دوره آموزشی علم داده برای توسعه دهندگان جاوا
3 ساعت 52 دقیقهپیشرفته2021-03-24
مدرسین

Shaun Wassell
Full-Stack Software Developer
جزئیات دوره
یادگیری اصول علوم داده و نحوه استفاده از آنها در جاوا، از نظر ساخت نرمافزار و فرصتهای شغلی، دنیایی از امکانات را برای شما فراهم میکند. در این دوره، مدرس Shaun Wassell شما را از طریق مجموعه مهارتهای مورد نیاز برای علم داده پیش میبرد و به شما نشان میدهد که چگونه میتوانید دادهها را در جاوا تجسم کنید، و روشهای مختلف تبدیل داده به اطلاعات را جستجو میکند. او برخی از مفاهیم اساسی و مثالهای علم داده را معرفی میکند، سپس شما را در روند نمایش دادهها در جاوا و برخی از دشواریهایی که ممکن است با آنها روبرو شوید، دنبال میکند. او درباره تکنیکهای دستکاری دادهها مانند نقشه برداری، فیلتر کردن، جمع آوری و مرتبسازی بحث میکند. او نحوه یافتن، جمع آوری، تمیز کردن، دستکاری و ذخیره دادهها را توصیف میکند تا بتوانید کارهای مفیدی را با آن شروع کنید. بعد، او قسمت سرگرم کننده را به شما نشان میدهد: روشهای مختلفی که میتوانید برای تبدیل دادهها به اطلاعات استفاده کنید. او مفاهیمی مانند Nearest-Neighbor ، Bayes، رگرسیون خطی، درختان تصمیم، خوشهبندی و موارد دیگر را پوشش میدهد.
مهارت ها
Data Science FoundationsJavaOracleProgramming LanguagesData ScienceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - علم داده معناسازی از هرج و مرج
1. مبانی علم داده
- 02 - علم داده چیست
- 03 - نمونه های علم داده
- 04 - داده ها به عنوان دارایی تجاری
- 05 - CRISP-DM چرخه علم داده
- 06 - انواع مسائل در علم داده
2. نمایش داده ها در جاوا
- 07 - قالب بندی داده ها در جاوا
- 08 - قالب بندی بیشتر داده ها
- 09 - مشکلات داده های زندگی واقعی
3. تکنیک های دستکاری داده ها
- 10 - نقشه برداری
- 11 - فیلتر کردن
- 12 - جمع آوری
- 13 - مرتب سازی
- 14 - چالش ترکیب عملیات داده
- 15 - راه حل ترکیب عملیات داده
4. بارگذاری داده ها در جاوا
- 16 - کاهش حجم فایل
- 17 - بارگذاری داده ها از فایل های متنی
- 18 - ایجاد کلاس داده شخص
- 19 - تبدیل رشته ها به آبجکت های داده
- 20 - بارگذاری فایل های جدا شده با تب
- 21 - بارگیری CSV
- 22 - تبدیل CSV به آبجکت داده
- 23 - چالش دستکاری داده ها
- 24 - راه حل دستکاری داده ها
5. تجسم داده ها با JavaFX
- 25 - راه اندازی JavaFX
- 26 - قالب بندی داده ها برای یک Scatterplot
- 27 - نمایش نمودار پراکندگی
- 28 - مجموعه داده های متعدد در یک نمودار پراکنده
- 29 - محاسبه میانگین MPG
- 30 - نمایش نمودار میله ای
- 31 - چالش نمایش داده ها بر روی نمودار میله ای
- 32 - راه حل نمایش داده ها بر روی نمودار میله ای
6. مدلسازی و یادگیری ماشینی
- 33 - ساخت مدل های یادگیری ماشینی
- 34 - یادگیری تحت نظارت در مقابل یادگیری بدون نظارت
- 35 - بیش از حد تناسب و نحوه جلوگیری از آن
7. K-Nearest Neighbors KNN
- 36 - K-نزدیکترین همسایه اصول اولیه
- 37 - بارگذاری اطلاعات گل
- 38 - ایجاد رابط DataItem
- 39 - محاسبه نزدیکترین نقاط داده
- 40 - پیاده سازی رابط DataItem
- 41 - اجازه دادن به داده های شما رای دهند
- 42 - تکمیل طبقه بندی کننده KNN شما
8. بیز ساده لوح
- 43 - اصول ساده بیز
- 44 - محاسبه برچسب های ممکن
- 45 - تقسیم مجموعه داده بر اساس برچسب
- 46 - محاسبه میانگین و انحراف معیار
- 47 - محاسبه احتمالات نقطه داده
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی تسلط بر داده ها: کاوش و توصیف داده ها
- دوره آموزشی کلانداده در عصر هوش مصنوعی
- دوره آموزشی مبانی علوم تصمیمگیری
- دوره آموزشی آیا نتیجه داد؟ ارزیابی برنامه در علم داده
- دوره آموزشی ارزیابی برنامه برای علم داده
- دوره آموزشی پاکسازی دادهها برای علم داده مؤثر: واردکردن دادهها، تشخیص ناهنجاری، پرکردن مقادیر گمشده و مهندسی ویژگیها
- دوره آموزشی یادگیری جامع اسکالا برای علوم داده