دوره آموزشی مبانی علم داده: اصول (2022)
5 ساعت 18 دقیقهمبتدی2022-02-04
مدرسین

Barton Poulson
Professor, Designer, Data Analytics Expert
جزئیات دوره
علم داده در حال هدایت یک انقلاب جهانی است که همه چیز را از اتوماسیون کسب و کار گرفته تا تعاملات اجتماعی در بر می گیرد. این همچنین یکی از سریعترین و پردرآمدترین مشاغلی است که از تحلیلگران و مهندسان در سراسر جهان استفاده میکند. این دوره یک نمای کلی غیر فنی و قابل دسترس از این رشته را ارائه می دهد که واژگان، مهارت ها، مشاغل، ابزارها و تکنیک های علم داده را پوشش می دهد. مربی بارتون پولسون روابط را با سایر زمینه های اشباع شده از داده مانند یادگیری ماشین و هوش مصنوعی تعریف می کند. او شیوههای اولیه را بررسی میکند: جمعآوری و تجزیه و تحلیل دادهها، تدوین قوانینی برای طبقهبندی و تصمیمگیری، و ترسیم بینشهای عملی. او همچنین در مورد اخلاق و مسئولیت پذیری بحث می کند و جهت کسب اطلاعات بیشتر را ارائه می دهد. در پایان، خواهید دید که چگونه علم داده می تواند به شما در تصمیم گیری بهتر، به دست آوردن بینش عمیق تر و موثرتر و کارآمدتر کردن کارتان کمک کند.
اهداف یادگیری
مهارت های مورد نیاز برای یک حرفه در علم داده را ارزیابی کنید.
منابع مختلف داده از جمله معیارها و API ها را ارزیابی کنید.
داده ها را از طریق نمودارها و آمار کاوش کنید.
کشف کنید که دانشمندان داده چگونه از زبان های برنامه نویسی مانند R، Python و SQL استفاده می کنند.
نقش ریاضیات، مانند جبر، در علم داده را ارزیابی کنید.
نقش آمار کاربردی، مانند فواصل اطمینان، در علم داده را ارزیابی کنید.
نقش یادگیری ماشینی، مانند شبکه های عصبی مصنوعی، در علم داده را ارزیابی کنید.
مولفه های تجسم موثر داده ها را تعریف کنید.
اهداف یادگیری
مهارت های مورد نیاز برای یک حرفه در علم داده را ارزیابی کنید.
منابع مختلف داده از جمله معیارها و API ها را ارزیابی کنید.
داده ها را از طریق نمودارها و آمار کاوش کنید.
کشف کنید که دانشمندان داده چگونه از زبان های برنامه نویسی مانند R، Python و SQL استفاده می کنند.
نقش ریاضیات، مانند جبر، در علم داده را ارزیابی کنید.
نقش آمار کاربردی، مانند فواصل اطمینان، در علم داده را ارزیابی کنید.
نقش یادگیری ماشینی، مانند شبکه های عصبی مصنوعی، در علم داده را ارزیابی کنید.
مولفه های تجسم موثر داده ها را تعریف کنید.
مهارت ها
Data Science FoundationsFoundationsData Science
سرفصل ها
0. مقدمه
- 01 - شروع به کار
1. علم داده چیست؟
- 02 - عرضه و تقاضا برای علم داده
- 03 - نمودار ون علم داده
- 04 - مسیر علم داده
- 05 - مدل CRISP-DM در علم داده
- 06 - نقش ها و تیم ها در علم داده
- 07 - نقش سوالات در علم داده
2. جایگاه علم داده در جهان داده
- 08 - هوش مصنوعی
- 09 - یادگیری ماشینی
- 10 - شبکه های عصبی یادگیری عمیق
- 11 - داده های بزرگ
- 12 - تجزیه و تحلیل پیش بینی کننده
- 13 - تجزیه و تحلیل تجویزی
- 14 - هوش تجاری
3. اخلاق و عاملیت
- 15 - تعصب
- 16 - امنیت
- 17 - حقوقی
- 18 - هوش مصنوعی قابل توضیح
- 19 - آژانس الگوریتم ها و تصمیم گیرندگان
4. منابع داده
- 20 - آماده سازی داده ها
- 21 - داده های برچسب گذاری
- 22 - داده های داخلی
- 23 - داده ها را باز کنید
- 24 - API ها
- 25 - خراش دادن داده ها
- 26 - ایجاد داده
- 27 - جمع آوری غیرفعال داده های آموزشی
- 28 - داده های خود تولید شده
- 29 - فروشندگان داده
- 30 - اخلاق داده ها
5. منابع قواعد
- 31 - برشمردن قواعد صریح
- 32 - استخراج قواعد از تجزیه و تحلیل داده ها
- 33 - تولید قواعد ضمنی
6. ابزار برای علم داده
- 34 - کاربردهای تحلیل داده ها
- 35 - زبان برای علم داده
- 36 - AutoML
- 37 - یادگیری ماشینی به عنوان یک سرویس
7. ریاضیات برای علم داده
- 38 - نمونه گیری و احتمال
- 39 - جبر
- 40 - حساب دیفرانسیل و انتگرال
- 41 - بهینه سازی و انفجار ترکیبی
- 42 - قضیه بیز
8. یادگیری بدون نظارت
- 43 - یادگیری تحت نظارت در مقابل یادگیری بدون نظارت
- 44 - تحلیل های توصیفی
- 45 - خوشه بندی
- 46 - کاهش ابعاد
- 47 - تشخیص ناهنجاری
9. یادگیری تحت نظارت
- 48 - یادگیری تحت نظارت با مدل های پیش بینی
- 49 - داده های سری زمانی
- 50 - طبقه بندی
- 51 - انتخاب و ایجاد ویژگی
- 52 - تجمیع مدل ها
- 53 - اعتبارسنجی مدل ها
10 - روشهای مولد در علم داده
- 54 - شبکه های متخاصم مولد (GAN)
- 55 - یادگیری تقویتی
11. اقدام در علم داده
- 56 - اهمیت تفسیرپذیری
- 57 - روشهای قابل تفسیر
- 58 - بینش عملی
نتیجه
- 59 - مراحل بعدی و منابع اضافی
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