سپنتا کتاب اکسپرس
کتاب کشف اسرار داده‌ها: سفری در Google Colaboratory

کتاب کشف اسرار داده‌ها: سفری در Google Colaboratory

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف اسرار داده‌ها: سفری در Google Colaboratory

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

  • 1. آشنایی با Google Colaboratory و محیط آن
  • 2. نصب و راه‌اندازی ابزارهای مورد نیاز در Colab
  • 3. مدیریت فایل‌ها و پوشه‌ها در Colab
  • 4. مقدمه‌ای بر زبان برنامه‌نویسی پایتون برای علم داده
  • 5. انواع داده‌ها و ساختارهای پایه‌ای در پایتون
  • 6. عملگرها و عبارات در پایتون
  • 7. دستورات شرطی و حلقه‌ها در پایتون
  • 8. توابع و ماژول‌ها در پایتون
  • 9. مقدمه‌ای بر کتابخانه‌های علم داده در پایتون
  • 10. کار با آرایه‌ها با استفاده از NumPy
  • 11. عملیات بر روی آرایه‌های NumPy
  • 12. مقدمه‌ای بر کتابخانه Pandas برای تحلیل داده
  • 13. ساخت و مدیریت DataFrame در Pandas
  • 14. عملیات پایه بر روی DataFrame
  • 15. فیلتر کردن و انتخاب داده‌ها در DataFrame
  • 16. دسته‌بندی و تجمیع داده‌ها با Pandas
  • 17. ادغام و ترکیب DataFrame ها
  • 18. کار با داده‌های سری زمانی در Pandas
  • 19. مقدمه‌ای بر مصورسازی داده‌ها
  • 20. مصورسازی داده‌ها با Matplotlib
  • 21. تنظیمات و سفارشی‌سازی نمودارها در Matplotlib
  • 22. مصورسازی داده‌ها با Seaborn
  • 23. ایجاد نمودارهای آماری با Seaborn
  • 24. مقدمه‌ای بر یادگیری ماشین
  • 25. انواع مسائل یادگیری ماشین (نظارت شده، بدون نظارت)
  • 26. مراحل پیش‌پردازش داده‌ها برای یادگیری ماشین
  • 27. پاکسازی داده‌ها و مدیریت مقادیر گمشده
  • 28. مهندسی ویژگی (Feature Engineering)
  • 29. انتخاب ویژگی (Feature Selection)
  • 30. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
  • 31. مقدمه‌ای بر مدل‌های رگرسیون خطی
  • 32. پیاده‌سازی رگرسیون خطی با Scikit-learn
  • 33. ارزیابی مدل‌های رگرسیون
  • 34. مقدمه‌ای بر مدل‌های رگرسیون لجستیک
  • 35. پیاده‌سازی رگرسیون لجستیک با Scikit-learn
  • 36. ارزیابی مدل‌های طبقه‌بندی
  • 37. مقدمه‌ای بر درخت‌های تصمیم
  • 38. پیاده‌سازی درخت‌های تصمیم با Scikit-learn
  • 39. مقدمه‌ای بر جنگل‌های تصادفی (Random Forests)
  • 40. پیاده‌سازی جنگل‌های تصادفی با Scikit-learn
  • 41. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
  • 42. پیاده‌سازی SVM با Scikit-learn
  • 43. مقدمه‌ای بر خوشه‌بندی (Clustering)
  • 44. الگوریتم K-Means برای خوشه‌بندی
  • 45. پیاده‌سازی K-Means با Scikit-learn
  • 46. ارزیابی مدل‌های خوشه‌بندی
  • 47. مقدمه‌ای بر کاهش ابعاد
  • 48. تحلیل مؤلفه‌های اصلی (PCA)
  • 49. پیاده‌سازی PCA با Scikit-learn
  • 50. کاربرد PCA در مصورسازی داده‌ها
  • 51. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 52. توکن‌سازی و نرمال‌سازی متن
  • 53. تبدیل متن به بردار (Bag-of-Words, TF-IDF)
  • 54. مقدمه‌ای بر مدل‌های زبانی
  • 55. کار با کتابخانه NLTK برای NLP
  • 56. کار با کتابخانه SpaCy برای NLP
  • 57. تحلیل احساسات (Sentiment Analysis)
  • 58. مقدمه‌ای بر شبکه‌های عصبی
  • 59. معماری پرسپترون چندلایه (MLP)
  • 60. پیاده‌سازی MLP با TensorFlow/Keras
  • 61. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
  • 62. کاربرد CNN در بینایی ماشین
  • 63. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
  • 64. کاربرد RNN در پردازش توالی‌ها
  • 65. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
  • 66. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 67. اعتبارسنجی متقابل (Cross-Validation)
  • 68. مدیریت و سازماندهی پروژه‌های علم داده
  • 69. اصول مستندسازی کد و نتایج
  • 70. کار با Git و GitHub برای مدیریت نسخه
  • 71. اصول گزارش‌دهی نتایج تحلیل داده
  • 72. مقدمه‌ای بر هوش مصنوعی اخلاقی در علم داده
  • 73. حفظ حریم خصوصی داده‌ها در پروژه‌ها
  • 74. مدیریت سوگیری در مدل‌های یادگیری ماشین
  • 75. اصول امنیت در داده‌ها و مدل‌ها
  • 76. کاربرد علم داده در حوزه‌های مختلف (مثال‌ها)
  • 77. مدیریت مؤثر منابع در Google Colab
  • 78. بهینه‌سازی اجرای کد در Colab
  • 79. مقدمه‌ای بر مفاهیم آماری پیشرفته
  • 80. آزمون فرض آماری
  • 81. مقدمه‌ای بر سری‌های زمانی اقتصادی
  • 82. تحلیل روند و فصلی بودن در داده‌ها
  • 83. مدل‌سازی پیش‌بینی سری‌های زمانی (ARIMA)
  • 84. مقدمه‌ای بر سیستم‌های توصیه‌گر
  • 85. فیلترینگ مشارکتی (Collaborative Filtering)
  • 86. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
  • 87. مقدمه‌ای بر یادگیری تقویتی
  • 88. مقدمه‌ای بر پردازش تصویر با پایتون
  • 89. تحلیل آماری داده‌های غیرعددی
  • 90. مصورسازی داده‌های پیچیده
  • 91. استفاده از API ها در Colab
  • 92. کار با پایگاه‌های داده در Colab
  • 93. مقدمه‌ای بر مفاهیم Big Data
  • 94. کاربرد ابزارهای توزیع شده در علم داده
  • 95. اصول توسعه نرم‌افزار در پروژه‌های علم داده
  • 96. مقدمه‌ای بر مفاهیم DataOps
  • 97. روش‌های ارزیابی ریسک در پروژه‌های داده‌محور
  • 98. اصول انتقال دانش در تیم‌های علم داده
  • 99. مقدمه‌ای بر اتوماسیون در علم داده
  • 100. جمع‌بندی و گام‌های بعدی در مسیر علم داده

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.