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.
دسته بندی
دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

یادگیری Data Science و ML : کار با داده های بزرگ ، Spark و PySpark

یادگیری Data Science و ML : کار با داده های بزرگ ، Spark و PySpark

14,900 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

در این دوره پردازش زبان طبیعی ، دیتا ساینس و یادگیری ماشینی را خواهید آموخت. در نهایت بر کار با بیگ دیتا ، اسپارک و پایتون اسپارک مسلط خواهید شد.

عنوان اصلی : DataScience_Machine Learning - NLP- BigData - Spark- PySpark

سرفصل ها :


مقدمه:
DS-ML-technologies & Overview دوره
کد پایه:
پایگاه کد
02-stats:
22-آمار شروع-01
22-آمار-شروع-02
22-آمار-شروع-02-NEW
23-stats-frequencydistributionsandhistogram-new-01
23-Stats-FrequencyDistributionsandmeasuresofcenterltencency
23-stats-frequencydistributionsandmeasuresofcenteraltencency-اضافه کردن در Historgam
23-stats-measuresofcenterltencency-new
24-آمار پراکندگی
24-آمار-پراکندگی-جدید
25-stats-typeofvariabls
26-stats-samplingtechniques-01
26-stats-samplingtechniques-02 صفحه اصلی
27-stats-datatypesandscales
28-آمار - فرضیه تست
29-stats-basics-of-hospothesistesting-02
Python Day 1:
01-دانلود Python - Python.org
02-Anaconda Python-R توزیع - دانلود رایگان
03-Anaconda Navigator
04-spyder (Python 3.7)
05-spyder (پایتون 3.7)
06-AdvantageSppython-Spyder (Python 3.7)
07-Python-Datatyoe-Dynamic-Typecastingspyder (Python 3.7)
11-python-list-inpython-spyder (پایتون 3.7)
12-Python-ListinsIdetuple-TuPleinSidelSpeyder (Python 3.7)
13-Python-Dictonary-Python
14-Python-Set-Pyhon
15-Python اپراتورها
16-python-condition & loops-loopcontrol
17-python-keybpoard-ورودی
18-pythonfileoperations-1
20-Python-introduction-class-object-method-oops
20-Python-Oops-1
21-Python-Modulesinphon
Python-oops
bigdata:
01-BIGDATA- مقدمه
02-bigdata-hadoop-مقدمه
03-BigData-Hadoop-Architecture
04-Bigdata-Hadoop-Overview
05-BigData-MapReduce-Architecture
06-bigdata-yarn
07-bigdata-hadoop-clustermodes
08-bigdata-limitations-of-mapReduce
09-BIGDATA-SPARK-COTIDMENT & OVERVIEW
09-bigdata-spark-production و overview-02-mrvsspark
10-Bigdata-Spark-Framework & ExecutionModes
11-Bigdata-ExecutionModes-Yarn-Mode
12-bigdata-spark-api's-rdd-dataframe-dataset- معرفی
13-bigdata-spark-texic-recketecture از داده های بزرگ فن آوری ها و صنعت STA
14-bigdata-install-hadoop - spark و jupyter برای جرقه در ویندوز
14-bigdata-install-hadoop - جرقه زدن با استفاده از Sandbox
14-bigdata-install-hadoop - جرقه با استفاده از Sandbox-02
15-bigdata-spark-transformation-casons-practice-pysparkshell
16-bigdata-spark-dataframes-sparksql-jupyter
17-bigdata-spark-transformation-transformation - با استفاده از rdd-jupyter
18-bigdata-spark-spark-sql-engentation
19-bigdata-pyspark-rdd-transformations و اقدامات-عملیات-پسیپارک
20-bigdata-pyspark-dataframe-operations-pyspark
ml-lineargression:
ml-lineRegression-intro-01
ml-lineRegression-intro-02
ml-linearregression-03
ml-linearregression-04

ML-رگرسیون خطی-05 ML-رگرسیون خطی-خلاصه-متریک-06 از ML رگرسیون لجستیک: ML-لجستیک-رگرسیون-01 ML-لجستیک-رگرسیون-02 و ML-KNN: ML-KNN-طبقه بندی از درخت های تصمیم گیری ML: ML-Decession-درختان-01 ML-کیسه-RandomForest-02 ML-تقویت-معرفی-03 از ML آموزش بدون نظارت: ML-یادگیری بینظارت-خوشه-Kmeans از ML -svm و بیز ساده و بی تکلف: ML-SVM-01 ML-SVM-01-1 ML-SVM-02 ML-SVM-03 و ML-انجمن معدن قانون: ML-AssociationRuleMining-01 ML-AssociationRuleMining-Apriory-01 ML-AssociationRuleMining-Apriory-01-1 ML-AssociationRuleMining-Apriory-02 و ML-یادگیری عمیق-NeuralNetworks: ML-یادگیری عمیق-NeuralNetworks-01 و ML-زمان سری: 01-ML-های timeseries مقابل رگرسیون-01 01-ML-های timeseries-معرفی 02-ML-های timeseries-قطعات در سری زمانی داده 03-ML-های timeseries-قطعات و الگوریتم در سری زمانی داده 04-ML-های timeseries-قطعات تجسم سری زمانی داده 05-ML-های timeseries-AR-MA-ARIMA 06-ML-های timeseries-ACF و PACF ML-مدل-EvalutionMetrics ML-SomeTerminollogiesOfML ML-TreePruning-HyperParmIntro ML-UnderFit-مناسب-OverFit-CrossValidationMethos ML-UnderFit-OverFit-صلیب اعتبار سنجی-ParmTuning-Purning از NLP: 01-ML-ان ال ان ال به 02-ML-NLP جریان 03-ML-ان ال ان ال مباحث مرتبط و مراحل 04-ML-ان ال الگوریتم 05-ML-یادگیری ماشین - الگوریتم برای طبقه بندی متن داده 06-ML-ان ال مثبت و منفی کلمات واژه نامه در ان ال جرقه: در ایمیل 08-BigData-NLP هرزنامه آشکارساز-NaiveBayes و متن از پیش پردازش برای NLP -Py از رزومه ساخت و مصاحبه: علم چگونه داده به -Build مصاحبه CV-شرکت در در محدوده ابزار:
دادههای دانشمند -Scope ابزار - فن آوری های و بزرگ داده
دادههای دانشمند -Scope از ابزار فن آوری و داده های بزرگ کمرنگ