پایتون را برای علم داده و یادگیری ماشینی از A-Z بیاموزید

به یک دانشمند داده حرفه ای تبدیل شوید و یاد بگیرید که چگونه از numpy ، pandas ، یادگیری ماشین و موارد دیگر استفاده کنید!

عنوان اصلی : Learn Python for Data Science & Machine Learning from A-Z

سرفصل های دوره :

مقدمه:
فرصت های شغلی علم داده
نقش شغلی علم داده
چگونه شغل علم داده بدست آوریم
بررسی اجمالی پروژه های علم داده
مفاهیم علم داده و یادگیری ماشین:
علم داده چیست؟
یادگیری ماشینی چیست؟
مفاهیم و الگوریتم های یادگیری ماشین
یادگیری عمیق چیست؟
یادگیری ماشینی در مقابل یادگیری عمیق
Python for Data Science:
برنامه نویسی چیست؟
چرا پایتون برای علم داده؟
ژوپیتر چیست؟
Google Colab چیست؟
متغیرهای پایتون، Booleans و None
شروع با Google Colab
اپراتورهای پایتون
اعداد پایتون و بولین ها
رشته های پایتون
گزاره های شرطی پایتون
Python For Loops و while
فهرست های پایتون
اطلاعات بیشتر درباره لیست ها
تاپل های پایتون
فرهنگ لغت پایتون
مجموعه های پایتون
انواع داده های مرکب و چه زمانی از هر کدام استفاده کنیم؟
توابع پایتون
برنامه نویسی شی گرا در پایتون
آمار برای علم داده:
مقدمه ای بر آمار
آمار توصیفی
اندازه گیری تغییرپذیری
اندازه گیری تغییرپذیری ادامه دارد
معیارهای رابطه متغیر
آمار استنباطی
اندازه گیری عدم تقارن
توزیع نمونه
آزمایش احتمال و فرضیه:
احتمال دقیقا چیست؟
مقدارهای مورد انتظار
فرکانس نسبی
بررسی اجمالی آزمون فرضیه
تحلیل داده NumPy:
معرفی انواع داده های آرایه NumPy
آرایه های NumPy
مبانی آرایه های NumPy
نمایه سازی آرایه NumPy
محاسبات آرایه NumPy
پخش
تحلیل داده پانداها:
معرفی پانداها
معرفی پانداها ادامه دارد
تجسم داده‌های پایتون:
نمایش کلی داده ها
کتابخانه های مختلف تجسم داده در پایتون
پیاده سازی تجسم داده های پایتون
یادگیری ماشین:
مقدمه ای بر یادگیری ماشینی
بارگیری و کاوش داده ها:
تحلیل داده های اکتشافی
پاکسازی داده ها:
مقیاس‌سازی ویژگی
پاکسازی داده ها
انتخاب ویژگی و مهندسی :
مهندسی ویژگی
رگرسیون خطی و لجستیک:
معرفی رگرسیون خطی
نزول گرادیان
روشهای رگرسیون خطی + همبستگی
اجرای رگرسیون خطی
رگرسیون لجستیک
K نزدیکترین همسایه ها:
نمای کلی KNN
مدل های پارامتریک در مقابل ناپارامتریک
EDA در مجموعه داده Iris
شهود KNN
الگوریتم KNN را از ابتدا پیاده سازی کنید
تنظیم فراپارامتر با استفاده از اعتبارسنجی متقابل
تجسم مرز تصمیم
منهتن در مقابل فاصله اقلیدسی
مقیاس‌سازی ویژگی در KNN
نفرین ابعاد
موارد استفاده KNN
مزایا و معایب KNN
درخت تصمیم:
نمای کلی بخش درختان تصمیم
EDA در مجموعه داده بزرگسالان
آنتروپی و به دست آوردن اطلاعات چیست؟
الگوریتم Decision Tree ID3 از ابتدا قسمت 1
الگوریتم Decision Tree ID3 از ابتدا قسمت 2
الگوریتم Decision Tree ID3 از ابتدا قسمت 3
ID3 - قرار دادن همه چیز در کنار هم
ارزیابی پیاده سازی ID3 ما
مقایسه با پیاده سازی Sklearn
تجسم درخت
اهمیت ویژگی ها را ترسیم کنید
پرپارامترهای درخت تصمیم
هرس
[اختیاری] سهمیه سود
درخت تصمیم مزایا و معایب
[پروژه] پیش بینی کنید که درآمد از 50 هزار دلار در سال بیشتر باشد - مرور کلی
Ensemble Learning and Random Forests :
نمای کلی بخش یادگیری گروه
Ensemble Learning چیست؟
Bootstrap Sampling چیست؟
Bagging چیست؟
خطای خارج از کیف (خطای OOB)
اجرای جنگل های تصادفی از ابتدا قسمت 1
اجرای جنگل های تصادفی از ابتدا قسمت 2
با پیاده سازی sklearn مقایسه کنید
هایپرپارامترهای تصادفی جنگل ها
مزایا و معایب جنگل های تصادفی
تقویت چیست؟
AdaBoost قسمت 1
AdaBoost قسمت 2
ماشین‌های بردار پشتیبانی:
SVM Outline
شهود SVM
حاشیه سخت در مقابل نرم
هایپرپارامتر C
ترفند هسته
SVM - انواع هسته
SVM با مجموعه داده خطی (Iris)
SVM با مجموعه داده غیرخطی
SVM با رگرسیون
[پروژه] تشخیص جنسیت صدا با استفاده از SVM
K-به معنی:
معرفی یادگیری ماشین بدون نظارت
یادگیری ماشینی بدون نظارت ادامه دارد
استانداردسازی داده ها
PCA:
نمای کلی بخش PCA
PCA چیست؟
معایب PCA
مراحل الگوریتم PCA (ریاضی)
ماتریس کوواریانس در مقابل SVD
PCA - برنامه های اصلی
PCA - فشرده سازی تصویر
پیش پردازش داده های PCA
PCA - Biplot and the Screen Plot
PCA - مقیاس‌بندی ویژگی و طرح صفحه
PCA - تحت نظارت در مقابل نظارت نشده
PCA - تجسم
حرفه علم داده:
ایجادرزومه علم داده
جلد نامه علوم داده
نحوه تماس با استخدام کنندگان
شروع کار با فریلنسینگ
برترین وب سایت های فریلنسری
برندسازی شخصی
بایدها و نبایدهای شبکه
اهمیت یک وب سایت