راهنمای کامل برای هوش مصنوعی تولیدی برای تجزیه و تحلیل داده ها و علوم داده

مدرس Dan Sullivan

انتشار 2024/09/27

مدت زمان 10h 21m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Complete Guide to Generative AI for Data Analysis and Data Science

GenAI این پتانسیل را دارد که افراد بیشتری را قادر به کار و تجزیه و تحلیل داده ها کند، اما برای موفقیت، به یک پایه محکم در مدیریت داده، آمار و یادگیری ماشین نیاز دارید. این دوره آن پایه را فراهم می کند. مدرس Dan Sullivan به شما آموزش می‌دهد که چگونه سؤالات کسب‌وکار و سؤالات علم داده را به اجزایی که می‌توان به صورت برنامه‌نویسی به آنها پرداخت و سپس چگونه از genAI برای ایجاد برنامه‌ها و اسکریپت‌ها برای پیاده‌سازی یک راه‌حل استفاده کرد. این دوره بر روی سه رکن مورد نیاز برای یک تحلیلگر داده یا دانشمند داده موفق تمرکز می کند: مهارت های حل مسئله، درک آمار و یادگیری ماشین، و تجربه عملی با رویه های مدیریت داده.

AI for Data Analysis AI for Data Scientists Artificial Intelligence (AI) Data Analysis Data Analytics Generative AI

Introduction

Getting started ()

1. Demystifying Data: Data Analysis and Data Science

Asking questions ()

Collecting and obtaining data ()

Cleaning and preparing data ()

Analyzing data ()

Predictive modeling ()

Machine learning ()

Interpret the results ()

2. Tools of the Trade

Problem-solving ()

Statistics ()

Machine learning algorithms ()

Spreadsheets ()

Python ()

SQL and relational databases ()

Statistics platforms ()

Machine learning libraries ()

3. Thinking About Data

Quantitative and qualitative data ()

Discrete vs. continuous data ()

Categorical data ()

4. Techniques for Describing Data

Measures of central tendency ()

Measures of spread ()

Visualizing data distribution ()

Describing a dataset using generative AI ()

Challenge: Describing data ()

Solution: Describing data ()

5. Distributions of Data

Distributions of data ()

Visualizing a normal distribution in a spreadsheet ()

Jupyter Notebook and Colab ()

Generating a normal distribution ()

Visualizing a normal distribution in Python ()

Visualizing a uniform distribution in Python ()

Visualizing a bimodal distribution in Python ()

Challenge: Distributions of data ()

Solution: Distribution of data ()

6. Sampling Data

Sampling and large populations ()

Creating samples ()

Saving samples to a file ()

Comparing population to sample statistics ()

Challenge: Sampling data ()

Solution: Sampling data ()

7. Making Inferences from Data

Inferential statistics ()

Hypothesis testing methodology ()

Analyzing customer preferences ()

Type I and type II errors ()

ANOVA tests for comparing means ()

Generating Python scripts for ANOVA ()

Testing independence of categorical variables ()

Generating Python Scripts for Chi-squared tests ()

Correlation analysis ()

Testing for normality ()

Generating Python for testing normality ()

Generating Python for correlation analysis ()

Challenge: Making inferences from data ()

Solution: Making inferences from data ()

8. Visualizing Data

Visualizing data ()

Visualizing trends ()

Visualizing correlations ()

Visualizing composition ()

Visualizing distributions ()

Challenge: Visualizing data ()

Solution: Visualizing data ()

9.Regression

Linear regression ()

Evaluating linear regression models ()

Visualizing sales data ()

Building a linear regression model ()

Evaluating a sales linear regression model ()

Challenge: Building a regression model ()

Solution: Building a regression model ()

10. Analyzing Data in Files

Data files ()

Using spreadsheets with CSV files ()

Reviewing an example JSON file ()

Using jq with JSON files ()

Generating jq commands using AI ()

Dataframes in Python ()

Loading CSV data into dataframes ()

Loading JSON into dataframes ()

Inspecting dataframes ()

Data quality and data cleansing ()

Using AI for data quality and data cleansing ()

Challenge: Missing data ()

Solution: Missing data ()

11. Analyzing Data in Databases

Relational databases ()

NoSQL databases ()

Extraction, transformation, and loading data into databases ()

Introduction to SQL ()

Creating tables and inserting data ()

Querying data with SQL ()

Joining data with SQL ()

Descriptiive statistics in SQL ()

Generating synthetic data sets for a relational database ()

Generating a star schema, synthetic data, and queries ()

Challenge: Generate a relational data model ()

Solution: Generate a relational data model ()

12. Introduction to Machine Learning

Supervised and unsupervised learning ()

Classification ()

Regression ()

Clustering ()

Machine learning lifecycle ()

Feature engineering ()

Model evaluation ()

13. Building Machine Learning Models: Classification

Simple classification model ()

Handling missing data ()

Comparing multiple algorithms ()

Classification with neural networks ()

Hyperparameter tuning ()

Evaluating feature importance ()

Challenge: Predicting consumer intent ()

Solution: Predicting consumer intent ()

14. Building Machine Learning Models: Clustering

Clustering with k-means ()

Clustering with DBSCAN ()

Clustering with hierarchical clustering ()

Challenge: Customer segmentation ()

Solution: Customer segmentation ()

15. Open Access ML Datasets

Open access ML datasets ()

16. Network Analysis

Introduction to graph theory ()

NetworkX ()

Analyzing a social network ()

Supply chains and network analysis ()

Generating a synthetic supply chain ()

Visualizing a complex supply chain ()

Finding highest betweenness scores ()

Advanced topics in supply chain analysis ()

Challenge: Analyzing a social network ()

Solution: Analyzing a social network ()

17. Simulations

Introduction to simulations ()

Types of simulations ()

Modeling inventory management ()

Agent-based modeling ()

Modeling the spread of infectious diseases ()

Agent-base infectious diseases modeling ()

Challenge: Simulating forest fires ()

Solution: Simulating forest fires ()

18. Capstone Project

Capstone project requirements ()

Capstone project solution ()

19. Continuing Your AI Learning Journey

Next steps and additional resources ()

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.