سپنتا کتاب اکسپرس
کتاب مبانی علم داده: آمار و یادگیری ماشین برای تحلیل داده

کتاب مبانی علم داده: آمار و یادگیری ماشین برای تحلیل داده

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 علم داده: آمار و یادگیری ماشین برای تحلیل داده

موضوع کلی: علوم کامپیوتر و داده

موضوع میانی: علم داده و یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه ای بر علم داده و اهمیت آن
  • 2. فصل ۱: مبانی آمار برای علم داده
  • 3. فصل ۲: مفاهیم پایه احتمال
  • 4. فصل ۳: توزیع های احتمال گسسته
  • 5. فصل ۴: توزیع های احتمال پیوسته
  • 6. فصل ۵: آمار توصیفی و نمایش داده ها
  • 7. فصل ۶: تخمین پارامترها
  • 8. فصل ۷: آزمون فرض آماری
  • 9. فصل ۸: تحلیل رگرسیون خطی ساده
  • 10. فصل ۹: تحلیل رگرسیون خطی چندگانه
  • 11. فصل ۱۰: مفاهیم پایه یادگیری ماشین
  • 12. فصل ۱۱: انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
  • 13. فصل ۱۲: پیش پردازش داده ها
  • 14. فصل ۱۳: پاکسازی داده ها و مدیریت مقادیر گمشده
  • 15. فصل ۱۴: مهندسی ویژگی
  • 16. فصل ۱۵: انتخاب ویژگی
  • 17. فصل ۱۶: ارزیابی مدل های یادگیری ماشین
  • 18. فصل ۱۷: معیارهای ارزیابی برای طبقه بندی
  • 19. فصل ۱۸: معیارهای ارزیابی برای رگرسیون
  • 20. فصل ۱۹: مدل های طبقه بندی: رگرسیون لجستیک
  • 21. فصل ۲۰: مدل های طبقه بندی: ماشین بردار پشتیبان (SVM)
  • 22. فصل ۲۱: مدل های طبقه بندی: درخت تصمیم
  • 23. فصل ۲۲: مدل های طبقه بندی: جنگل تصادفی
  • 24. فصل ۲۳: مدل های طبقه بندی: ماشین های بوستینگ (مانند Gradient Boosting)
  • 25. فصل ۲۴: مدل های طبقه بندی: شبکه های عصبی پایه
  • 26. فصل ۲۵: مدل های رگرسیون: رگرسیون خطی (مرور)
  • 27. فصل ۲۶: مدل های رگرسیون: درخت تصمیم برای رگرسیون
  • 28. فصل ۲۷: مدل های رگرسیون: جنگل تصادفی برای رگرسیون
  • 29. فصل ۲۸: مدل های رگرسیون: شبکه های عصبی برای رگرسیون
  • 30. فصل ۲۹: خوشه بندی: الگوریتم K-Means
  • 31. فصل ۳۰: خوشه بندی: خوشه بندی سلسله مراتبی
  • 32. فصل ۳۱: تشخیص ناهنجاری (Outlier Detection)
  • 33. فصل ۳۲: کاهش ابعاد: تحلیل مؤلفه های اصلی (PCA)
  • 34. فصل ۳۳: کاهش ابعاد: t-SNE
  • 35. فصل ۳۴: پردازش زبان طبیعی (NLP) - مبانی
  • 36. فصل ۳۵: نمایش متن: Bag-of-Words
  • 37. فصل ۳۶: نمایش متن: TF-IDF
  • 38. فصل ۳۷: مدل های زبانی پایه
  • 39. فصل ۳۸: تحلیل احساسات (Sentiment Analysis)
  • 40. فصل ۳۹: مدل های یادگیری عمیق برای NLP (مقدماتی)
  • 41. فصل ۴۰: شبکه های عصبی بازگشتی (RNN) - مفاهیم
  • 42. فصل ۴۱: حافظه طولانی کوتاه مدت (LSTM)
  • 43. فصل ۴۲: واحد بازگشتی دروازه دار (GRU)
  • 44. فصل ۴۳: شبکه های عصبی کانولوشنال (CNN) - مبانی
  • 45. فصل ۴۴: کاربرد CNN در پردازش تصویر
  • 46. فصل ۴۵: پیش پردازش تصویر برای CNN
  • 47. فصل ۴۶: انتقال یادگیری (Transfer Learning)
  • 48. فصل ۴۷: مدل های پیش آموزش دیده (Pre-trained Models)
  • 49. فصل ۴۸: تنظیم دقیق مدل های پیش آموزش دیده
  • 50. فصل ۴۹: سیستم های توصیه گر (Recommender Systems) - مبانی
  • 51. فصل ۵۰: فیلترینگ مشارکتی (Collaborative Filtering)
  • 52. فصل ۵۱: فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
  • 53. فصل ۵۲: رویکردهای ترکیبی در سیستم های توصیه گر
  • 54. فصل ۵۳: تحلیل سری های زمانی (Time Series Analysis) - مبانی
  • 55. فصل ۵۴: اجزای سری های زمانی: روند، فصلی بودن، نویز
  • 56. فصل ۵۵: مدل های پیش بینی سری های زمانی: ARIMA
  • 57. فصل ۵۶: مدل های پیش بینی سری های زمانی: Exponential Smoothing
  • 58. فصل ۵۷: یادگیری تقویتی (Reinforcement Learning) - مفاهیم پایه
  • 59. فصل ۵۸: عامل، محیط، پاداش
  • 60. فصل ۵۹: فرآیندهای تصمیم گیری مارکوف (MDP)
  • 61. فصل ۶۰: یادگیری ارزش (Value Learning)
  • 62. فصل ۶۱: یادگیری سیاست (Policy Learning)
  • 63. فصل ۶۲: الگوریتم Q-Learning
  • 64. فصل ۶۳: الگوریتم SARSA
  • 65. فصل ۶۴: یادگیری عمیق تقویتی (Deep Reinforcement Learning) - مقدمه
  • 66. فصل ۶۵: اخلاق در علم داده و هوش مصنوعی
  • 67. فصل ۶۶: سوگیری در داده ها و مدل ها
  • 68. فصل ۶۷: انصاف و شفافیت در هوش مصنوعی
  • 69. فصل ۶۸: حریم خصوصی داده ها و حفاظت از اطلاعات
  • 70. فصل ۶۹: کاربردهای علم داده در کسب و کار
  • 71. فصل ۷۰: علم داده در بازاریابی و فروش
  • 72. فصل ۷۱: علم داده در امور مالی و بانکی (بدون ربا)
  • 73. فصل ۷۲: علم داده در بهداشت و درمان (مطابق پروتکل وزارت بهداشت)
  • 74. فصل ۷۳: علم داده در صنعت و تولید
  • 75. فصل ۷۴: ابزارها و زبان های برنامه نویسی در علم داده (Python)
  • 76. فصل ۷۵: کتابخانه های کلیدی Python برای علم داده (NumPy, Pandas)
  • 77. فصل ۷۶: کتابخانه های کلیدی Python برای یادگیری ماشین (Scikit-learn)
  • 78. فصل ۷۷: کتابخانه های کلیدی Python برای یادگیری عمیق (TensorFlow, PyTorch)
  • 79. فصل ۷۸: مفاهیم پایگاه داده برای علم داده
  • 80. فصل ۷۹: پایگاه داده های رابطه ای (SQL)
  • 81. فصل ۸۰: پایگاه داده های NoSQL
  • 82. فصل ۸۱: مدیریت کلان داده (Big Data) - مفاهیم
  • 83. فصل ۸۲: اکوسیستم Hadoop (HDFS, MapReduce)
  • 84. فصل ۸۳: پردازش داده های جریانی (Stream Processing)
  • 85. فصل ۸۴: ابزارهای پردازش داده های جریانی (Spark Streaming)
  • 86. فصل ۸۵: مصورسازی داده ها (Data Visualization) - اصول
  • 87. فصل ۸۶: ابزارهای مصورسازی داده ها (Matplotlib, Seaborn)
  • 88. فصل ۸۷: مصورسازی داده ها در داشبوردهای مدیریتی
  • 89. فصل ۸۸: تحلیل داده های گرافی (Graph Data Analysis) - مبانی
  • 90. فصل ۸۹: الگوریتم های پایه در گراف ها
  • 91. فصل ۹۰: شبکه های اجتماعی و تحلیل آن ها
  • 92. فصل ۹۱: مبانی یادگیری ماشین بر روی گراف ها (GNN)
  • 93. فصل ۹۲: توسعه مدل های علم داده: چرخه حیات پروژه
  • 94. فصل ۹۳: تعریف مسئله و جمع آوری داده
  • 95. فصل ۹۴: اکتشاف و تحلیل داده های اکتشافی (EDA)
  • 96. فصل ۹۵: مدل سازی و ارزیابی
  • 97. فصل ۹۶: استقرار مدل (Model Deployment)
  • 98. فصل ۹۷: پایش و نگهداری مدل
  • 99. فصل ۹۸: درس آموخته ها و بهبود مستمر
  • 100. فصل ۹۹: آینده علم داده و هوش مصنوعی

📚 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.