سپنتا کتاب اکسپرس
کتاب پیاده‌سازی فرآیند هوشمند کاوش داده (CRISP-DM) با استفاده از خدمات ابری AWS

کتاب پیاده‌سازی فرآیند هوشمند کاوش داده (CRISP-DM) با استفاده از خدمات ابری AWS

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 پیاده‌سازی فرآیند هوشمند کاوش داده (CRISP-DM) با استفاده از خدمات ابری AWS

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: مدل‌سازی فرآیندهای علم داده

📋 سرفصل‌های دوره

  • 1. مقدمه ای بر علم داده و هوش مصنوعی
  • 2. چرایی و اهمیت مدل‌سازی فرآیند
  • 3. معرفی چارچوب CRISP-DM
  • 4. مراحل اصلی CRISP-DM
  • 5. فاز درک کسب و کار
  • 6. تعریف اهداف کسب و کار
  • 7. ارزیابی وضعیت کسب و کار
  • 8. تعیین اهداف علم داده
  • 9. تولید طرح پروژه علم داده
  • 10. فاز درک داده
  • 11. جمع‌آوری داده‌های اولیه
  • 12. شرح داده‌ها
  • 13. اکتشاف داده‌ها
  • 14. اعتبارسنجی داده‌ها
  • 15. فاز آماده‌سازی داده
  • 16. انتخاب داده‌ها
  • 17. پاکسازی داده‌ها
  • 18. ساخت ویژگی‌ها
  • 19. ادغام داده‌ها
  • 20. قالب‌بندی داده‌ها
  • 21. فاز مدل‌سازی
  • 22. انتخاب تکنیک‌های مدل‌سازی
  • 23. طراحی تست مدل
  • 24. ساخت مدل
  • 25. ارزیابی مدل (اولیه)
  • 26. فاز ارزیابی
  • 27. ارزیابی نتایج مدل
  • 28. مرور فرآیند
  • 29. تعیین گام‌های بعدی
  • 30. فاز استقرار
  • 31. برنامه‌ریزی استقرار
  • 32. برنامه‌ریزی پایش و نگهداری
  • 33. تولید گزارش نهایی
  • 34. تولید طرح نهایی
  • 35. مقدمه ای بر خدمات ابری AWS
  • 36. معرفی AWS S3 برای ذخیره‌سازی داده
  • 37. استفاده از AWS Glue برای آماده‌سازی داده
  • 38. معرفی AWS SageMaker برای مدل‌سازی
  • 39. مدیریت داده در AWS
  • 40. امنیت داده در AWS
  • 41. مقدمه ای بر مفاهیم یادگیری ماشین
  • 42. انواع یادگیری ماشین
  • 43. یادگیری نظارت شده
  • 44. رگرسیون خطی
  • 45. رگرسیون لجستیک
  • 46. درخت تصمیم
  • 47. ماشین بردار پشتیبان (SVM)
  • 48. یادگیری نظارت نشده
  • 49. خوشه‌بندی K-Means
  • 50. تحلیل مولفه اصلی (PCA)
  • 51. یادگیری تقویتی
  • 52. شبکه‌های عصبی و یادگیری عمیق
  • 53. شبکه‌های عصبی پرسپترون چندلایه (MLP)
  • 54. شبکه‌های عصبی کانولوشنی (CNN)
  • 55. شبکه‌های عصبی بازگشتی (RNN)
  • 56. پردازش زبان طبیعی (NLP)
  • 57. تحلیل احساسات
  • 58. مدل‌سازی موضوعی
  • 59. ترجمه ماشینی
  • 60. بینایی ماشین
  • 61. تشخیص اشیاء
  • 62. تقسیم‌بندی تصویر
  • 63. مقدمه ای بر ارزیابی مدل‌ها
  • 64. معیارهای ارزیابی برای رگرسیون
  • 65. میانگین مربعات خطا (MSE)
  • 66. ریشه میانگین مربعات خطا (RMSE)
  • 67. میانگین قدر مطلق خطا (MAE)
  • 68. معیارهای ارزیابی برای طبقه‌بندی
  • 69. دقت (Accuracy)
  • 70. صحت (Precision)
  • 71. بازیابی (Recall)
  • 72. امتیاز F1
  • 73. منحنی ROC و AUC
  • 74. مقدمه ای بر مهندسی ویژگی
  • 75. اهمیت مهندسی ویژگی
  • 76. تکنیک‌های ایجاد ویژگی
  • 77. تبدیل ویژگی‌های طبقه‌ای
  • 78. تکنیک‌های کاهش ابعاد
  • 79. انتخاب ویژگی
  • 80. مقدمه ای بر استقرار مدل
  • 81. روش‌های استقرار مدل
  • 82. استقرار در AWS SageMaker
  • 83. ساخت API برای مدل
  • 84. پایش عملکرد مدل
  • 85. به‌روزرسانی و نگهداری مدل
  • 86. ملاحظات اخلاقی در علم داده
  • 87. سوگیری در داده‌ها و مدل‌ها
  • 88. حریم خصوصی داده‌ها
  • 89. شفافیت و قابلیت توضیح‌پذیری مدل‌ها
  • 90. مسئولیت‌پذیری در علم داده
  • 91. کاربرد علم داده در حوزه‌های مختلف
  • 92. علم داده در سلامت
  • 93. علم داده در مالی
  • 94. علم داده در بازاریابی
  • 95. علم داده در صنعت
  • 96. مطالعه موردی: تحلیل داده‌های فروش با CRISP-DM و AWS
  • 97. مطالعه موردی: پیش‌بینی ریزش مشتری با CRISP-DM و AWS
  • 98. مطالعه موردی: طبقه‌بندی تصاویر با CRISP-DM و AWS
  • 99. مطالعه موردی: تحلیل متن با CRISP-DM و AWS
  • 100. 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.