پی سی دانلود - آموزش-داده-کاوی

این دوره برای افرادی طراحی شده است که مایلند مهارت‌های خود را به عنوان متخصص یادگیری ماشین ارتقا دهند، اما نمی‌دانند از کجا شروع کنند. برای دستیابی به این هدف، نیازی به آموزش رسمی در علم داده نیست. در طول این دوره، مَت هریسون به عنوان مدرس، شرکت‌کنندگان را با مفاهیم کلیدی یادگیری ترکیبی آشنا می‌کند. در این دوره، روش‌های مختلف یادگیری ترکیبی از جمله بگینگ (Bagging)، بوستینگ (Boosting) و استکینگ (Stacking) بررسی می‌شوند. شرکت‌کنندگان یاد می‌گیرند که چگونه این روش‌ها را با استفاده از کتابخانه‌های محبوب پایتون مانند سایکیت‌لرن (scikit-learn) و ایکس‌جی‌بوست (XGBoost) پیاده‌سازی کنند. در پایان این دوره، شرکت‌کنندگان به مهارت‌های لازم برای پیاده‌سازی و بهینه‌سازی مدل‌های ترکیبی در وظایف واقعی یادگیری ماشین مجهز خواهند شد. این دوره با گیت‌هاب کداسپیسز (GitHub Codespaces) یکپارچه شده است؛ یک محیط توسعه‌دهنده ابری فوری که تمام قابلیت‌های IDE مورد علاقه شما را بدون نیاز به هیچ گونه تنظیمات محلی فراهم می‌کند. با استفاده از گیت‌هاب کداسپیسز، می‌توان در هر زمان و از هر دستگاهی به صورت عملی تمرین کرد – و این در حالی است که از ابزاری استفاده می‌شود که به احتمال زیاد در محیط کار نیز با آن مواجه خواهید شد. برای شروع کار، مطالعه بخش "استفاده از گیت‌هاب کداسپیسز" همراه با این دوره توصیه می‌شود. این دوره به شرکت‌کنندگان کمک می‌کند تا درک عمیقی از یادگیری ترکیبی پیدا کرده و آن را در پروژه‌های خود به کار گیرند، که این امر به بهبود عملکرد مدل‌های یادگیری ماشین و افزایش دقت پیش‌بینی‌ها منجر می‌شود. تأکید این دوره بر جنبه‌های عملی پیاده‌سازی و استفاده از ابزارهای صنعتی است تا شرکت‌کنندگان بتوانند دانش خود را مستقیماً در سناریوهای واقعی به کار گیرند و به متخصصانی کارآمد در زمینه یادگیری ماشین تبدیل شوند.
در دوره آموزشی Applied Machine Learning: Ensemble Learning با پیاده‌سازی و بهینه‌سازی مدل‌های یادگیری ترکیبی آشنا خواهید شد.

«چگونگی استفاده از داده» مجموعه‌ای شامل ۳ دوره است که برای تجهیز فراگیران به مهارت‌های ضروری لازم برای شروع یک حرفه در زمینه تحلیل داده طراحی شده است. این تخصص بر توانایی شناسایی و پاسخ‌گویی به سؤالات حیاتی کسب‌وکار با استفاده از داده‌ها تأکید دارد، در حالی که یک پایه جامع در فرایندهای کلیدی تحلیل داده ارائه می‌دهد. در دوره اول، شرکت‌کنندگان با اصول تحلیل داده، علم داده و آنالیز داده آشنا می‌شوند. آن‌ها ابزارها و زبان‌های برنامه‌نویسی ضروری را از طریق مطالعات موردی واقعی فرا می‌گیرند. در ادامه، بر تکنیک‌های آماده‌سازی و ساماندهی داده با استفاده از SQL مسلط می‌شوند و تجربه عملی در ذخیره‌سازی، دسترسی و دست‌کاری داده‌ها با استفاده از پایگاه‌های داده رابطه‌ای به دست می‌آورند. با ورود به مرحله تحلیل اکتشافی داده (EDA) با پایتون، شرکت‌کنندگان مهارت‌هایی در بازرسی، پرس‌وجو، خلاصه‌سازی و بصری‌سازی داده‌ها کسب می‌کنند. علاوه بر این، آن‌ها یاد می‌گیرند که چگونه تکنیک‌های تحلیل پیش‌بینی‌کننده —مانند رگرسیون، درخت‌های تصمیم، جنگل‌های تصادفی و خوشه‌بندی— را برای حل چالش‌های پیچیده کسب‌وکار و انجام پیش‌بینی‌های مبتنی بر داده به کار ببرند. در نهایت، شرکت‌کنندگان در ایجاد بصری‌سازی‌های تأثیرگذار با Tableau و ارائه مؤثر بینش‌های داده به ذینفعان تخصص پیدا می‌کنند، که آن‌ها را قادر می‌سازد تا تصمیم‌گیری آگاهانه را در سناریوهای واقعی هدایت کنند. این تخصص شامل انواع تکالیف با نمره و تمرینی است، هم در قالب بررسی‌های یادگیری با تلاش‌های متعدد و هم در قالب تکالیف برنامه‌نویسی از طریق پلتفرم Codio. تکالیف تمرینی در این دوره برای نمره نهایی محاسبه نمی‌شوند. تمامی تکالیف دیگر به صورت خودکار نمره‌دهی می‌شوند و بازخورد فوری به فراگیران ارائه می‌دهند. لطفاً در صورت داشتن هرگونه سؤال در مورد تکالیف یا دستورالعمل‌ها، در انجمن‌های گفتگو واقع در هر ماژول شرکت کنید. مرورگر Google Chrome برای تکمیل تکالیف کدنویسی توصیه می‌شود.
در دوره آموزشی How to Use Data Specialization با تجزیه و تحلیل داده‌ها، ساخت مدل‌های پیش‌بینی‌کننده و ارائه بینش‌های کاربردی آشنا خواهید شد.

علم داده (Data Science)، دانشی میان‌رشته‌ای پیرامون استخراج دانش و آگاهی از مجموعه‌ای داده و اطلاعات است. علم داده از ترکیب مباحث مختلفی به وجود آمده و بر مبانی و روش‌های موجود در حوزه‌های مختلف علمی بنا شده‌است. تعدادی از این حوزه‌ها عبارتند از: ریاضیات، آمار، مهندسی داده، بازشناخت الگو و... هدف این علم، استخراج مفهوم از داده و تولید محصولات داده‌محور است. کتابخانه‌ی Pandas ساختار داده‌ی جدید و ابزارهایی را برای تجزیه و تحلیل کاربردی و عملی بر روی داده‌ها در زمینه‌هایی چون اقتصاد، آمار، علوم اجتماعی و مهندسی فراهم نموده است. Pandas به راحتی می‌تواند با داده‌های ناقص، کثیف و بدون برچسب کار کند (داده‌ها و جداولی که هم اکنون نیز در سازمان‌های مختلف وجود دارد)؛ و همچنین شامل متدهایی برای تغییر شکل، ادغام و یا برش مجموعه داده‌ی ما است.
در دوره آموزشی Master Data Analysis with Python - Essential Pandas Commands با آموزش آنالیز داده ها با پایتون و دستورات پانداس اشنا خواهید شد.

پایتون (Python) یک زبان برنامه‌نویسی همه منظوره، سطح بالا، شیءگرا و مفسر است که فلسفه ایجاد آن تاکید بر دو هدف اصلی خوانایی بالای برنامه‌های نوشته شده و کوتاهی و بازدهی نسبی بالای آن است. کلمات کلیدی و اصلی این زبان به صورت حداقلی تهیه شده‌اند و در مقابل کتابخانه‌هایی که در اختیار کاربر است بسیار وسیع هستند. یک کار غیر معمول که در طراحی این زبان انجام گرفته استفاده از فاصله و جلوبردن متن برنامه برای مشخص کردن بلوک‌های مختلف کد است. پایتون مدل‌های مختلف برنامه نویسی (از جمله شیء گرا و برنامه نویسی دستوری و تابع محور) را پشتیبانی می‌کند و برای مشخص کردن نوع متغییرها از یک سامانه پویا استفاده می‌کند. زبان پایتون به دلیل سادگی ,قدرت و مودال‌های کامل آن مورد توجه خیلی از سازمان‌ها  مانند گوگل، یاهو و IBM قرار گرفته است.
در دوره آموزشی Data Science with Python Certification Course با آموزش مدرک پایتون برای علوم داده اشنا خواهید شد.