دوره علم داده با پایتون

 

 

 

جهت مشاهده سرفصل های کامل این دوره، در بخش بالا روی تب "سرفصل" کلیک فرمایید.

 

30ساعت به صورت عملی و تئوری با لابراتوار مجهز 

لینک دانلود سرفصل دوره آموزشی علم داده با پایتون

ارائه ی سرفصل های زیر

  1. علم داده چیست؟
    • تعریف علم داده
    • تعریف داده کاوی
    • تعریف هوش تجاری
    • با کمک علم داده در نهایت چه کارهایی می توانیم انجام دهیم؟
    • تفاوت مهندس داده، تحلیلگر داده و دانشمند داده
    • برای تبدیل شدن به دانشمند داده باید چه مباحثی را یاد بگیریم؟
    • چگونه در این مسیر قدم بگذاریم؟
  2. چرا پایتون؟
    • تاریخچه مختصر
    • کاربردهای زبان پایتون
    • پایتون، سی­شارپ یا سایر زبان­ها؟
    • تفاوت داده کاوی در بایپتون و ابزارهای آماده مانند Modeler، RapidMiner و ...
    • تعدد محیط­های توسعه (IDE) پایتون من را سردرگم کرده اند. کدام بهتر است؟
  3. راه اندازی پایتون
    • نصب و راه اندازی
    • کتابخانه های پایتون
      • معرفی مهمترین کتابخانه ها
      • نحوه نصب و بروزرسانی کتابخانه ها
  1. اصول برنامه نویسی در پایتون
    (منبع اصلی این بخش: Learning Python, Oreilly, Mark Lutz )
    • متغیرها، رشته ها و اعداد
    • لیست ها و Tuple ها
    • توابع (Function)
    • ساختار تصمیم (IF)
    • حلقه ها (While / For)
    • دیکشنری ها (Dictionary)
    • فایل ها (File)
    • حوزه (Scope)
    • ماژول ها (Module)
    • ساخت و استفاده از کلاس ها (Class & Object Oriented)
    • ساخت و ویرایش و حذف فایل های متنی و CSV
  2. علم داده با پایتون (بخش اول)
    (منبع اصلی این بخش: Python for data analysis, Oreilly, Wes McKinney )
    • نصب و راه اندازی کتابخانه NumPy
      • کار با ماتریس ها و اعداد
    • نصب و راه اندازی Matplotlib
      • رسم نمودار های 2D
        • رسم نمودار میله ای
        • رسم نمودار دایره ای
        • رسم نمودار پله ای
        • رسم نمودارهای 3D
      • نصب و راه اندازی کتابخانه Pandas
      • تعریف و ساخت Dataframe
      • توابع و عملکردهای اصلی کتابخانه Pandas
    • پاکسازی و آمده سازی داده ها
      • داد های از دست رفته (Missing Data)
      • تغییر شکل داده ها (Transformation)
      • جایگزین کردن داده ها (Replacement)
    • مرحله Data Wrangling
      • ادغام داده ها (Join)
      • الحاق داده ها (Combine)
      • تغییر شکل (Reshaping & Pivoting)
    • گروه بندی و خلاصه سازی داده ها (Aggregation & Group)
  3. مباحث کاربردی و پایه ای آمار
    • رسم نمودار هیستوگرام
    • رسم نمودار Boxplot
    • میانه، میانگین، صدک، واریانس، انحراف معیار
    • ارتباط بین دو متغیر با کوواریانس
    • آشنایی با توزیع نرمال
    • داده های پرت (Outlier)
    • نصب و راه اندازی کتابخانه SciPy
      • توابع و عملکردهای اصلی کتابخانه SciPy
  1. علم داده با پیاتون (بخش دوم)
    (منبع 1 این بخش: Python for data analysis, Oreilly, Wes McKinney )
    (منبع 2 این بخش: Learning Predictive Analytics with Python, PACKT, Ashish Kumar )
    • یادگیری ماشین
    • یادگیری نظارت شده
      • طبقه بندی (Classification) با الگوریتم KNN
      • مفهوم و کاربرد با Overfitting و Underfitting
      • طبقه بندی (Classification) با الگوریتم Decision Tree
      • رگرسیون (Regression)
      • آشنایی با MSE (Mean Square Error)
      • طبقه بندی (Classification) با استفاده از Logistic Regression
    • یادگیری بدون نظارت
    • خوشه بندی (Clustering) با الگوریتم K-Means
    • خوشه بندی سلسله مراتبی (Hierarchical Clustering)
    • ارزیابی مدل
    • طراحی مدل پیش بینی با ANFIS در پایتون

آشنایی با برنامه نویسی 

 

 

 

 

عضویت در خبرنامه

با عضویت در خبرنامه از دوره های جدید، تخفیفات و پیشنهادات ویژه ما با خبر خواهید شد

آموزشگاه رایان کالج

آموزشگاه رایان کالج با هدف بالا بردن کیفیت آموزشی حوزه ی فناوری اطلاعات در کشور تاسیس شد. در این محیط آموزشی از جدیدترین و به روزترین متدهای تدریس بهره گرفته شده و تمامی تجهیزات مورد استفاده، با کیفیت و به روز می باشند. اساتید این مجموعه که مهمترین اعضای آن می باشند، همگی دارای مدارک تخصصی، سابقه ی آموزشی مناسب و تجربه ی اجرایی بسیار بالایی می باشند. در نهایت امیدواریم که در رسیدن به یکی از اهداف اصلی خود، که همانا بالابردن علم، تجربه و موفقیت دانشجویان خود می باشد، موفق عمل کنیم. 


 

تماس با ما

تهران،خیابان مطهری، خیابان سنایی، نبش کوچه 21، پلاک 2، مجتمع آموزشی رایان کالج

لوکیشن در گوگل مپ:

https://goo.gl/maps/N77QUB2ZURt

 

91070722 (30خط)
88814480 و 88322796
تلگرام: 09901239800
 
مدیریت: 09399140691