بوت کمپ Data Science

علم اطلاعات را با پایتون با ساخت پنج پروژه دنیای واقعی یاد بگیرید! آزمایش با پیش بینی های بازی کارت، پیگیری شیوع بیماری، و بیشتر، همانطور که شما یک درک انعطاف پذیر و بصری از علوم داده ها ایجاد می کنید.
در کتاب اطلاعاتی BookCamp شما خواهید یافت:
تکنیک های محاسبات و طرح ریزی احتمالات
نحوه سازماندهی مجموعه داده ها با الگوریتم های خوشه بندی
نحوه تجسم مجموعه داده های چند متغیری پیچیده
چگونه برای آموزش یک الگوریتم یادگیری درختی درختی
'LL تست و ساختن دانش خود را از پایتون با نوع مشکلات باز شده که دانشمندان داده های حرفه ای در هر روز کار می کنند. مجموعه داده های قابل دانلود و راه حل های کاملا توضیح داده شده به شما کمک می کند تا در آنچه که آموخته اید قفل کنید، اعتماد به نفس خود را ایجاد کنید و آماده شوید تا یک حرفه ای علمی جدید اطلاعات جدید را آماده کنید.

عنوان اصلی : Data Science Bookcamp, video edition

سرفصل های دوره :

01 مطالعه موردی 1: یافتن استراتژی برنده در بازی با ورق:
001 فصل 1. محاسبات احتمالات با استفاده از پایتون این بخش شامل
002 فصل 1. مسئله 2: تجزیه و تحلیل رول های قالب متعدد
003 فصل 2. ترسیم احتمالات با استفاده از Matplotlib
004 فصل 2. مقایسه توزیع‌های احتمالی چند سکه
005 فصل 3. اجرای شبیه سازی های تصادفی در NumPy
006 فصل 3. محاسبه فواصل اطمینان با استفاده از هیستوگرام و آرایه های NumPy
007 فصل 3. استخراج احتمالات از هیستوگرام
008 فصل 3. محاسبه هیستوگرام در NumPy
009 فصل 3. استفاده از جایگشت برای به هم زدن کارت ها
010 فصل 4. مطالعه موردی 1 راه حل
011 فصل 4. بهینه سازی استراتژی ها با استفاده از فضای نمونه برای عرشه 10 کارتی
02 مطالعه موردی 2: ارزیابی کلیک‌های تبلیغات آنلاین از نظر اهمیت:
001 فصل 5. احتمال اساسی و تجزیه و تحلیل آماری با استفاده از SciPy
002 فصل 5. میانگین به عنوان معیار مرکزیت
003 فصل 5. واریانس به عنوان معیار پراکندگی
004 فصل 6. پیش بینی با استفاده از قضیه حد مرکزی و SciPy
005 فصل 6. مقایسه دو منحنی نرمال نمونه برداری شده
006 فصل 6. تعیین میانگین و واریانس یک جامعه از طریق نمونه گیری تصادفی
007 فصل 6. محاسبه مساحت زیر یک منحنی نرمال
008 فصل 7. آزمون فرضیه های آماری
009 فصل 7. ارزیابی واگرایی بین میانگین نمونه و میانگین جامعه
010 فصل 7. لایروبی داده ها: رسیدن به نتایج نادرست از طریق نمونه گیری بیش از حد
011 فصل 7. بوت استرپینگ با جایگزینی: آزمایش یک فرضیه زمانی که واریانس جمعیت ناشناخته است 1
012 فصل 7. راه‌اندازی با جایگزینی: آزمایش یک فرضیه زمانی که واریانس جمعیت ناشناخته است.
013 فصل 7. آزمایش جایگشت: مقایسه میانگین نمونه ها زمانی که پارامترهای جمعیت ناشناخته هستند
014 فصل 8. تجزیه و تحلیل جداول با استفاده از پانداها
015 فصل 8. بازیابی ردیف های جدول
016 فصل 8. ذخیره و بارگیری داده های جدول
017 فصل 9. مطالعه موردی 2 راه حل
018 فصل 9. تعیین اهمیت آماری
03 مطالعه موردی 3: ردیابی شیوع بیماری با استفاده از عناوین اخبار:
001 فصل 10. خوشه بندی داده ها در گروه ها
002 فصل 10. K-means: یک الگوریتم خوشه بندی برای گروه بندی داده ها به گروه های مرکزی K
003 فصل 10. استفاده از چگالی برای کشف خوشه ها
004 فصل 10. خوشه بندی بر اساس فاصله غیر اقلیدسی
005 فصل 10. تجزیه و تحلیل خوشه ها با استفاده از پانداها
006 فصل 11. تجسم و تحلیل موقعیت جغرافیایی
007 فصل 11. ترسیم نقشه ها با استفاده از Cartopy
008 فصل 11. تجسم نقشه ها
009 فصل 11. ردیابی موقعیت مکانی با استفاده از GeoNamesCache
010 فصل 11. محدودیت های کتابخانه GeoNamesCache
011 فصل 12. مطالعه موردی 3 راه حل
012 فصل 12. تجسم و خوشه بندی داده های مکان استخراج شده
04 مطالعه موردی 4: استفاده از آگهی های شغلی آنلاین برای بهبود رزومه علمی داده:
001 فصل 13. اندازه گیری شباهت های متن
002 فصل 13. مقایسه متن ساده
003 فصل 13. جایگزینی کلمات با مقادیر عددی
004 فصل 13. بردار کردن متون با استفاده از شمارش کلمات
005 فصل 13. استفاده از نرمال سازی برای بهبود شباهت بردار TF
006 فصل 13. استفاده از محصولات نقطه بردار واحد برای تبدیل بین معیارهای مربوط
007 فصل 13. عملیات ماتریس اساسی، قسمت 1
008 فصل 13. عملیات ماتریس اساسی، قسمت 2
009 فصل 13. حدود محاسباتی ضرب ماتریس
010 فصل 14. کاهش ابعاد داده های ماتریس
011 فصل 14. کاهش ابعاد با استفاده از چرخش، قسمت 1
012 فصل 14. کاهش ابعاد با استفاده از چرخش، قسمت 2
013 فصل 14. کاهش ابعاد با استفاده از PCA و scikit-learn
014 فصل 14. خوشه بندی داده های 4 بعدی در دو بعد
015 فصل 14. محدودیت های PCA
016 فصل 14. محاسبه اجزای اصلی بدون چرخش
017 فصل 14. استخراج بردارهای ویژه با استفاده از تکرار توان، قسمت 1
018 فصل 14. استخراج بردارهای ویژه با استفاده از تکرار توان، قسمت 2
019 فصل 14. کاهش ابعاد کارآمد با استفاده از SVD و scikit-learn
020 فصل 15. تجزیه و تحلیل NLP مجموعه داده های متنی بزرگ
021 فصل 15. برداری اسناد با استفاده از scikit-learn
022 فصل 15. رتبه بندی کلمات بر اساس تعداد و تعداد پست ها، قسمت 1
023 فصل 15. رتبه بندی کلمات بر اساس تعداد پست ها و تعداد پست ها، قسمت 2
024 فصل 15. محاسبه شباهت ها در مجموعه داده های اسناد بزرگ
025 فصل 15. خوشه بندی متون بر اساس موضوع، قسمت 1
026 فصل 15. خوشه بندی متون بر اساس موضوع، قسمت 2
027 فصل 15. تجسم خوشه های متن
028 فصل 15. استفاده از نمودارهای فرعی برای نمایش ابرهای چند کلمه ای، قسمت 1
029 فصل 15. استفاده از نمودارهای فرعی برای نمایش ابرهای چند کلمه ای، قسمت 2
030 فصل 16. استخراج متن از صفحات وب
031 فصل 16. ساختار اسناد HTML
032 فصل 16. تجزیه HTML با استفاده از سوپ زیبا، قسمت 1
033 فصل 16. تجزیه HTML با استفاده از سوپ زیبا، قسمت 2
034 فصل 17. مطالعه موردی 4 راه حل
035 فصل 17. کاوش در HTML برای توضیحات مهارت
036 فصل 17. فیلتر کردن مشاغل بر اساس ارتباط
037 فصل 17. مهارت های خوشه بندی در آگهی های شغلی مرتبط
038 فصل 17. بررسی خوشه های مهارت فنی
039 فصل 17. کاوش خوشه ها در مقادیر جایگزین K
040 فصل 17. تجزیه و تحلیل 700 پست مرتبط
05 مطالعه موردی 5: پیش بینی دوستی های آینده از داده های شبکه های اجتماعی:
001 فصل 18. مقدمه ای بر نظریه گراف و تحلیل شبکه
002 فصل 18. تجزیه و تحلیل شبکه های وب با استفاده از NetworkX، قسمت 1
003 فصل 18. تجزیه و تحلیل شبکه های وب با استفاده از NetworkX، قسمت 2
004 فصل 18. استفاده از نمودارهای غیر جهت دار برای بهینه سازی زمان سفر بین شهرها
005 فصل 18. محاسبه سریعترین زمان سفر بین گره ها، قسمت 1
006 فصل 18. محاسبه سریعترین زمان سفر بین گره ها، قسمت 2
007 فصل 19. تکنیک های نظریه گراف پویا برای رتبه بندی گره ها و تجزیه و تحلیل شبکه های اجتماعی
008 فصل 19. محاسبه احتمالات سفر با استفاده از ضرب ماتریس
009 فصل 19. استخراج مرکزیت رتبه صفحه از نظریه احتمال
010 فصل 19. محاسبه مرکزیت رتبه صفحه با استفاده از NetworkX
011 فصل 19. تشخیص جامعه با استفاده از خوشه بندی مارکوف، قسمت 1
012 فصل 19. تشخیص جامعه با استفاده از خوشه بندی مارکوف، قسمت 2
013 فصل 19. کشف گروه های دوستان در شبکه های اجتماعی
014 فصل 20. یادگیری ماشینی تحت نظارت شبکه محور
015 فصل 20. اصول یادگیری ماشینی نظارت شده
016 فصل 20. اندازه گیری دقت برچسب پیش بینی شده، قسمت 1
017 فصل 20. اندازه گیری دقت برچسب پیش بینی شده، قسمت 2
018 فصل 20. بهینه سازی عملکرد KNN
019 فصل 20. اجرای جستجوی شبکه ای با استفاده از scikit-learn
020 فصل 20. محدودیت های الگوریتم KNN
021 فصل 21. آموزش طبقه بندی کننده های خطی با رگرسیون لجستیک
022 فصل 21. آموزش طبقه بندی کننده خطی، قسمت 1
023 فصل 21. آموزش طبقه بندی کننده خطی، قسمت 2
024 فصل 21. بهبود طبقه بندی خطی با رگرسیون لجستیک، بخش 1
025 فصل 21. بهبود طبقه بندی خطی با رگرسیون لجستیک، قسمت 2
026 فصل 21. آموزش طبقه بندی کننده های خطی با استفاده از scikit-learn
027 فصل 21. اندازه گیری اهمیت ویژگی با ضرایب
028 فصل 22. آموزش طبقه بندی کننده های غیرخطی با تکنیک های درخت تصمیم
029 فصل 22. آموزش مدل if/else تودرتو با استفاده از دو ویژگی
030 فصل 22. تصمیم گیری در مورد کدام ویژگی تقسیم شود
031 فصل 22. آموزش مدل های if/else با بیش از دو ویژگی
032 فصل 22. آموزش طبقه بندی درخت تصمیم با استفاده از scikit-learn
033 فصل 22. مطالعه سلول های سرطانی با استفاده از اهمیت ویژگی
034 فصل 22. بهبود عملکرد با استفاده از طبقه بندی تصادفی جنگل
035 فصل 22. آموزش طبقه‌بندی‌کننده‌های تصادفی جنگل با استفاده از scikit-learn
036 فصل 23. مطالعه موردی 5 راه حل
037 فصل 23. بررسی مشاهدات تجربی
038 فصل 23. آموزش یک مدل پیش بینی با استفاده از ویژگی های شبکه، قسمت 1
039 فصل 23. آموزش یک مدل پیش بینی با استفاده از ویژگی های شبکه، قسمت 2
040 فصل 23. افزودن ویژگی های نمایه به مدل
041 فصل 23. بهینه سازی عملکرد در یک مجموعه ثابت از ویژگی ها
042 فصل 23. تفسیر مدل آموزش دیده