اکسپرس 24
کتاب مبانی علم داده با رویکرد چابک

کتاب مبانی علم داده با رویکرد چابک

تگ‌ها: big data تحلیل داده داده کاوی علم داده علوم کامپیوتر فناوری اطلاعات متدولوژی چابک هوش مصنوعی یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی علم داده با رویکرد چابک

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: علم داده و تحلیل داده

📋 سرفصل‌های دوره

  • 1. مقدمه ای بر علم داده و اهمیت آن
  • 2. چرخه حیات پروژه علم داده
  • 3. اصول توسعه چابک در علم داده
  • 4. نقش تیم در پروژه های علم داده
  • 5. شناخت نیازمندی ها و تعریف مسئله
  • 6. جمع آوری و اکتشاف اولیه داده ها
  • 7. پاکسازی و پیش پردازش داده ها
  • 8. مدیریت کیفیت داده ها
  • 9. انواع روش های پاکسازی داده
  • 10. مدیریت داده های گمشده
  • 11. شناسایی و مدیریت داده های پرت
  • 12. انواع مدل های یادگیری ماشین
  • 13. یادگیری نظارت شده
  • 14. رگرسیون خطی
  • 15. رگرسیون لجستیک
  • 16. درخت تصمیم
  • 17. جنگل تصادفی
  • 18. ماشین بردار پشتیبان
  • 19. یادگیری نظارت نشده
  • 20. خوشه بندی
  • 21. K-Means
  • 22. خوشه بندی سلسله مراتبی
  • 23. کاهش ابعاد
  • 24. تحلیل مولفه های اصلی (PCA)
  • 25. کاربرد PCA در علم داده
  • 26. مهندسی ویژگی (Feature Engineering)
  • 27. ایجاد ویژگی های جدید
  • 28. انتخاب ویژگی (Feature Selection)
  • 29. معیارهای انتخاب ویژگی
  • 30. مبانی آمار و احتمالات در علم داده
  • 31. توزیع های آماری متداول
  • 32. آزمون فرض آماری
  • 33. مفاهیم رگرسیون و همبستگی
  • 34. تحلیل سری های زمانی
  • 35. مقدمه ای بر یادگیری عمیق
  • 36. شبکه های عصبی مصنوعی
  • 37. مفاهیم مقدماتی شبکه های عصبی
  • 38. کاربرد شبکه های عصبی در علم داده
  • 39. یادگیری تقویتی
  • 40. مقدمه ای بر پردازش زبان طبیعی (NLP)
  • 41. مدل های زبانی
  • 42. تحلیل احساسات
  • 43. شناسایی موجودیت های نام دار
  • 44. کاربرد NLP در تحلیل داده
  • 45. مقدمه ای بر بینایی ماشین
  • 46. پردازش تصویر
  • 47. تشخیص اشیاء
  • 48. کاربرد بینایی ماشین در علم داده
  • 49. مقدمه ای بر کلان داده (Big Data)
  • 50. مفاهیم و چالش های کلان داده
  • 51. فناوری های کلان داده
  • 52. اکوسیستم هادوپ
  • 53. مقدمه ای بر پایگاه داده ها
  • 54. انواع پایگاه داده ها
  • 55. پایگاه داده های رابطه‌ای
  • 56. پایگاه داده های NoSQL
  • 57. مقدمه ای بر ابزارها و زبان های علم داده
  • 58. زبان پایتون برای علم داده
  • 59. کتابخانه های پایتون (NumPy, Pandas)
  • 60. کتابخانه های مصورسازی (Matplotlib, Seaborn)
  • 61. کتابخانه های یادگیری ماشین (Scikit-learn)
  • 62. زبان R برای علم داده
  • 63. محیط های توسعه یکپارچه (IDE)
  • 64. مقدمه ای بر مصورسازی داده ها
  • 65. اصول طراحی نمودارهای موثر
  • 66. انواع نمودارهای رایج
  • 67. مصورسازی داده های مکانی
  • 68. مصورسازی تعاملی
  • 69. اصول داستان گویی با داده ها (Data Storytelling)
  • 70. اعتبارسنجی و ارزیابی مدل ها
  • 71. معیارهای ارزیابی مدل های رگرسیون
  • 72. معیارهای ارزیابی مدل های طبقه بندی
  • 73. ماتریس درهم ریختگی (Confusion Matrix)
  • 74. منحنی ROC و AUC
  • 75. اعتبارسنجی متقابل (Cross-validation)
  • 76. مدیریت ریسک در پروژه های علم داده
  • 77. ملاحظات اخلاقی در علم داده
  • 78. حریم خصوصی داده ها
  • 79. امنیت داده ها
  • 80. قوانین و مقررات مربوط به داده ها در ایران
  • 81. حاکمیت داده (Data Governance)
  • 82. مقدمه ای بر یادگیری آنلاین و پیوسته
  • 83. تکامل مدل ها در طول زمان
  • 84. نظارت بر عملکرد مدل ها
  • 85. مقدمه ای بر یادگیری ترکیبی (Ensemble Learning)
  • 86. بگینگ (Bagging)
  • 87. بوستینگ (Boosting)
  • 88. تکنیک های ترکیبی پیشرفته
  • 89. مقدمه ای بر بهینه سازی مدل ها
  • 90. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 91. جستجوی شبکه‌ای (Grid Search)
  • 92. جستجوی تصادفی (Random Search)
  • 93. مقدمه ای بر انتشار مدل ها
  • 94. استقرار مدل در محیط عملیاتی
  • 95. نظارت پس از انتشار
  • 96. مقدمه ای بر اتوماسیون در علم داده
  • 97. خطوط لوله داده (Data Pipelines)
  • 98. مهندسی مجدد و بهبود مستمر
  • 99. کاربردهای علم داده در صنایع مختلف
  • 100. علم داده در حوزه سلامت

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.