی
- 107 - چالش - پیشبینی قصد مصرف کننده
- 108 - راه حل - پیشبینی قصد مصرف کننده
14. ساخت مدلهای یادگیری ماشین - خوشه بندی
- 109 - خوشه بندی با k-means
- 110 - خوشه بندی با DBSCAN
- 111 - خوشه بندی با خوشه بندی سلسله مراتبی
- 112 - چالش - تقسیم بندی مشتریان
- 113 - راه حل - تقسیم بندی مشتریان
15. مجموعه دادههای ML Access را باز کنید
- 114 - مجموعه دادههای ML دسترسی باز
16. تجزیهوتحلیل شبکه
- 115 - مقدمه ای بر نظریه گراف
- 116 - NetworkX
- 117 - تجزیهوتحلیل یک شبکه اجتماعی
- 118 - زنجیره تامین و تحلیل شبکه
- 119 - ایجاد یک زنجیره تامین مصنوعی
- 120 - تجسم یک زنجیره تامین پیچیده
- 121 - یافتن بالاترین نمرات بین بودن
- 122 - مباحث پیشرفته در تحلیل زنجیره تامین
- 123 - چالش - تجزیهوتحلیل یک شبکه اجتماعی
- 124 - راه حل - تحلیل شبکه اجتماعی
17. شبیه سازی
- 125 - مقدمه ای بر شبیه سازی
- 126 - انواع شبیه سازی
- 127 - مدلسازی مدیریت موجودی
- 128 - مدل سازی مبتنی بر عامل
- 129 - مدل سازی شیوع بیماریهای عفونی
- 130 - مدلسازی بیماریهای عفونی مبتنی بر عامل
- 131 - چالش - شبیه سازی آتش سوزی جنگل
- 132 - راه حل - شبیه سازی آتش سوزی جنگل
18. پروژه Capstone
- 133 - الزامات پروژه Capstone
- 134 - حل پروژه Capstone
19. ادامه سفر یادگیری هوش مصنوعی
- 135 - مراحل بعدی و منابع اضافی
دوره های مرتبط
- دوره آموزشی ساخت ردیاب بودجه هوشمند مبتنی بر هوش مصنوعی (بدون نیاز به کدنویسی)
- دوره آموزشی Claude Code 4: برنامهنویسی عاملمحور برای توسعهدهندگان حرفهای
- دوره آموزشی برنامهریزی یک API نسخهبندیشده RESTful با Claude
- دوره آموزشی پروتکل زمینه مدل (MCP): تجربه عملی با هوش مصنوعی عاملمحور (Agentic AI)
- دوره آموزشی توسعه مبتنی بر هوش مصنوعی با استفاده از API شرکت Anthropic
- دوره آموزشی مقایسه ابزارهای تحقیقاتی هوش مصنوعی: ChatGPT، Claude، Gemini و Perplexity
- دوره آموزشی اتوماتیکسازی هوش مصنوعی با استفاده از APIهای Anthropic Claude و استفاده از کامپیوتر عامل
- دوره آموزشی ارزیابی مدلهای زبانی بزرگ (LLM) و تکنیکهای مبتنی بر واقعیت