دوره آموزشی کدنویسی Vibe برای تحلیلگران داده
1 ساعت 2 دقیقهمتوسط2025-08-14
مدرسین

Seth Berry
Associate Teaching Professor and MSBA Academic Co-Director at the University of Notre Dame
جزئیات دوره
توی این دوره، با vibe coding برای کارهای تحلیلی آشنا میشی، مخصوص تحلیلگران داده طراحی شده. Seth Berry بهت یاد میده چطور محیطت رو برای vibe coding آماده کنی و یک اپلیکیشن کامل برای اجرای مدلهای یادگیری ماشین بسازی.
از وارد کردن دادهها تا انتشار مدل، یاد میگیری کدوم بخشها رو بهتره انسان انجام بده و کدوم بخشها رو میشه با کمک LLM و ابزارهای هوش مصنوعی سریعتر و دقیقتر کرد. در پایان دوره، مهارتهای لازم برای ساخت پروژه vibe coding با پشتیبانی صدا و تعامل با مدلهای یادگیری ماشین خودت رو داری.
اهداف یادگیری
پیادهسازی استراتژیهای vibe coding برای انجام وظایف تحلیلی معمول
درک و توضیح اینکه کدوم مراحل چرخه تحلیل دادهها نیاز به توجه انسانی دارند و vibe coding مناسبشون نیست
ساخت یک اپلیکیشن کامل برای تعامل کاربران با مدلهای یادگیری ماشین
ایجاد خط لوله voice-to-code برای تبدیل صدا به کد
از وارد کردن دادهها تا انتشار مدل، یاد میگیری کدوم بخشها رو بهتره انسان انجام بده و کدوم بخشها رو میشه با کمک LLM و ابزارهای هوش مصنوعی سریعتر و دقیقتر کرد. در پایان دوره، مهارتهای لازم برای ساخت پروژه vibe coding با پشتیبانی صدا و تعامل با مدلهای یادگیری ماشین خودت رو داری.
اهداف یادگیری
پیادهسازی استراتژیهای vibe coding برای انجام وظایف تحلیلی معمول
درک و توضیح اینکه کدوم مراحل چرخه تحلیل دادهها نیاز به توجه انسانی دارند و vibe coding مناسبشون نیست
ساخت یک اپلیکیشن کامل برای تعامل کاربران با مدلهای یادگیری ماشین
ایجاد خط لوله voice-to-code برای تبدیل صدا به کد
مهارت ها
Programming FoundationsGenerative AIArtificial Intelligence FoundationsData AnalysisArtificial Intelligence (AI)Data ScienceBusiness Analysis and StrategyBusiness Software and ToolsSoftware DevelopmentOne-Off
سرفصل ها
۰. مقدمه
- 01 - پیشبینی آهنگهای برتر جدول با کدگذاری ویبره
- 02 - تنظیم محیط شما
۱. وارد کردن دادهها
- 03 - بارگذاری دادهها با pandas و PyArrow
- 04 - دانلود دادهها با Polars
- 05 - خواندن دادهها از جداول HTML
- 06 - تولید SQL
- 07 - ادغام دادهها
۲. کاوش و بررسی دادهها
- 08 - تولید آمار توصیفی
- 09 - تبدیل انواع داده
- 10- بررسی همبستگیها
- 11 - جمعآوری دادهها
- 12 - تغییر شکل دادهها
- 13 - ایجاد متغیرهای مشتق شده
- 14 - وظیفه یک انسان - دانستن اینکه دادههای شما آماده است
۳. خطوط لوله داده
- 15 - مقیاسبندی ویژگیها و نسبتدهی دادهها برای scikit-learn
- 16 - کدگذاری متغیرهای دستهبندیشده
- 17 - پارتیشنبندی دادهها
- 18 - ایجاد پیکربندیهای داده برای PyTorch Tabular
۴. ایجاد و آزمایش مدل
- 19 - آزمایش مدلهای پایه مختلف
- 20 - مدلهای تنظیم
- 21 - ایجاد یک شبکه عصبی با PyTorch Tabular
- 22- شغل انسان - ارزیابی عملکرد
۵. مصورسازیها و داشبوردها
- 23 - ایجاد طرحها
- 24- ایجاد نمودارهای توضیحی
- 25 - وظیفه یک انسان - ایجاد بینش
- 26 - ساخت مدل خود در یک برنامه Streamlit
- 27 - استقرار مدل شما در یک برنامه Streamlit
جمعبندی
- 28 - ملاحظات امنیتی
- 29 - تشویق و تنبیه
دوره های مرتبط
- دوره آموزشی ساخت عوامل هوش مصنوعی با API پاسخهای OpenAI
- دوره آموزشی پروتکل زمینه مدل (MCP) برای مبتدیان
- دوره آموزشی ساخت عوامل هوش مصنوعی برای مبتدیان
- دوره آموزشی فراتر از کدنویسی با Vibe با Google Gemini: تبدیل شدن به یک توسعهدهنده هدفمند
- دوره آموزشی ساخت عوامل MCP قطعی
- دوره آموزشی اپلیکیشنهای مبتنی بر LLM با Streamlit
- دوره آموزشی ساخت MVP یک سرویس ابری (SaaS) در یک روز
- دوره آموزشی هوش مصنوعی عملی: ساخت اولین اپلیکیشن خود با قدرت LLM