Data Analysis with Python

Categories: دروس کورسرا
Wishlist Share
Share Course
Page Link
Share On Social Media

About Course

تجزیه و تحلیل داده ها با پایتون یک مهارت ضروری برای دانشمندان داده (دیتاساینتیست ها) و تحلیلگران داده (دیتا آنالیست ها) است. این دوره شما را از مبانی تجزیه و تحلیل داده ها با پایتون تا ساخت و ارزیابی مدل های داده هدایت میکند.

موضوعات پوشش داده شده شامل:
جمع آوری و وارد کردن داده ها

تمیز کردن، آماده سازی و قالب بندی داده ها

دستکاری فریم داده ها

خلاصه سازی داده ها

ساخت مدل های رگرسیون یادگیری ماشین

بهبود مدل

ایجاد پایپ لاین داده

شما یاد خواهید گرفت که چگونه داده ها را از منابع مختلف وارد کنید، داده ها را تمیز و آماده کنید، تجزیه و تحلیل داده های اکتشافی  انجام دهید و تجسم های داده معنادار ایجاد کنید. سپس با توسعه مدل های رگرسیون خطی، چندگانه و چندجمله ای و پایپ لاین، روندهای آینده را از داده ها پیشبینی خواهید کرد و یاد خواهید گرفت که چگونه آنها را ارزیابی کنید.

علاوه بر ویدیوهای آموزشی، شما با استفاده از آزمایشگاه ها و پروژه های عملی یاد خواهید گرفت و تمرین خواهید کرد. شما با چندین کتابخانه منبع باز پایتون، از جمله Pandas و Numpy برای بارگذاری، دستکاری، تجزیه و تحلیل و تجسم دادههای جالب کار خواهید کرد. همچنین با scipy و scikit-learn برای ساخت مدل های یادگیری ماشین و انجام پیشبینی ها کار خواهید کرد.

Show More

Course Content

Module 1
در این ماژول، شما یاد خواهید گرفت که چگونه داده ها را بشناسید و با استفاده از کتابخانه های پایتون، داده ها را از منابع مختلف وارد کنید. سپس یاد خواهید گرفت که چگونه برخی از عملیات پایه ای را برای شروع تجزیه و تحلیل مجموعه داده های وارد شده انجام دهید.

  • Introduction
    01:44
  • Understanding the Data
    02:35
  • Python Packages for DataScience
    02:36
  • Importing and Exporting Data in Python
    04:19
  • Getting Started Analyzing Data in Python
    04:25
  • Accessing Databases with Python
    04:07

Module 2
در این ماژول، شما یاد خواهید گرفت که چگونه پیش پردازش روی داده ها انجام دهید. عملیات مربوط به پیش پردازش شامل مدیریت مقادیر ازبین رفته در داده ها، قالب بندی داده ها برای استانداردسازی و یکسان سازی آن ها، نرمال سازی داده ها، گروه بندی مقادیر داده ها در دسته ها و تبدیل متغیرهای دسته ای به متغیرهای کمی عددی است.

Module 3
در این ماژول، شما یاد خواهید گرفت که تحلیل داده های اکتشافی به چه معناست و چگونه محاسباتی را بر روی داده ها انجام دهید تا اطلاعات آماری توصیفی پایه ای مانند میانگین، میانه، مد و مقادیر چارکی را محاسبه کنید و از آن اطلاعات برای درک بهتر توزیع داده ها استفاده کنید. شما یاد خواهید گرفت که چگونه داده های خود را به گروه هایی تقسیم کنید تا بتوانید داده ها را بهتر تجسم کنید، روش همبستگی پیرسون را برای مقایسه دو متغیر عددی پیوسته استفاده کنید و از آزمون کای-دو برای یافتن ارتباط بین دو متغیر دسته ای و تفسیر آنها استفاده کنید.

Module 4
در این ماژول، شما یاد خواهید گرفت که چگونه متغیر توضیحی و متغیر پاسخ را تعریف کنید و تفاوت های بین مدل های رگرسیون خطی ساده و رگرسیون خطی چندگانه را درک کنید. شما یاد خواهید گرفت که چگونه یک مدل را با استفاده از تجسم ارزیابی کنید و درباره رگرسیون چندجمله ای و پایپ لاین ها یاد بگیرید. همچنین یاد خواهید گرفت که چگونه از مقادیر R-squared و میانگین مربع خطا برای انجام ارزیابی های درون نمونه ای استفاده کنید تا مدل خود را به صورت عددی ارزیابی کنید. و در نهایت، شما درباره پیشبینی و تصمیم گیری در تعیین اینکه آیا مدل ما صحیح است یا خیر، یاد خواهید گرفت.

Module 5
در این ماژول، شما درباره اهمیت ارزیابی مدل یاد خواهید گرفت و تکنیک های مختلف بهبود مدل داده ها را مورد بحث قرار خواهید داد. شما درباره انتخاب مدل و چگونگی شناسایی overfitting و underfitting در یک مدل پیشبینی یاد خواهید گرفت. همچنین درباره استفاده از رگرسیون Ridge برای منظم سازی و کاهش خطاهای استاندارد به منظور جلوگیری از overfitting یک مدل رگرسیون و چگونگی استفاده از روش جستجوی شبکه ای برای تنظیم hyperparameter های یک تخمینگر یاد خواهید گرفت.

Student Ratings & Reviews

No Review Yet
No Review Yet
Scroll to Top