آموزش ضروری پایتون برای علوم داده قسمت 2

مدرس Lillian Pierson

انتشار 2019/10/25

مدت زمان 3h 44m

سطح متوسط

فایل تمرینی دارد

آموزش Python for Data Science Essential Training Part 2

Python for Data Science Essential Training یکی از محبوب ترین دوره های علوم داده در LinkedIn Learning است. در حال حاضر به روز شده و به دو بخش گسترش یافته است - برای تجربه بیشتر عملی با پایتون. در این دوره، مربی لیلیان پیرسون شما را گام به گام از طریق یک پروژه عملی علم داده راهنمایی می‌کند: ساخت مدل‌های یادگیری ماشینی که می‌توانند پیش‌بینی‌ها و توصیه‌ها را تولید کنند و کارهای روتین را خودکار کنند. در طول مسیر، او نحوه انجام رگرسیون خطی و لجستیک، استفاده از K-means و خوشه‌بندی سلسله مراتبی، شناسایی روابط بین متغیرها و استفاده از سایر ابزارهای یادگیری ماشین مانند شبکه‌های عصبی و مدل‌های بیزی را نشان می‌دهد. شما باید این آموزش را با تجربه کدنویسی عملی که می توانید به سرعت در پروژه های علم داده خود اعمال کنید، کنار بگذارید.

Data Modeling Machine Learning Python (Programming Language)

Introduction

Machine learning rocks ()

What you should know ()

1. Introduction to Data Science

Defining data science ()

Why use Python for data science? ()

Where does AI fit in? ()

2. Introduction to Machine Learning

Machine learning 101 ()

Grouping machine learning algorithms ()

3. Regression Models

Linear regression ()

Multiple linear regression ()

Logistic regression: Concepts ()

Logistic regression: Data preparation ()

Logistic regression: Treat missing values ()

Logistic regression: Re-encode variables ()

Logistic regression: Validating data set ()

Logistic regression: Model deployment ()

Logistic regression: Model evaluation ()

Logistic regression: Test prediction ()

4. Clustering Models

K-means method ()

Hierarchical methods ()

DBSCAN for outlier detection ()

5. Dimension Reduction Methods

Explanatory factor analysis ()

Principal component analysis (PCA) ()

6. Other Popular Machine Learning Methods

Decision tree models with CART ()

Bayesian models with Naive Bayes ()

Ensemble models with random forests ()

Association rules models with Apriori ()

Neural networks with a perceptron ()

Instance-based learning with KNN ()

Conclusion

Next steps ()

Ex_Files_Python_Data_Science_EssT_Pt2.zip (1.4 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 آموزش ضروری پایتون برای علوم داده قسمت 2

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 Python for Data Science Essential Training Part 2 در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

به سرعت اصول و روش های برنامه نویسی عمومی برای پایتون را بیاموزید و سپس شروع به استفاده از آن دانش برای استفاده از پایتون در توسعه مرتبط با علم داده کنید.

آموزش آموزش ضروری پایتون برای علوم داده قسمت 2 ، ایستگاه شماره 2 در مسیر یادگیری مهارت های پایتون خود را برای علم داده ارتقا دهید ، است.