سپنتا کتاب اکسپرس
کتاب مبانی علوم داده با پایتون: از صفر تا صد

کتاب مبانی علوم داده با پایتون: از صفر تا صد

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 مبانی علوم داده با پایتون: از صفر تا صد

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: مبانی برنامه‌نویسی برای علوم داده

📋 سرفصل‌های دوره

  • 1. مبانی علوم داده: مقدمه‌ای بر دنیای داده
  • 2. تاریخچه و تکامل علوم داده
  • 3. نقش داده‌ها در تصمیم‌گیری
  • 4. اخلاق در علوم داده
  • 5. ابزارها و زبان‌های برنامه‌نویسی برای علوم داده
  • 6. مقدمه‌ای بر زبان پایتون
  • 7. نصب و راه‌اندازی پایتون
  • 8. انواع داده‌ها در پایتون
  • 9. متغیرها و عملگرها در پایتون
  • 10. ساختارهای کنترلی: شرط‌ها
  • 11. ساختارهای کنترلی: حلقه‌ها
  • 12. توابع در پایتون
  • 13. ماژول‌ها و بسته‌های پایتون
  • 14. مقدمه‌ای بر کتابخانه NumPy
  • 15. آرایه‌ها در NumPy
  • 16. عملیات بر روی آرایه‌ها
  • 17. توابع ریاضی در NumPy
  • 18. مقدمه‌ای بر کتابخانه Pandas
  • 19. ساختارهای داده‌ای در Pandas: Series
  • 20. ساختارهای داده‌ای در Pandas: DataFrame
  • 21. خواندن و نوشتن داده‌ها با Pandas
  • 22. پاکسازی و پیش‌پردازش داده‌ها
  • 23. مدیریت داده‌های گمشده
  • 24. شناسایی و حذف داده‌های پرت
  • 25. تکنیک‌های نمونه‌گیری داده
  • 26. مقدمه‌ای بر مصورسازی داده‌ها
  • 27. مفاهیم پایه مصورسازی
  • 28. کتابخانه Matplotlib
  • 29. رسم نمودارهای خطی
  • 30. رسم نمودارهای پراکندگی
  • 31. رسم نمودارهای میله‌ای
  • 32. رسم نمودارهای هیستوگرام
  • 33. رسم نمودارهای جعبه‌ای
  • 34. مقدمه‌ای بر کتابخانه Seaborn
  • 35. نمودارهای آماری با Seaborn
  • 36. نقشه‌های حرارتی (Heatmaps)
  • 37. مصورسازی داده‌های طبقه‌بندی شده
  • 38. مقدمه‌ای بر آمار توصیفی
  • 39. میانگین، میانه و مد
  • 40. واریانس و انحراف معیار
  • 41. توزیع‌های آماری
  • 42. مقدمه‌ای بر مفاهیم احتمال
  • 43. قوانین احتمال
  • 44. احتمال شرطی
  • 45. قضیه بیز
  • 46. مقدمه‌ای بر یادگیری ماشین
  • 47. انواع یادگیری ماشین
  • 48. یادگیری با نظارت (Supervised Learning)
  • 49. رگرسیون خطی ساده
  • 50. ارزیابی مدل‌های رگرسیون
  • 51. رگرسیون لجستیک
  • 52. ارزیابی مدل‌های طبقه‌بندی
  • 53. مقدمه‌ای بر درخت‌های تصمیم
  • 54. ساخت درخت تصمیم
  • 55. مزایا و معایب درخت‌های تصمیم
  • 56. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
  • 57. هسته‌ها در SVM
  • 58. مقدمه‌ای بر الگوریتم K-نزدیک‌ترین همسایه (KNN)
  • 59. انتخاب مقدار K در KNN
  • 60. یادگیری بدون نظارت (Unsupervised Learning)
  • 61. خوشه‌بندی (Clustering)
  • 62. الگوریتم K-Means
  • 63. ارزیابی مدل‌های خوشه‌بندی
  • 64. مقدمه‌ای بر کاهش ابعاد
  • 65. تحلیل مؤلفه‌های اصلی (PCA)
  • 66. کاربرد PCA در علوم داده
  • 67. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 68. مبانی پیش‌پردازش متن
  • 69. توکن‌سازی و حذف کلمات توقف
  • 70. ریشه‌یابی و لماتیزاسیون
  • 71. نمایش متنی: Bag-of-Words
  • 72. نمایش متنی: TF-IDF
  • 73. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
  • 74. ساختار نورون مصنوعی
  • 75. تابع فعال‌سازی
  • 76. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
  • 77. آموزش شبکه‌های عصبی: پس‌انتشار خطا
  • 78. بهینه‌سازی در شبکه‌های عصبی
  • 79. مقدمه‌ای بر یادگیری عمیق
  • 80. شبکه‌های عصبی کانولوشنی (CNN)
  • 81. کاربرد CNN در پردازش تصویر
  • 82. شبکه‌های عصبی بازگشتی (RNN)
  • 83. کاربرد RNN در پردازش توالی
  • 84. مقدمه‌ای بر مهندسی ویژگی
  • 85. انتخاب ویژگی
  • 86. ساخت ویژگی
  • 87. مدل‌سازی داده‌های زمانی
  • 88. تکنیک‌های پیش‌بینی سری‌های زمانی
  • 89. مقدمه‌ای بر ارزیابی مدل‌ها
  • 90. اعتبارسنجی متقابل (Cross-Validation)
  • 91. معیارهای ارزیابی مدل‌های رگرسیون
  • 92. معیارهای ارزیابی مدل‌های طبقه‌بندی
  • 93. منحنی ROC و AUC
  • 94. مقدمه‌ای بر استقرار مدل‌ها
  • 95. مبانی استقرار مدل
  • 96. نکات مهم در استقرار مدل
  • 97. پروژه‌های عملی در علوم داده (مطالعه موردی)
  • 98. تحلیل داده‌های مشتریان
  • 99. پیش‌بینی فروش
  • 100. سیستم‌های توصیه‌گر

📚 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.