مبانی علم داده: داده کاوی در پایتون

مدرس Barton Poulson

انتشار 2021/03/26

مدت زمان 3h 3m

سطح مناسب همه

فایل تمرینی دارد

آموزش Data Science Foundations: Data Mining in Python

داده کاوی حوزه ای از علم داده است که بر یافتن الگوهای عملی در مجموعه داده های بزرگ و متنوع تمرکز می کند: خوشه هایی از مشتریان مشابه، روندهایی در طول زمان که تنها پس از تفکیک اثرات فصلی و تصادفی قابل مشاهده هستند، و روش های جدید برای پیش بینی نتایج مهم. در این دوره مدرس بارتون پولسون شما را با داده کاوی که از زبان برنامه نویسی پایتون استفاده می کند آشنا می کند. بارتون به برخی مقدمات، مانند ابزارهایی که ممکن است برای داده کاوی استفاده کنید، می پردازد. او جنبه‌های کاهش ابعاد را مورد بحث قرار می‌دهد، سپس خوشه‌بندی، از جمله خوشه‌بندی سلسله مراتبی، k-Means، DBSCAN و غیره را توضیح می‌دهد. بارتون طبقه بندی، از جمله kNN و درختان تصمیم را پوشش می دهد. او وارد تجزیه و تحلیل انجمن می شود و شما را با Apriori، Eclat و FP-Growth آشنا می کند. بارتون شما را از تجزیه سری زمانی عبور می دهد، سپس با امتیازدهی احساسات و سایر ابزارهای متن کاوی به پایان می رسد.

Data Mining Python (Programming Language)

Introduction

Python for data mining ()

What you should know ()

Exercise files ()

1. Preliminaries

Tools for data mining ()

The CRISP-DM data mining model ()

Privacy, copyright, and bias ()

Validating results ()

2. Dimensionality Reduction

Dimensionality reduction overview ()

Handwritten digits dataset ()

PCA ()

LDA ()

t-SNE ()

Challenge: PCA ()

Solution: PCA ()

3. Clustering

Clustering overview ()

Penguin dataset ()

Hierarchical clustering ()

K-means ()

DBSCAN ()

Challenge: K-means ()

Solution: K-means ()

4. Classification

Classification overview ()

Spambase dataset ()

KNN ()

Naive Bayes ()

Decision trees ()

Challenge: KNN ()

Solution: KNN ()

5. Association Analysis

Association analysis overview ()

Groceries dataset ()

Apriori ()

Eclat ()

FP-Growth ()

Challenge: Apriori ()

Solution: Apriori ()

6. Time-Series Mining

Time-series mining ()

Air Passengers dataset ()

Time-Series decomposition ()

ARIMA ()

MLP ()

Challenge: Decomposition ()

Solution: Decomposition ()

7. Text Mining

Text mining overview ()

Iliad dataset ()

Sentiment analysis: Binary classification ()

Sentiment analysis: Sentiment scoring ()

Word pairs ()

Challenge: Sentiment scoring ()

Solution: Sentiment scoring ()

Conclusion

Next steps ()

Ex_Files_Data_Mining_Python_R.zip (1.0 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.

مسیرهای یادگیری آموزش مبانی علم داده: داده کاوی در پایتون

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Data Science Foundations: Data Mining in Python در 2 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

آیا شما یک تحلیلگر داده هستید که می خواهید به عنوان یک دانشمند داده به یک شغل جدید توجه کنید؟ این مسیر یادگیری کمک ارزشمندی در انتقال مهارت های شما می کند. شما مهارت های موجود در زبان های برنامه نویسی مانند Python، SQL، DAX و R را خواهید آموخت و سپس یاد خواهید گرفت که چگونه از آنها در یک زمینه توسعه یافته استفاده کنید. همچنین مهارت‌های قدرت را در ابزارهای اصلی مانند Tableau، Spark و KNIME توسعه می‌دهید و در مهارت‌های آماری پایه قوی خواهید داشت.

آموزش مبانی علم داده: داده کاوی در پایتون ، ایستگاه شماره 4 در مسیر یادگیری حرکت از تحلیلگر داده به دانشمند داده ، است.

مسیر یادگیری حرکت از تحلیلگر داده به دانشمند داده

دانشمندان داده که به عنوان تحلیلگران داده به تمرکز شغلی جدید روی می آورند، این مسیر یادگیری را در انتقال مهارت های خود ارزشمند خواهند یافت. شما مهارت های موجود در زبان های برنامه نویسی مانند Python، SQL و R را خواهید آموخت و نحوه استفاده از آنها را در زمینه تحلیلی یاد خواهید گرفت. همچنین مهارت های قدرت را در برنامه های اصلی تجزیه و تحلیل مانند Tableau و Excel توسعه خواهید داد و در مهارت های تجسم داده ها پایه ای قوی کسب خواهید کرد.

آموزش مبانی علم داده: داده کاوی در پایتون ، ایستگاه شماره 4 در مسیر یادگیری حرکت از دانشمند داده به تحلیلگر داده ، است.