دوره آموزشی مقدمه ای بر علم داده (2019)
1 ساعت 49 دقیقهعمومی2019-11-12
مدرسین

Lavanya Vijayan
Coding instructor who is passionate about STEM education and diversity

Madecraft
Full-Service Learning Content Company
جزئیات دوره
دنیای علم داده در حال تغییر شکل هر کسب و کاری است. هیچ زمانی بهتر از الان برای یادگیری آن وجود ندارد. در این دوره آموزشی Madecraft، مربی پایتون و دانشمند داده Lavanya Vijayan به اشتراک میگذارد که علم داده چیست و چه تفاوتی با سایر رشتههای متمرکز بر اطلاعات دارد. سپس او به جریان کار - چرخه حیات علم داده - می پردازد و مجموعه ابزار دانشمند داده را از زبان های برنامه نویسی و کتابخانه های تخصصی گرفته تا ابزارهای بهره وری مانند نوت بوک های Jupyter معرفی می کند. در فصلهای بعدی، Lavanya بر تکنیکهای عملی مانند تجزیه و تحلیل دادههای اکتشافی، تمیز کردن دادهها و تجسم دادهها تمرکز میکند. در نهایت، در مورد نمونه گیری، آزمایش و طبقه بندی بیاموزید. در پایان دوره، دانش لازم برای انجام تجزیه و تحلیل دادهها و گزارشدهی اولیه و باز کردن فرصتهایی برای سرعت بخشیدن به شغل خود در این زمینه هیجانانگیز را خواهید داشت.
اهداف یادگیری
علم داده چیست؟
چرخه حیات علم داده
پایتون در مقابل R برای علم داده
خواندن داده های جدولی
تجزیه و تحلیل داده های اکتشافی
پاک کردن داده ها
تجسم داده ها
استنتاج
طبقه بندی برای یادگیری ماشین
اهداف یادگیری
علم داده چیست؟
چرخه حیات علم داده
پایتون در مقابل R برای علم داده
خواندن داده های جدولی
تجزیه و تحلیل داده های اکتشافی
پاک کردن داده ها
تجسم داده ها
استنتاج
طبقه بندی برای یادگیری ماشین
مهارت ها
Data Science FoundationsIntroduction toData Science
سرفصل ها
مقدمه
- کاوش علم داده خود را آغاز کنید
تعریف علم داده
- علم داده چیست
- چرا علم داده
چرخه حیات علم داده
- چرخه حیات علم داده چیست
طراحی داده ها
- نمونه گیری احتمالی
ابزارهای محاسباتی
- پایتون در مقابل R
- محیط را تنظیم کنید - Jupyter
داده های جدولی
- داده های جدولی چیست
- خواندن داده های جدولی
- جمع آوری بینش
- پاسخ به سؤالات خاص
تجزیه و تحلیل داده های اکتشافی
- تجزیه و تحلیل داده های اکتشافی چیست
- انواع داده های آماری
- خواص داده ها
پاکسازی داده ها
- پاکسازی داده ها چیست
- سوالاتی که باید قبل از تمیز کردن بپرسید
تجسم داده ها
- تجسم داده چیست
- داده های کیفی را تجسم کنید
- داده های کمی را تجسم کنید
استنتاج
- استنباط چیست
- آزمون فرضیه طراحی کنید
- آزمایش جایگشت انجام دهید
- فاصله اطمینان را بوت استرپ کنید
طبقه بندی
- طبقه بندی چیست
- مقدمه ای بر الگوریتم k-Nearest Neighbor
نتیجه
- مراحل بعدی