تحلیل داده با پایتون 2
ایجاد DataFrame00:00
ارزیابی Lazy00:00
انواع داده و Schema00:00
فیلتر و انتخاب00:00
مرتبسازی00:00
گروهبندی و تجمیع00:00
عملیات Join00:00
توابع Window00:00
Pivot و Melt00:00
توابع سفارشی00:00
معرفی زیرپکیجهای SciPy00:00
عملیات پایه آرایهها با SciPy00:00
آمار توصیفی00:00
آزمون فرضیه00:00
توزیعهای احتمالی00:00
تکنیکهای بهینهسازی00:00
درونیابی و تطبیق منحنی00:00
مقادیر ویژه و تجزیه مقدار تکین00:00
فیلتر و صاف کردن داده00:00
تحلیل طیفی00:00
پروژه نهایی00:00
ماتریس
مرور عملیات ماتریسی (جمع، ضرب)00:00
ترانهاده و ماتریسهای بلوکی00:00
مقادیر ویژه و بردارهای ویژه، قطریسازی00:00
تحلیل مولفههای اصلی (PCA) برای کاهش ابعاد00:00
ماتریس کوواریانس و ماتریس همبستگی00:00
تجزیه مقدار منفرد (SVD)00:00
کاربردها در سیستمهای توصیهگر و پردازش تصویر00:00
کاربرد ماتریس در علم پردازش زبان طبیعی (NLP)00:00
مرور مثالها و حل تمرینها00:00
مبانی یادگیری ماشین
مقدمه ای بر هوش مصنوعی و یادگیری ماشینی00:00
یادگیری با نظارت (Supervised ) در مقابل یادگیری بدون نظارت (Unsupervised)00:00
مفاهیم کلیدی در یادگیری ماشین00:00
مقدمهای بر داده و اهمیت آن در هوش مصنوعی00:00
مرور کلی بر الگوریتمهای رایج در یادگیری ماشین00:00
ارزیابی مدلها و عملکرد آنها00:00
ساخت اولین مدل یادگیری ماشین00:00
پیادهسازی یادگیری ماشین
مدلهای یادگیری نظارتشده00:00
مدلهای یادگیری بدون نظارت00:00
انتخاب مدل و تنظیم ابرپارامترها00:00
روشهای یادگیری تجمعی00:00
مبانی یادگیری عمیق با PyTorch00:00
شبکههای عصبی پیچشی (CNN)00:00
شبکههای عصبی بازگشتی (RNN) و دادههای ترتیبی00:00
معماریهای پیشرفته یادگیری عمیق و انتقال یادگیری00:00
کاربردهای واقعی و مطالعات موردی00:00
جریان کاری توسعه پروژه و بهترین شیوهها00:00
پروژه نهایی (Capstone Project)00:00
مبانی شبکههای عصبی
مقدمهای بر شبکههای عصبی00:00
ساختار یک شبکه عصبی00:00
انتشار رو به جلو00:00
توابع هزینه و بهینهسازی00:00
انتشار برگشتی و گرادیان نزولی00:00
توابع فعالسازی00:00
چالشهای شبکههای عصبی00:00
آمادهسازی و پیشپردازش دادهها مرحلهای کلیدی در پروژههای تحلیل داده و یادگیری ماشین است که کیفیت دادهها را بهبود بخشیده و کارایی مدلها را افزایش میدهد. این فرآیند شامل پاکسازی دادهها برای حذف خطاها و دادههای نامعتبر، مدیریت دادههای گمشده با روشهایی مانند جایگزینی یا پیشبینی، و تحلیل اکتشافی برای شناسایی الگوها و روابط در دادهها است. همچنین، تبدیل و تغییر دادهها با تکنیکهایی مانند نرمالسازی و مقیاسبندی، مهندسی ویژگیها برای استخراج متغیرهای معنادار، و کدگذاری دادههای دستهای برای آمادهسازی آنها جهت استفاده در مدلهای یادگیری ماشین انجام میشود. در نهایت، از تکنیکهایی مانند تحلیل مؤلفههای اصلی (PCA) و تحلیل تفکیک خطی (LDA) برای کاهش ابعاد دادهها و سادهسازی مدلها استفاده میشود. اجرای این مراحل به تولید مدلهای دقیقتر و نتایج قابل اعتمادتر کمک میکند.
