راهنمای کامل هوش مصنوعی و علوم داده برای SQL: از مبتدی تا پیشرفته

مدرس Walter Shields

انتشار 2024/01/04

به‌روز‌رسانی 2025/03/28

مدت زمان 5h 29m

سطح مناسب همه

فایل تمرینی دارد

آموزش Complete Guide to AI and Data Science for SQL: From Beginner to Advanced

ممکن است لازم باشد از SQL در هماهنگی با هوش مصنوعی و علم داده استفاده کنید، اما اگر قبلاً نمی دانید چگونه می توانید از کجا یاد بگیرید؟ در این دوره آموزشی عمیق، مدرس فناوری و نویسنده پرفروش والتر شیلدز با مفاهیم و پروژه‌های سطح مبتدی شروع می‌کند و شما را از طریق مجموعه‌ای از ویدئوهای جذاب و چالش‌ها به سمت مفاهیم پیشرفته‌تر راهنمایی می‌کند. مقدمه ای کامل با علم داده و همچنین هوش مصنوعی، ML و DL داشته باشید، سپس به آمار و احتمال، رگرسیون خطی، و آماده سازی و کاوش داده ها بپردازید. علاوه بر ساخت و ارزیابی مدل، تجسم و پیش پردازش داده ها را کاوش کنید. در مورد تفسیر مدل بیاموزید، سپس آنچه را که در دوره یاد گرفته اید با پروژه نهایی نشان دهید.

Applied Machine Learning Artificial Intelligence (AI) SQL

Introduction

AI and data science: Introduction ()

What you should know ()

Using the course exercise files ()

1. Introduction to Data Science

Data science explained ()

Data or information: What's the difference? ()

Data's increasing influence ()

Comparing data roles ()

Necessary skills for data science ()

Real-world applications ()

Challenge: Data ()

Solution: Data ()

2. AI, ML, and DL

The evolving face of artificial intelligence ()

Machine learning problem classifications ()

Machine learning approaches for business scenarios ()

Challenge: AI ()

Solution: AI ()

3. Introduction to Stats and Probability

Statistics defined ()

Statistical mindset ()

Types of statistics ()

Descriptive statistics ()

Inferential statistics (probability) ()

Python ()

Challenge: Statistics ()

Solution: Statistics ()

4. The Foundations of Regression Analysis

Dive Into machine learning with regression ()

Understanding the essentials of linear regression ()

Navigating the world of multiple regression ()

Decoding the secrets of the regression line ()

Perfecting your model: Evaluation and validation ()

5. Advanced Techniques and Model Refinement

From Predicting to Understanding ()

Breaking Down Data Relationships with Regression ()

Crafting Elegance in Machine Learning Models ()

Hitting the Right Note - The Bias-Variance Trade-off ()

Fine-Tuning Your Models ()

Remixing Data with Bootstrapping ()

Regression Analysis: A Practical Application ()

6. Practical Applications and Beyond

Model Diagnostics and Assumption Testing ()

Unlocking the Secrets Behind Coefficients ()

Polynomial Paths and Interactions ()

Striking a Balance with Regularization Techniques ()

Beyond the Basics - Advanced Model Evaluation Metrics ()

Non-parametric Regression Methods ()

Case Studies in Regression Analysis ()

7. Predicting House Prices with Linear Regression

Project goal ()

Project steps ()

Python environment setup ()

Project approach ()

8. Data Preparation and Exploration

Importing necessary libraries and dataset overview ()

Loading the data ()

Checking the data info ()

Summary statistics of the dataset ()

Checking the distribution of the variables ()

Applying log transformation and re-checking distribution ()

Challenge: Preparation ()

Solution: Preparation ()

9. Data Visualization and Exploration

Bivariate analysis: Heat-map ()

Visualizing relationships: Age of homes and distance to work ()

Visualizing relationships: Highway access and property tax ()

Checking correlation after removing outliers ()

Visualizing relationships: Other pairs of variables ()

Challenge: Visualization ()

Solution: Visualization ()

10. Data Preprocessing

Splitting the dataset into train and test sets ()

Checking for multicollinearity using VIF ()

Removing multicollinearity by dropping the tax feature ()

Challenge: Preprocessing ()

Solution: Preprocessing ()

11. Model Building and Evaluation

Creating the linear regression model and model summary: Part 1 ()

Creating the linear regression model and model summary: Part 2 ()

Creating the linear regression model and model summary: Part 3 ()

Dropping insignificant variables and re-creating the model ()

Checking assumptions for linear regression ()

Assumption 1: Checking for mean residuals ()

Assumption 2: Checking homoscedasticity ()

Assumption 3: Checking linearity ()

Assumption 4: Checking normality of error terms ()

Q-Q plot for checking the normality of error terms ()

Model performance comparison on train and test data ()

Applying cross-validation and evaluation ()

Challenge: Model building ()

Solution: Model building ()

12. Model Interpretation and Reporting

Extracting and creating a DataFrame of coefficients ()

Writing the linear regression equation and coefficients ()

Conclusions and business recommendations ()

Challenge: Interpretation ()

Solution: Interpretation ()

13. Final Project

Final project details ()

Final project solution walkthrough ()

Conclusion

Next steps ()

Ex_Files_SQL_for_AI_Data_Science.zip (3.2 MB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.