دوره ها - رایان پویش

دوره علــم داده با پایتون

این دوره به صورت حضوری در کارخانه نوآوری مشهد برگزار می شود.

تا کنون ده دوره برگزار شده است.

سرفصل های دوره:

علم داده چیست؟

– تعریف علم و داده و در نهایت تعریف علم داده

– مسیرهای رسیدن به علم داده

– معرفی مفاهیم هوش مصنوعی و نقش آن در علم داده

– کاربردهای تخصص علم داده

-آموزش کار با نوت بوک ژوپیتر(Jupiter Notebook)

-بارگزاری فایل ها و نصب Package ها وکتابخانه های پایتون

روش شناسی علم داده

– درک مدل کسب و کار و تعریف مسئله

– شناسایی متغیر وابسته و متغیر مستقل، شاخص های کلیدی(KPIs) کسب و کار و الزامات جمع آوری داده

-طرح فرضیه و مدلسازی، ارزیابی مدل و ارائه نتایج در غالب نمودارها و داده داستان(Data Story Telling)، آزمون فرضیه صفر

مبانی پایتون برای علم داده و هوش مصنوعی

– معرفی زبان برنامه نویسی پایتون

-عبارات و متغیرها

– عملگرهای رشته

– نوع های داده

– ساختار داده در پایتون

-لیست، تاپل، دیکشنری، مجموعه،

-اصول برنامه نویسی پایتون

-شرط ها ،حلقه ها ،توابع ،شی و کلاس،کار با داده در پایتون

– خواندن و نوشتن فایل

– بارگزاری داده با کتابخانه های مهم علم داده در پایتون(NumPy, pandas, sklearn, SciPy,…)

تحلیل داده با پایتون

– فهم داده، بسته های پایتون برای علم داده، ورود و صدور داده در پایتون، تفکیک داده، مواجهه با داده از دست رفته

– شکل دهی داده ، نرمال کردن داده، تبدیل داده های طبقه بندی به داده های کمی، تحلیل توصیفی داده، همبستگی، P_value،‌ تحلیل واریانس

– طراحی مدلهای دسته بندی، رگرسیون، مصورسازی، ارزیابی مدل و مدلسازی

– ارزیابی کارایی مدل(accuracy, recall, precision, f-measure, error metrics)

-تحلیل بیش برازش و کم برازش(overfitting, underfitting)

مصورسازی داده با پایتون

-آموزش مصورسازی داده ها و رسم نمودار های تحلیلی با اسستفاده از کتابخانه های: Matplotlib, seaborn,folium ،Area Plots ،Histograms ،Bar Charts، Pie Charts ،Box Plots، Scatter Plots،Word Clouds

یادگیری ماشین با پایتون

-آموزش یادگیری با نظارت ، بدون نظارت و نیمه نظارت شده (supervised, unsupervised, semi-supervised learning)

-آموزش الگوریتم های:

K-Nearest Neighbours ،Evaluation Metrics in Classification، Introduction to Decision Trees ،Building Decision Trees ،Intro to Logistic Regression ،Logistic regression vs Linear regression ، Logistic Regression Training ،Support Vector Machine ،Intro to Clustering ،Intro to k-Means ،More on k-Means، Intro to Hierarchical Clustering ،More on Hierarchical Clustering ،DBSCAN ،Content-based Recommender ،Systems ،Collaborative Filtering, silhouette analysis