سپنتا کتاب اکسپرس
کتاب مهارت‌های عملی در علم داده با پایتون

کتاب مهارت‌های عملی در علم داده با پایتون

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 مهارت‌های عملی در علم داده با پایتون

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: تحلیل داده‌های پیشرفته

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علم داده و پایتون
  • 2. نصب و راه‌اندازی محیط توسعه پایتون
  • 3. آشنایی با کتابخانه‌های کلیدی علم داده
  • 4. ساختار داده‌ها در پایتون: لیست‌ها و تاپل‌ها
  • 5. ساختار داده‌ها در پایتون: دیکشنری‌ها و مجموعه‌ها
  • 6. کار با رشته‌ها و عملیات متنی
  • 7. مقدمه‌ای بر NumPy برای محاسبات عددی
  • 8. آرایه‌های NumPy و عملیات پایه
  • 9. ایندکس‌گذاری و برش در آرایه‌های NumPy
  • 10. عملیات ریاضی و آماری با NumPy
  • 11. مقدمه‌ای بر Pandas برای تحلیل داده
  • 12. ساختار داده Series در Pandas
  • 13. ساختار داده DataFrame در Pandas
  • 14. بارگذاری و ذخیره‌سازی داده‌ها در Pandas
  • 15. انتخاب و فیلتر کردن داده‌ها در DataFrame
  • 16. دستکاری و پاکسازی داده‌ها
  • 17. مدیریت مقادیر گمشده
  • 18. ادغام و اتصال DataFrames
  • 19. گروه‌بندی و تجمیع داده‌ها
  • 20. عملیات زمانی در Pandas
  • 21. مقدمه‌ای بر مصورسازی داده‌ها
  • 22. مصورسازی با Matplotlib
  • 23. مصورسازی پیشرفته با Matplotlib
  • 24. مصورسازی با Seaborn
  • 25. نمودارهای پراکندگی و خطی
  • 26. نمودارهای میله‌ای و هیستوگرام
  • 27. نمودارهای جعبه‌ای و ویولن
  • 28. نقشه‌های حرارتی
  • 29. مقدمه‌ای بر یادگیری ماشین
  • 30. انواع مسائل یادگیری ماشین
  • 31. یادگیری با نظارت: رگرسیون
  • 32. مدل‌های رگرسیون خطی
  • 33. ارزیابی مدل‌های رگرسیون
  • 34. یادگیری با نظارت: طبقه‌بندی
  • 35. مدل‌های طبقه‌بندی: رگرسیون لجستیک
  • 36. مدل‌های طبقه‌بندی: ماشین‌های بردار پشتیبان
  • 37. مدل‌های طبقه‌بندی: درختان تصمیم
  • 38. مدل‌های طبقه‌بندی: جنگل‌های تصادفی
  • 39. ارزیابی مدل‌های طبقه‌بندی: معیارهای پایه
  • 40. ماتریس درهم‌ریختگی
  • 41. دقت، صحت و بازیابی
  • 42. امتیاز F1
  • 43. یادگیری بدون نظارت: خوشه‌بندی
  • 44. الگوریتم K-Means
  • 45. ارزیابی خوشه‌بندی
  • 46. کاهش ابعاد
  • 47. تحلیل مولفه‌های اصلی (PCA)
  • 48. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 49. توکن‌سازی و حذف کلمات توقف
  • 50. ریشه‌یابی و لماتیزاسیون
  • 51. نمایش متنی: مدل کیسه کلمات
  • 52. نمایش متنی: TF-IDF
  • 53. مقدمه‌ای بر شبکه‌های عصبی
  • 54. ساختار پرسپترون
  • 55. شبکه‌های عصبی پیشخور
  • 56. تابع فعال‌سازی
  • 57. آموزش شبکه‌های عصبی: پس‌انتشار خطا
  • 58. بهینه‌سازی مدل‌های شبکه‌های عصبی
  • 59. مقدمه‌ای بر یادگیری عمیق
  • 60. شبکه‌های عصبی کانولوشنال (CNN)
  • 61. کاربرد CNN در بینایی ماشین
  • 62. شبکه‌های عصبی بازگشتی (RNN)
  • 63. کاربرد RNN در پردازش توالی
  • 64. شبکه‌های حافظه طولانی کوتاه (LSTM)
  • 65. مقدمه‌ای بر مدل‌های زبانی بزرگ
  • 66. کاربرد مدل‌های زبانی بزرگ در NLP
  • 67. کاربرد مدل‌های زبانی بزرگ در تولید متن
  • 68. مقدمه‌ای بر یادگیری تقویتی
  • 69. مفاهیم پایه یادگیری تقویتی
  • 70. الگوریتم‌های یادگیری تقویتی
  • 71. کاربرد یادگیری تقویتی
  • 72. مقدمه‌ای بر مهندسی ویژگی
  • 73. روش‌های انتخاب ویژگی
  • 74. انتخاب ویژگی مبتنی بر فیلتر
  • 75. انتخاب ویژگی مبتنی بر Wrapper
  • 76. انتخاب ویژگی مبتنی بر Embedded
  • 77. مهندسی ویژگی برای داده‌های طبقه‌بندی
  • 78. مهندسی ویژگی برای داده‌های رگرسیون
  • 79. مقدمه‌ای بر ارزیابی مدل‌های پیشرفته
  • 80. اعتبارسنجی متقابل
  • 81. تنظیم ابرپارامترها
  • 82. جستجوی شبکه‌ای
  • 83. جستجوی تصادفی
  • 84. مقدمه‌ای بر اخلاق در علم داده
  • 85. سوگیری در الگوریتم‌ها
  • 86. حریم خصوصی داده‌ها
  • 87. مسئولیت‌پذیری در علم داده
  • 88. کاربرد علم داده در کسب‌وکار
  • 89. تحلیل داده‌های مشتریان
  • 90. پیش‌بینی فروش
  • 91. مقدمه‌ای بر ابزارهای علم داده در ایران
  • 92. پلتفرم‌های تحلیل داده بومی
  • 93. چالش‌های علم داده در ایران
  • 94. مسیر شغلی در علم داده
  • 95. توسعه مهارت‌های مداوم
  • 96. 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.