پایتون پیشرفته
پایتون و کار با پایگاه داده
برنامه نویسی موازی و تردها (Threads)
Yield
شیئ گرایی
کار با تصاویر
عبارات منظم و Webscraping
طراحی رابط کاربری با tkinter
مدیریت زمان و تاریخ میلادی و شمسی
تحلیل اکتشافی داده ها
اهمیت تحلیل اکتشافی داده‌ها در فرآیند علم داده
درک ساختار داده‌ها و شناسایی انواع متغیرها
مرور مراحل مختلف در تحلیل اکتشافی داده‌ها
مدیریت داده‌های گمشده: شناسایی، جایگزینی (()fillna) و حذف (()dropna)
مدیریت داده‌های تکراری: شناسایی و حذف داده‌های تکراری
تبدیل نوع داده‌ها ( ()astype(), to_datetime )
مدیریت مقادیر پرت با استفاده از تکنیک‌های آماری (IQR، Z-Score و غیره)
کدگذاری متغیرهای دسته‌ای با استفاده از Label Encoding و One-Hot Encoding (pd.get_dummies())
مقیاس‌بندی و نرمال‌سازی: مقیاس‌بندی Min-Max و نرمال‌سازی Z-Score
مهندسی ویژگی: ایجاد ویژگی‌های جدید بر اساس ویژگی‌های موجود
تبدیل داده‌ها با استفاده از Log Transformation، دسته‌بندی و ویژگی‌های چندجمله‌ای
تحلیل ویژگی‌های فردی با استفاده از آمار توصیفی: میانگین، میانه، مد، واریانس، انحراف معیار
مصورسازی توزیع‌ها با هیستوگرام‌ها و نمودارهای چگالی
نمودارهای جعبه‌ای برای مصورسازی توزیع و شناسایی مقادیر پرت
بررسی گرایش‌های مرکزی و پراکندگی متغیرهای پیوسته
تحلیل روابط بین متغیرهای مختلف
نمودارهای پراکندگی و نمودارهای جفتی برای شناسایی روابط بین متغیرها
ماتریس همبستگی و نقشه‌های حرارتی برای شناسایی روابط خطی بین متغیرها
یادگیری ماشین از مقدماتی تا پیشرفته
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
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.
