دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.

آموزش کاربردی Data Science در زبان Python

دانلود Coursera Applied Data Science with Python

10,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

ویدئو معرفی این محصول

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با دیتا ساینس در زبان پایتون یاد می گیرید.

عنوان اصلی : Applied Data Science with Python

این مجموعه آموزش ویدیویی محصول موسسه آموزشی Coursera است که بر روی 1 حلقه دیسک ارائه شده و به مدت زمان 18 ساعت و 42 دقیقه در اختیار علاقه مندان قرار می گیرد.

در ادامه با برخی از سرفصل های درسی این مجموعه آموزش آشنا می شویم :


یادگیری ماشین پایتون:
01 دستورالعمل دوره دوره
02 مقدمه
04 مفاهیم کلیدی در یادگیری ماشین
05 ابزار Python برای یادگیری ماشین
07 مثال مثال یادگیری ماشین
08 بررسی داده ها
09 K نزدیکترین همسایگان طبقه بندی
11 ماژول 1 امتحان مسابقه
تخصیص 1 دستورالعمل ارسال
01 مقدمه ای بر یادگیری ماشین نظارت
02 Operfitting و Underfitting
03 مجموعه داده های آموزشی تحت نظارت
04 K نزدیکترین همسایگان طبقه بندی و رگرسیون
05 رگرسیون خطی حداقل مربعات
06 رگرسیون خطی Ridge Lasso و رگرسیون چند جمله ای
07 رگرسیون لجستیک
08 طبقه بندی های خطی پشتیبانی از ماشین های بردار
09 طبقه بندی چند طبقه
10 ماشین های بردار پشتیبانی از کلیه
11 اعتبار سنجی صلیب
12 درخت تصمیم گیری
13 چند چیز مفید برای دانستن در مورد دستورالعمل یادگیری ماشین
14 Ed Yong آزمون ژنتیک برای اوتیسم دستورالعمل اختیاری را رد کرد
15 ماژول 2 امتحان مسابقه
01 تخصیص 2 دستورالعمل ارسال
01 انتخاب ارزیابی مدل
02 MATRICES MATRICES ارزیابی پایه ارزیابی
Classifier توابع تصمیم گیری
04 دقت دقیق و منحنی ROC
05 ارزیابی چند کلاس
ارزیابی رگرسیون 06
راهنمای عملی برای آزمایش های کنترل شده در دستورالعمل های اختیاری وب
08 انتخاب مدل بهینه سازی طبقه بندی های بهینه سازی برای معیارهای ارزیابی مختلف
09 Module 3 امتحان مسابقه
01 تخصیص 3 دستورالعمل ارسال
01 Bayes Bayes Bayes
02 جنگل های تصادفی
03 Gradient Boosted Treees The Trees
04 شبکه های عصبی
05 شبکه های عصبی دستورالعمل های اختیاری را آسان ساختند
06 بازی با شبکه های عصبی Tensorflow Playground دستورالعمل اختیاری
07 یادگیری عمیق اختیاری
08 یادگیری عمیق به طور خلاصه مفاهیم اصلی دستورالعمل های اختیاری
10 نشت داده
11 خیانت از دستورالعمل های اختیاری نشت
13 نشت اطلاعات مثال ICML 2013 نهنگ چالش های اختیاری
15 ماژول 4 امتحان مسابقه
01 تخصیص 4 دستورالعمل ارسال
01 مقدمه
02 کاهش ابعاد و یادگیری چند منظوره
03 خوشه بندی
04 نحوه استفاده از T SNE به طور موثر دستورالعمل
01 نتیجه گیری
02 دستورالعمل نظرسنجی دوره
03 نگه داشتن یادگیری با دستورالعمل آنلاین میشیگان
01 کلاس
اسناد 01
01 منابع
01 منابع
01 منابع
01 منابع
01 منابع
Plotting Python:
01 مقدمه
02 دستورالعمل های درسی
03 راهنما ما درباره دستورالعمل های شما بیشتر بدانیم
04 درباره پروفسور کریستوفر بروکس
05 ابزار برای تفکر در مورد طراحی Alberto قاهره
06 اطلاعیه برای پیروی از دستورالعمل های ارسالی زبان آموزان Coursera
07 گرافیک اکتشافات داده های جوهر افشان ادوارد توفت
08 Analytics Tarks Analytics اختیاری
09 نمودار اکتشافی گرافیکی Junk Edward Tufte
10 مفید ناخواسته اثرات زایمان بصری در درک و دستورالعمل
11 اکتشافی گرافیکی فاکتور دروغین و خطوط جرقه Edward Tufte
12 هنر حقیقت آلبرتو قاهره
Graphics دستورالعمل های تصدیق گمراه کننده را به دست می آورد
Graphics Graphics Gassleading تصاویری از دستورالعمل های تخصیص Peer
01 مقدمه
02 معماری Matplotlib
03 دستورالعمل Matplotlib
03 Matplotlib Matplotlib
04 ده قانون ساده برای دستورالعمل های بهتر
05 طرح اولیه با Matplotlib
06 spatterplots
07 قطعه خط
نمودار 08 نوار
09 Dejunkifying یک طرح
01 طرح بندی الگوهای آب و هوایی دستورالعمل های تخصیص همکار
01 subplots
02 هیستوگرام
03 انتخاب تعداد سطل ها در هیستوگرام دستورالعمل های نظری تصمیم گیری
04 توطئه جعبه
05 heatmaps
06 انیمیشن
07 Interactivity
01 دستورالعمل خواندن تخصیص
02 ساخت یک دستورالعمل اختصاصی تجسم سفارشی
01 طرح بندی با پانداها
02 Seeborn
03 دستورالعمل همبستگی جعلی
01 تبدیل شدن به یک دانشمند داده مستقل
02 تبدیل شدن به دستورالعمل مستقل دانشمند دانشمند
03 دستورالعمل نظرسنجی دوره
01 منابع
01 کلاس
01 منابع
01 منابع
01 matplotlib
01 منابع
01 منابع
01 منابع
01 هفته 1 اصول تجسم اطلاعات
01 هفته 2 نمودار پایه
01 هفته 3 نمودار پایه
تجزیه و تحلیل شبکه اجتماعی Python:
01 دستورالعمل دوره دوره
02 به ما در مورد دستورالعمل های شما بیشتر یاد بگیرید
03 تعریف شبکه ها و چرا ما آنها را مطالعه می کنیم
04 تعریف شبکه و واژگان
05 node و ویژگی های لبه
06 Graphs Bipartite
08 تظاهرات تظاهرات تظاهرات در شبکه X
09 Module 1 امتحان مسابقه
تخصیص 1 دستورالعمل ارسال
01 ضریب خوشه بندی
فاصله فاصله 02


python machine learning:
01 course syllabus instructions
02 introduction
04 key concepts in machine learning
05 python tools for machine learning
07 an example machine learning problem
08 examining the data
09 k nearest neighbors classification
11 module 1 quiz exam
01 assignment 1 submission instructions
01 introduction to supervised machine learning
02 overfitting and underfitting
03 supervised learning datasets
04 k nearest neighbors classification and regression
05 linear regression least squares
06 linear regression ridge lasso and polynomial regression
07 logistic regression
08 linear classifiers support vector machines
09 multi class classification
10 kernelized support vector machines
11 cross validation
12 decision trees
13 a few useful things to know about machine learning instructions
14 ed yong genetic test for autism refuted optional instructions
15 module 2 quiz exam
01 assignment 2 submission instructions
01 model evaluation selection
02 confusion matrices basic evaluation metrics
03 classifier decision functions
04 precision recall and roc curves
05 multi class evaluation
06 regression evaluation
07 practical guide to controlled experiments on the web optional instructions
08 model selection optimizing classifiers for different evaluation metrics
09 module 3 quiz exam
01 assignment 3 submission instructions
01 naive bayes classifiers
02 random forests
03 gradient boosted decision trees
04 neural networks
05 neural networks made easy optional instructions
06 play with neural networks tensorflow playground optional instructions
07 deep learning optional
08 deep learning in a nutshell core concepts optional instructions
10 data leakage
11 the treachery of leakage optional instructions
13 data leakage example the icml 2013 whale challenge optional instructions
15 module 4 quiz exam
01 assignment 4 submission instructions
01 introduction
02 dimensionality reduction and manifold learning
03 clustering
04 how to use t sne effectively instructions
01 conclusion
02 post course survey instructions
03 keep learning with michigan online instructions
01 classes
01 documentation
01 resources
01 resources
01 resources
01 resources
01 resources

python plotting:
01 introduction
02 syllabus instructions
03 help us learn more about you instructions
04 about the professor christopher brooks
05 tools for thinking about design alberto cairo
06 notice for coursera learners assignment submission instructions
07 graphical heuristics data ink ratio edward tufte
08 dark horse analytics optional instructions
09 graphical heuristics chart junk edward tufte
10 useful junk the effects of visual embellishment on comprehension and instructions
11 graphical heuristics lie factor and spark lines edward tufte
12 the truthful art alberto cairo
01 graphics lies misleading visuals instructions
02 graphics lies misleading visuals peer assignment instructions
01 introduction
02 matplotlib architecture
03 matplotlib instructions
03 matplotlib matplotlib
04 ten simple rules for better figures instructions
05 basic plotting with matplotlib
06 scatterplots
07 line plots
08 bar charts
09 dejunkifying a plot
01 plotting weather patterns peer assignment instructions
01 subplots
02 histograms
03 selecting the number of bins in a histogram a decision theoretic approach instructions
04 box plots
05 heatmaps
06 animation
07 interactivity
01 assignment reading instructions
02 building a custom visualization peer assignment instructions
01 plotting with pandas
02 seaborn
03 spurious correlations instructions
01 becoming an independent data scientist
02 becoming an independent data scientist peer assignment instructions
03 post course survey instructions
01 resources
01 classes
01 resources
01 resources
01 matplotlib
01 resources
01 resources
01 resources
01 Week 1 Principles of Information Visualization
01 Week 2 Basic Charting
01 Week 3 Charting Fundamentals

python social network analysis:
01 course syllabus instructions
02 help us learn more about you instructions
03 networks definition and why we study them
04 network definition and vocabulary
05 node and edge attributes
06 bipartite graphs
08 ta demonstration loading graphs in networkx
09 module 1 quiz exam
01 assignment 1 submission instructions
01 clustering coefficient
02 distance measures
03 connected components
04 network robustness
05 ta demonstration simple network visualizations in networkx
06 module 2 quiz exam
01 assignment 2 submission instructions
01 degree and closeness centrality
02 betweenness centrality
03 basic page rank
04 scaled page rank
05 hubs and authorities
06 centrality examples
07 module 3 quiz exam
01 assignment 3 submission instructions
01 preferential attachment model
02 power laws and rich get richer phenomena optional instructions
03 small world networks
04 link prediction
05 module 4 quiz exam
06 the small world phenomenon optional instructions
01 assignment 4 submission instructions
01 post course survey instructions
02 keep learning with michigan online instructions
01 resources
01 classes
01 documentation
01 resources
01 resources
01 resources
01 resources

python text mining:
01 course syllabus instructions
02 help us learn more about you instructions
03 introduction to text mining
04 handling text in python
05 notice for auditing learners assignment submission instructions
06 regular expressions
07 demonstration regex with pandas and named groups
08 practice quiz quiz
09 internationalization and issues with non ascii characters
10 resources common issues with free text instructions
10 resources common issues with free text re
11 module 1 quiz exam
01 assignment 1 submission instructions
01 basic natural language processing
02 basic nlp tasks with nltk
03 advanced nlp tasks with nltk
04 practice quiz quiz
05 module 2 quiz exam
01 assignment 2 submission instructions
01 text classification
02 identifying features from text
03 naive bayes classifiers
04 naive bayes variations
05 support vector machines
06 learning text classifiers in python
07 demonstration case study sentiment analysis
08 module 3 quiz exam
01 assignment 3 submission instructions
01 semantic text similarity
02 topic modeling
03 generative models and lda
04 practice quiz quiz
05 information extraction
06 additional resources readings instructions
06 additional resources readings wordnet
07 module 4 quiz exam
01 assignment 4 submission instructions
01 post course survey instructions
02 keep learning with michigan online instructions
01 resources
01 classes
01 documentation
01 intro
01 resources
01 resources
01 resources
01 resources

tensorflow sequences time series and prediction:
01 introduction a conversation with andrew ng
01 time series examples
02 machine learning applied to time series
03 common patterns in time series
04 introduction to time series
05 introduction to time series notebook instructions
06 train validation and test sets
07 metrics for evaluating performance
08 moving average and differencing
09 trailing versus centered windows
10 forecasting
11 forecasting notebook instructions
12 week 1 quiz exam
13 week 1 wrap up instructions
01 a conversation with andrew ng
02 preparing features and labels
03 preparing features and labels
04 preparing features and labels notebook instructions
05 sequence bias instructions
06 feeding windowed dataset into neural network
07 single layer neural network
08 machine learning on time windows
09 prediction
10 more on single layer neural network
11 single layer neural network notebook instructions
12 deep neural network training tuning and prediction
13 deep neural network
14 deep neural network notebook instructions
15 week 2 quiz exam
16 week 2 wrap up instructions
01 week 3 a conversation with andrew ng
02 conceptual overview
03 shape of the inputs to the rnn
04 outputting a sequence
05 lambda layers
06 adjusting the learning rate dynamically
07 more info on huber loss instructions
08 rnn
09 rnn notebook instructions
10 lstm
11 link to the lstm lesson instructions
12 coding lstms
13 more on lstm
14 lstm notebook instructions
15 week 3 quiz exam
16 week 3 wrap up instructions
01 week 4 a conversation with andrew ng
02 convolutions
03 convolutional neural networks course instructions
04 bi directional lstms
05 more on batch sizing instructions
06 lstm
07 lstm notebook instructions
08 real data sunspots
09 train and tune the model
10 prediction
11 sunspots
12 sunspots notebook instructions
13 combining our tools for analysis
14 week 4 quiz exam
01 wrap up instructions
02 congratulations
01 specialization wrap up a conversation with andrew ng
02 what next instructions