دوره علم داده (Data Science) - يكشنبه سه شنبه 20-16

کامپیوتر | دوره های برنامه نویسی | علم داده (Data Science)
مدت دوره:
60 ساعت
تعداد جلسات:
15 جلسه
روزهای برگزاری:
یکشنبه - سه شنبه
زمان برگزاری:
16:00 الی 20:00
مهلت ثبت نام: 1403/10/09 - 23:55
فرصت باقیمانده ثبت نام با تخفیف:

ظرفیت باقیمانده: 5
تاریخ شروع: 1403/10/09
تاریخ پایان: 1403/11/28
قیمت دوره: 7,380,000 تومان   6,150,000 تومان

علم داده مفهومی برای یکپارچه‌سازی آمار، تحلیل داده، یادگیری ماشین و دیگر مفاهیم مرتبط تحت یک عنوان واحد است. این کار به منظور درک و تحلیل پدیده‌ها با استفاده از داده‌ها انجام می‌شود. داده همواره یکی از مهم‌ترین دارایی‌های هر سازمانی بوده و می‌توان ادعا کرد که در دنیای امروز، سازمان‌ها بدون تصمیم‌گیری بر مبنای برنامه‌های استراتژیک داده ‌محور قادر به ادامه حیات نخواهند بود.

- رشته تحصيلي و تخصصي مورد نياز (پيش نياز دوره/ كارگاه):

زبان برنامه ‏نویسی پایتون برای علم داده

P آشنایی با زبان برنامه‏نویسی Python

P آشنایی با machine learning

P آشنایی با Deep Learning With Python

P آشنایی مختصری با excel

  1. ضرورت تشكيل دوره/ كارگاه: اشتغال‏زایی
  2. اهداف برگزاري دوره/ كارگاه: داده‏کاوی
  3.  
  4. سابقه برگزاري دوره در داخل يا خارج از كشور: در داخل
  5. توانايي‌هاي مورد انتظار فراگيران در پايان دوره/ كارگاه:

  6. تجزیه و تحلیل داده‏ها و داده‏کاوی

  7. زمينه‌هاي اشتغال زايي دوره/ كارگاه:

  8. تمرکز اصلی این حوزه تبدیل داده‌های معنادار به استراتژی‌های بازاریابی و تجاری است که به رشد شرکت‌ها کمک می‌کند. در علم داده، داده‌ها ذخیره و تجزیه‌وتحلیل می‌شوند تا به یک راه‌حل منطقی برسیم. امروزه کسب‌وکارها از بخش‌ها و زمینه‌های مختلف، مانند تجارت الکترونیک، پزشکی، مالی و غیره، از تجزیه‌وتحلیل داده‌ها استفاده می‌کنند. تقریبا هر بخش صنعتی و تجاری به دنبال یک متخصص ماهر در علم داده در دنیای کنونی است. اشتغال‏زایی این دوره در حوزه‏های ذیل می‏باشد:

  9. بورس و داده‌های اقتصادی
  10. علوم اجتماعی و آمارهای دولتی
  11. علوم تخصصی و پایه
  12. پردازش داده‌‌های حجیم و جریان داده‌ها
  13. مسیریابی هوشمند و تشخیص مسیر
  14. تحلیل داده‏های کسب‏و‏کار
  15. پردازش صوت، پردازش ویدیو، پردازش تصویر
  • معرفی علم داده
  • محیط‏های توسعه برای نصب کتابخانه
  • معرفی زبان برنامه‏نویسی پایون
  • محیط Jupyter Notebook
  • پیش‏پردازش داده
  • دسته‏بند نانو بیز
  • ماشین بردار پشتیبان
  • رگرسیون خطی
  • انتخاب ویژگی
  • مهندسی ویژگی
  • مدیریت داده‏های پرت
  • رمزگذاری
  • تبدیل لگاریتمی
  • مقیاس‏گذاری
  • کار با تاریخ
  • شناخت داده متوالی
  • پردازش و برش داده زمانی
  • استخراج آمار از داده زمانی
  • تولید داده با استفاده از زنجیره پنهان مارکوف
  • تجزیه و تحلیل بازار سهام
  • سرفصل: کتابخانه Tensor Flow
  • تبدیل ویژگی طبقه‏ای به عددی
  • پیاده‏سازی رگرسیون لجستیک
  • دسته‏بندی با رگرسیون لبستیک
  • آموزش مجموعه داده‏های بزرگ با یادگیری آنلاین
  • کار با دسته بند چند دسته‏ای
  •  کتابخانه pandas
  • Data Frame
  • CSV در pandas
  • اندیس و گروه‏بندی در pandas
  • Apply a Function
  • مرتب‏سازی Data Frame

  • سرفصل: کتابخانه numpy

  • معرفی numpy
  • کاربردهای numpy
  • کار با توابع range، shape، random، eye
  • ایجاد آرایه
  • دستورات محاسباتی در آرایه
  • فیلتر آرایه
  • نمایه‏سازی و برش
  • جستجو و مرتب‏سازی
  • پیاده‏سازی کواریانس و همبستگی

  •  کتابخانه matplotlib

  • معرفی کتابخانه matplotlib
  • انواع نمودار
  • رسم نمودار histogram در matplotlib
  • رسم نمودارهای box plot و violin plots در matplotlib
  • رسم نمودار scatterplot در matplotlib
  • رسم نمودار correlogram در matplotlib
  • رسم نمودارهای bar plot و pie plot در matplotlib
  • رسم نمودارهای line chart و area chart در matplotlib
  • رسم نمودارهای bubble plot در matplotlib
  •  

    برای این کلاس نظری ثبت نشده است.