مبانی علم داده: مبانی

مدرس Barton Poulson

انتشار 2022/02/04

مدت زمان 5h 17m

سطح مناسب همه

فایل تمرینی دارد

آموزش Data Science Foundations: Fundamentals

علم داده در حال هدایت یک انقلاب جهانی است که همه چیز را از اتوماسیون کسب و کار گرفته تا تعاملات اجتماعی در بر می گیرد. همچنین یکی از مشاغلی است که سریع‌ترین رشد را دارد و با ارزش‌ترین شغل، تحلیلگران و مهندسان را در سراسر جهان به کار می‌گیرد. این دوره یک نمای کلی غیر فنی و قابل دسترس از این رشته را ارائه می دهد که واژگان، مهارت ها، مشاغل، ابزارها و تکنیک های علم داده را پوشش می دهد. مربی بارتون پولسون روابط را با سایر زمینه های اشباع شده از داده مانند یادگیری ماشین و هوش مصنوعی تعریف می کند. او شیوه‌های اولیه را بررسی می‌کند: جمع‌آوری و تجزیه و تحلیل داده‌ها، تدوین قوانین برای طبقه‌بندی و تصمیم‌گیری، و ترسیم بینش‌های عملی. او همچنین در مورد اخلاق و مسئولیت پذیری بحث می کند و جهت کسب اطلاعات بیشتر را ارائه می دهد. در پایان، خواهید دید که چگونه علم داده می تواند به شما در تصمیم گیری بهتر، به دست آوردن بینش عمیق تر و موثرتر و کارآمدتر کردن کارتان کمک کند.

Data Science

Introduction

Getting started ()

1. What Is Data Science?

Supply and demand for data science ()

The data science Venn diagram ()

The data science pathway ()

The CRISP-DM model in data science ()

Roles and teams in data science ()

The role of questions in data science ()

2. The Place of Data Science in the Data Universe

Artificial intelligence ()

Machine learning ()

Deep learning neural networks ()

Big data ()

Predictive analytics ()

Prescriptive analytics ()

Business intelligence ()

3. Ethics and Agency

Bias ()

Security ()

Legal ()

Explainable AI ()

Agency of algorithms and decision-makers ()

4. Sources of Data

Data preparation ()

Labeling data ()

In-house data ()

Open data ()

APIs ()

Scraping data ()

Creating data ()

Passive collection of training data ()

Self-generated data ()

Data vendors ()

Data ethics ()

5. Sources of Rules

The enumeration of explicit rules ()

The derivation of rules from data analysis ()

The generation of implicit rules ()

6. Tools for Data Science

Applications for data analysis ()

Languages for data science ()

AutoML ()

Machine learning as a service ()

7. Mathematics for Data Science

Sampling and probability ()

Algebra ()

Calculus ()

Optimization and the combinatorial explosion ()

Bayes' theorem ()

8. Unsupervised Learning

Supervised vs. unsupervised learning ()

Descriptive analyses ()

Clustering ()

Dimensionality reduction ()

Anomaly detection ()

9. Supervised Learning

Supervised learning with predictive models ()

Time-series data ()

Classifying ()

Feature selection and creation ()

Aggregating models ()

Validating models ()

10: Generative Methods in Data Science

Generative adversarial networks (GANs) ()

Reinforcement learning ()

11. Acting on Data Science

The importance of interpretability ()

Interpretable methods ()

Actionable insights ()

Conclusion

Next steps and additional resources ()

Glossary_Data_Science_Foundations_Fundamentals.zip (48 KB)

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: مبانی

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: Fundamentals در 4 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

چه در IT کار می کنید و چه به سادگی علاقه مند به ورود به حوزه هیجان انگیز هستید، این مسیر یادگیری شما را در توسعه حرفه ای در علم داده پشتیبانی می کند. در مورد مراحل اساسی کار علم داده، از مهندسی آمار و سیستم گرفته تا داده کاوی و یادگیری ماشین بیاموزید.

آموزش مبانی علم داده: مبانی ، ایستگاه شماره 4 در مسیر یادگیری دانشمند داده شوید ، است.

مسیر یادگیری دانشمند داده شوید

پس از تکمیل این مسیر یادگیری، درک کاملی از مهارت های مورد نیاز برای مشاغل در تجزیه و تحلیل و تجزیه و تحلیل داده ها خواهید داشت. شما انواع مختلفی از نقش های شغلی را به همراه مفاهیم و مهارت های نرم افزاری که کارفرمایان در استخدام آینده نگر به دنبال آن هستند بررسی خواهید کرد.

آموزش مبانی علم داده: مبانی ، ایستگاه شماره 2 در مسیر یادگیری کاوش شغلی در تجزیه و تحلیل داده ها ، است.

مسیر یادگیری کاوش شغلی در تجزیه و تحلیل داده ها

رهبران فناوری فراتر از تسلط بر مهارت های کدنویسی و دانش فناوری هستند تا تیم های خود را برای موفقیت در موقعیت قرار دهند. در این مسیر یادگیری، مهارت های ضروری مورد نیاز به عنوان یک رهبر فناوری، از هوش تجاری و توسعه گرفته تا رهبری فکری، راهنمایی و مدیریت تیم را به دست خواهید آورد.

آموزش مبانی علم داده: مبانی ، ایستگاه شماره 1 در مسیر یادگیری مهارت های مورد نیاز برای رهبری فناوری ، است.

مسیر یادگیری مهارت های مورد نیاز برای رهبری فناوری

در دنیای مبتنی بر داده که در آن هر کسب و کار در سطوحی یک کسب و کار داده است، همه به درک اساسی از نحوه عملکرد اجزای کلیدی تجزیه و تحلیل داده نیاز دارند. این مسیر یادگیری برای ارائه توضیحاتی عمیق برای کسانی که با تیم های داده کار می کنند طراحی شده است و همه ذینفعان را برای موفقیت آماده می کند.

آموزش مبانی علم داده: مبانی ، ایستگاه شماره 3 در مسیر یادگیری تسلط بر تجزیه و تحلیل داده های سطح اجرایی ، است.