سپنتا کتاب اکسپرس
کتاب علم داده با پایتون: از مبانی تا کاربردهای پیشرفته

کتاب علم داده با پایتون: از مبانی تا کاربردهای پیشرفته

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 علم داده با پایتون: از مبانی تا کاربردهای پیشرفته

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: تحلیل داده و یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

  • 1. مبانی علم داده و پایتون
  • 2. نصب و راه‌اندازی محیط توسعه پایتون
  • 3. ساختار داده‌های بنیادی در پایتون
  • 4. آشنایی با کتابخانه NumPy برای محاسبات عددی
  • 5. عملیات برداری در NumPy
  • 6. آرایه‌های چندبعدی و عملیات روی آن‌ها
  • 7. مبانی کتابخانه Pandas برای تحلیل داده
  • 8. ساختار داده DataFrame در Pandas
  • 9. عملیات پایه‌ای با DataFrame
  • 10. فیلتر کردن و انتخاب داده‌ها در Pandas
  • 11. مرتب‌سازی و گروه‌بندی داده‌ها
  • 12. ادغام و پیوستن DataFrame ها
  • 13. مدیریت داده‌های گم‌شده و پرت
  • 14. مصورسازی داده‌ها با Matplotlib
  • 15. نمودارهای خطی و پراکندگی
  • 16. نمودارهای میله‌ای و هیستوگرام
  • 17. نمودارهای جعبه‌ای و نمودارهای دایره‌ای
  • 18. مبانی یادگیری ماشین
  • 19. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
  • 20. مراحل کلی در پروژه‌های یادگیری ماشین
  • 21. پیش‌پردازش داده‌ها برای یادگیری ماشین
  • 22. مقیاس‌بندی و نرمال‌سازی ویژگی‌ها
  • 23. کدگذاری متغیرهای دسته‌ای
  • 24. انتخاب ویژگی و مهندسی ویژگی
  • 25. مبانی الگوریتم‌های یادگیری نظارت‌شده
  • 26. رگرسیون خطی ساده و چندگانه
  • 27. ارزیابی مدل‌های رگرسیون
  • 28. دسته‌بندی‌کننده K-نزدیک‌ترین همسایه (KNN)
  • 29. دسته‌بندی‌کننده Naive Bayes
  • 30. درخت‌های تصمیم برای رگرسیون و دسته‌بندی
  • 31. دسته‌بندی‌کننده ماشین بردار پشتیبان (SVM)
  • 32. مبانی الگوریتم‌های یادگیری بدون نظارت
  • 33. خوشه‌بندی K-Means
  • 34. ارزیابی نتایج خوشه‌بندی
  • 35. تحلیل مؤلفه‌های اصلی (PCA) برای کاهش ابعاد
  • 36. مبانی شبکه‌های عصبی و یادگیری عمیق
  • 37. ساختار یک شبکه عصبی ساده
  • 38. توابع فعال‌سازی در شبکه‌های عصبی
  • 39. پس‌انتشار خطا (Backpropagation)
  • 40. مقدمه‌ای بر کتابخانه Scikit-learn
  • 41. پیاده‌سازی رگرسیون خطی با Scikit-learn
  • 42. پیاده‌سازی KNN با Scikit-learn
  • 43. پیاده‌سازی Naive Bayes با Scikit-learn
  • 44. پیاده‌سازی درخت تصمیم با Scikit-learn
  • 45. پیاده‌سازی SVM با Scikit-learn
  • 46. پیاده‌سازی K-Means با Scikit-learn
  • 47. پیاده‌سازی PCA با Scikit-learn
  • 48. تنظیم ابرپارامترها و اعتبارسنجی متقابل
  • 49. عیب‌یابی و بهبود مدل‌ها
  • 50. بایاس و واریانس در یادگیری ماشین
  • 51. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
  • 52. تکنیک‌های تنظیم‌کننده (Regularization)
  • 53. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 54. تحلیل احساسات متنی
  • 55. مدل‌سازی موضوعی (Topic Modeling)
  • 56. مقدمه‌ای بر سری‌های زمانی
  • 57. پیش‌بینی سری‌های زمانی
  • 58. مقدمه‌ای بر سیستم‌های توصیه‌گر
  • 59. فیلترسازی مشارکتی
  • 60. مقدمه‌ای بر یادگیری تقویتی
  • 61. مفاهیم عامل، محیط، پاداش
  • 62. شبکه‌های عصبی کانولوشنال (CNN)
  • 63. کاربرد CNN در بینایی ماشین
  • 64. شبکه‌های عصبی بازگشتی (RNN)
  • 65. کاربرد RNN در پردازش توالی
  • 66. استفاده از TensorFlow و Keras
  • 67. ساخت مدل‌های یادگیری عمیق با Keras
  • 68. آموزش و ارزیابی مدل‌های یادگیری عمیق
  • 69. کاربردهای پیشرفته علم داده
  • 70. علم داده در حوزه سلامت
  • 71. علم داده در حوزه مالی
  • 72. علم داده در حوزه بازاریابی
  • 73. علم داده در حوزه تولید
  • 74. مقدمه‌ای بر داده‌های بزرگ (Big Data)
  • 75. مفاهیم MapReduce و Hadoop
  • 76. کاربرد Spark در تحلیل داده‌های بزرگ
  • 77. اخلاق در علم داده و هوش مصنوعی
  • 78. حفظ حریم خصوصی در تحلیل داده
  • 79. سوگیری در الگوریتم‌های یادگیری ماشین
  • 80. مسئولیت‌پذیری در سیستم‌های هوشمند
  • 81. مقدمه‌ای بر هوش مصنوعی قابل توضیح (XAI)
  • 82. تفسیرپذیری مدل‌های یادگیری ماشین
  • 83. کاربرد علم داده در اتوماسیون
  • 84. اتوماسیون فرآیندهای کسب‌وکار
  • 85. مقدمه‌ای بر داده‌کاوی
  • 86. تکنیک‌های کشف دانش در پایگاه داده
  • 87. ارزیابی و اعتبارسنجی مدل‌های علم داده
  • 88. شاخص‌های ارزیابی مدل‌های دسته‌بندی
  • 89. شاخص‌های ارزیابی مدل‌های رگرسیون
  • 90. بهینه‌سازی مدل‌های یادگیری ماشین
  • 91. استراتژی‌های انتخاب مدل مناسب
  • 92. پیاده‌سازی پروژه‌های علم داده واقعی
  • 93. تحلیل داده‌های مشتریان
  • 94. پیش‌بینی تقاضا
  • 95. شناسایی تقلب
  • 96. کاربرد شبکه‌های عصبی در پردازش تصویر
  • 97. تشخیص اشیاء در تصاویر
  • 98. علم داده و اینترنت اشیا (IoT)
  • 99. تحلیل داده‌های سنسورها
  • 100. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-task Learning)

📚 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.