pandas محبوب‌ترین کتابخانه پایتون در جهان است که برای همه چیز از دستکاری داده‌ها تا تجزیه و تحلیل داده‌ها استفاده می‌شود. در این دوره آموزشی، نحوه دستکاری DataFrames را یاد می گیرید، همانطور که مجموعه داده های دنیای واقعی را برای تجزیه و تحلیل استخراج، فیلتر و تبدیل می کنید. با استفاده از پانداها، تمام مفاهیم اصلی علم داده را کشف خواهید کرد. با استفاده از داده‌های دنیای واقعی، از جمله ارقام فروش Walmart و سری‌های زمانی دمای جهانی، نحوه وارد کردن، تمیز کردن، محاسبه آمار و ایجاد تجسم - با استفاده از پانداها برای افزودن به قدرت پایتون را خواهید آموخت!

ویدیوها حاوی رونوشت‌های زنده هستند که با کلیک کردن روی "نمایش رونوشت" در پایین سمت چپ ویدیوها قابل دسترسی هستند.

واژه نامه دوره را می توانید در سمت راست در بخش منابع پیدا کنید.

برای کسب اعتبارات CPE باید دوره را تکمیل کنید و در ارزیابی واجد شرایط به نمره 70% برسید. می‌توانید با کلیک بر روی علامت اعتبارات CPE در سمت راست به ارزیابی بروید.

در چشم‌انداز مبتنی بر داده‌های امروزی، دستکاری کارآمد داده‌ها بسیار مهم است و Alteryx ابزارهای قدرتمندی را برای دستیابی به آن ارائه می‌کند. در این دوره، اتحادیه‌ها، ضمیمه‌ها، پیوندها، تجزیه و بهینه‌سازی عملکرد را بررسی می‌کنید و به شما این امکان را می‌دهد که گردش کار خود را ساده کنید و بازی تحلیلی خود را ارتقا دهید. ما به عناصر اصلی Alteryx می پردازیم و تکنیک هایی را برای هماهنگ کردن داده های شما به طور یکپارچه و افزایش توانایی های تحلیلی شما تسلط می دهیم. یاد بگیرید که چالش های داده را به پیروزی تبدیل کنید!

آیا آماده اید انقلابی در گردش کار داده خود ایجاد کنید و کارهای دستی و مستعد خطا را حذف کنید؟ این دوره برای حرفه ای ها طراحی شده است که به دنبال دستکاری خودکار داده ها با استفاده از KNIME، حتی بدون تجربه کدنویسی هستند. شما یاد خواهید گرفت که داده ها را از چندین منبع ادغام و تبدیل کنید، بینش ها را با محورها جمع آوری کنید، مدیریت فایل ها را ساده کنید و با پایگاه های داده تعامل موثری داشته باشید. در پایان، مهارت‌هایی برای ایجاد جریان‌های کاری قدرتمندی خواهید داشت که باعث صرفه‌جویی در زمان، بهبود دقت و افزایش بهره‌وری می‌شود. ایده آل برای تحلیلگران، دانشمندان داده شهروندی، و هر کسی که با داده ها کار می کند!

برای مدیریت داده‌های بزرگ و کوچک، تمیز یا کثیف، ساختاریافته یا بدون ساختار، هزاران تیم داده به Snowflake روی می‌آورند. در این دوره، مهارت‌هایی را که برای دستکاری و تبدیل داده‌ها در Snowflake نیاز دارید، تسلط خواهید یافت.

ابتدا، نحوه پیاده‌سازی منطق if-then با استفاده از دستورات CASE در Snowflake را بررسی خواهید کرد. با استفاده از عبارات CASE، شما یاد خواهید گرفت که شرایط مختلف را برای انجام کارهایی مانند دسته بندی مقادیر در یک جدول ارزیابی کنید. و اغلب تنها یکی از شرایطی که شما در حال ارزیابی آن هستید، نخواهد بود. همچنین دستان خود را در ساخت عبارات CASE با عبارات شرطی متعدد و پیچیده کثیف خواهید کرد.

هنگامی که از عبارات CASE مطمئن شدید، ابتدا وارد نوشتن پرسش‌های فرعی می‌شوید. پرس و جوهای فرعی به شما این قدرت را می دهند که نتایج را در پرس و جوی دیگری که در حال ساخت آن هستید ترکیب کنید. همچنین خواهید دید که چگونه عبارات جدول متداول به شما اجازه می دهد تا کاری کاملاً مشابه انجام دهید، اما این بار به روشی سازماندهی شده تر.

در پایان این دوره، ابزارهای مورد نیاز برای دستکاری و تبدیل داده‌ها در Snowflake و ارتقاء سطح شغلی خود به عنوان یک متخصص داده را خواهید داشت.

بنابراین شما یاد گرفته اید که چگونه داده ها را از جداول موجود در پایگاه داده خود جمع آوری کرده و به آنها بپیوندید - حالا چی؟ چگونه داده های خود را دستکاری، تغییر شکل داده و به بهترین شکل ممکن از آنها استفاده کنید؟ این دوره در سطح متوسط ​​چندین عملکرد کلیدی لازم برای بحث، فیلتر کردن و دسته بندی اطلاعات در یک پایگاه داده رابطه ای، گسترش جعبه ابزار SQL و پاسخ به سوالات پیچیده را به شما آموزش می دهد. استفاده قوی از عبارات CASE، پرسش‌های فرعی، و توابع پنجره را یاد خواهید گرفت—همه اینها در حالی که با استفاده از پایگاه داده فوتبال اروپا، حقایق جالبی درباره فوتبال کشف می‌کنید.

Julia یک زبان برنامه نویسی جدید و هیجان انگیز است که برای یادگیری ماشین، محاسبات علمی و داده کاوی طراحی شده است. این دوره دانش لازم برای شروع سفر دستکاری داده های خود را در جولیا در اختیار شما قرار می دهد.

ما بر دانش شما از DataFrames از دوره های مقدماتی جولیا و متوسط جولیا خواهیم ساخت. در پایان دوره، شما به مهارت‌های اصلی برای بازرسی، تبدیل، گروه‌بندی، تجسم DataFrames و بسیاری موارد دیگر مجهز خواهید شد.

کار با داده هایی که در طول زمان تغییر می کنند یک مهارت ضروری در علم داده است. در این دوره آموزشی، پایه‌های نشان‌دهنده یک سری زمانی، نحوه بازیابی آمار خلاصه و روندهای مربوط به داده‌های یک سری زمانی، و نحوه تفسیر بصری یک سری زمانی را خواهید آموخت. توابع پنجره را پوشش می‌دهید تا بر یک دوره خاص مورد علاقه تمرکز کنید و روش‌های "تجربه" داده‌های خود را بیاموزید - پر کردن مقادیر از دست رفته با روش‌های پر کردن ثابت، LOCF یا درون یابی خطی.

در این دوره با اصول دستکاری داده های سری زمانی آشنا خواهید شد. داده‌های سری زمانی، داده‌هایی هستند که با توالی تاریخ یا زمان نمایه می‌شوند. شما یاد خواهید گرفت که چگونه از روش های ساخته شده در پانداها برای کار با این شاخص استفاده کنید. همچنین خواهید آموخت که چگونه سری های زمانی را مجدداً نمونه برداری کنید تا فرکانس را تغییر دهید. این دوره همچنین به شما نشان می دهد که چگونه مقادیر نورد و تجمعی را برای سری های زمانی محاسبه کنید. در نهایت، شما از تمام مهارت‌های جدید خود برای ایجاد یک شاخص سهام با وزن از داده‌های واقعی سهام استفاده خواهید کرد.

رگرسیون خطی و رگرسیون لجستیک دو مدل آماری پرکاربرد هستند و مانند کلیدهای اصلی عمل می‌کنند و اسرار پنهان در مجموعه داده‌ها را باز می‌کنند. در این دوره، مهارت‌هایی را که در «مقدمه‌ای بر رگرسیون در پایتون با مدل‌های آماری» به‌دست آورده‌اید، یاد می‌گیرید، زیرا با رگرسیون خطی و لجستیک با متغیرهای توضیحی متعدد آشنا می‌شوید. از طریق تمرین‌های عملی، روابط بین متغیرها در مجموعه داده‌های دنیای واقعی، قیمت‌های خانه تایوان و مدل‌سازی ریزش مشتری و موارد دیگر را بررسی خواهید کرد. در پایان این دوره، می‌دانید که چگونه چندین متغیر توضیحی را در یک مدل بگنجانید، کشف کنید که چگونه تعاملات بین متغیرها بر پیش‌بینی‌ها تأثیر می‌گذارد، و نحوه عملکرد رگرسیون خطی و لجستیک را درک خواهید کرد.

رگرسیون خطی و رگرسیون لجستیک دو مدل آماری پرکاربرد هستند و مانند کلیدهای اصلی عمل می‌کنند و اسرار پنهان در مجموعه داده‌ها را باز می‌کنند. این دوره بر اساس مهارت هایی است که شما در "مقدمه ای بر رگرسیون در R" به دست آورده اید، که رگرسیون خطی و لجستیک را با متغیرهای توضیحی متعدد پوشش می دهد. از طریق تمرین‌های عملی، روابط بین متغیرها در مجموعه داده‌های دنیای واقعی، قیمت‌های خانه تایوان و مدل‌سازی ریزش مشتری و موارد دیگر را بررسی خواهید کرد. در پایان این دوره، می‌دانید که چگونه متغیرهای توضیحی متعدد را در یک مدل بگنجانید، نحوه تأثیر متقابل بین متغیرها بر پیش‌بینی‌ها را درک خواهید کرد، و نحوه عملکرد رگرسیون خطی و لجستیک را درک خواهید کرد.

آیا می‌دانستید که یک بزرگسال به طور متوسط ​​روزانه بین 20000 تا 35000 تصمیم می‌گیرد؟ مهارت های تصمیم گیری خود را با این دوره آموزشی در مورد مدل های تصمیم تقویت کنید و اهمیت آن را در جهت یابی به عدم قطعیت ها و ریسک ها کشف کنید. ساخت و تجزیه و تحلیل مدل های تصمیم را با استفاده از ابزارهایی مانند درخت تصمیم، نمودارهای تاثیرگذار و تحلیل حساسیت یاد بگیرید. کسب مهارت های عملی در یکپارچه سازی تجزیه و تحلیل داده ها برای بهینه سازی نتایج و اتخاذ تصمیمات استراتژیک در راستای اهداف سازمانی. ایده آل برای هر کسی که به دنبال ارتقای توانایی های تصمیم گیری در دنیای داده محور است.

داده در همه جا وجود دارد، و در دنیای امروزی مبتنی بر داده، روان بودن داده ها نه تنها برای افراد بلکه برای سازمان ها به طور کلی یک ضرورت است. روانی داده فقط به درک داده ها نیست. این در مورد توانایی کار با داده ها و استفاده موثر از داده ها برای تصمیم گیری های داده محور است. این دوره مفهومی هیجان انگیز شما را به کشف بهترین شیوه ها و مهارت های ضروری مورد نیاز برای تسلط بر روانی داده ها مجهز می کند!

شما با یادگیری معنای روانی داده و تفاوت آن با سواد داده شروع خواهید کرد همچنین با اهمیت روانی داده در دنیای امروز آشنا خواهید شد. شما با چارچوبی در مورد چگونگی دستیابی به روانی داده ها آشنا خواهید شد. در سطوح فردی و همچنین سازمانی!

در مرحله بعد، رفتارهای افراد مسلط به داده را به همراه مهارت هایی که از اولین مرحله شناسایی مشکلات تجاری با داده ها تا انتقال بینش به طور مؤثر برای تصمیم گیری به کار می برند، کشف خواهید کرد.

شما با غواصی عمیق در عناصر یک سازمان روان به داده به پایان خواهید رسید. شما رفتارها و عادات یک فرهنگ روان بر داده و نحوه شکل دادن به چنین فرهنگی را کشف خواهید کرد. در نهایت، خواهید آموخت که چگونه یک اکوسیستم قوی که زیرساخت ها، ابزارها و فرآیندها را پوشش می دهد، می تواند تسلط داده های سازمانی را فعال کند!

با غواصی در دنیای شگفت انگیز روش های یادگیری گروهی به سفر یادگیری ماشینی خود ادامه دهید! اینها یک کلاس هیجان انگیز از تکنیک های یادگیری ماشین هستند که چندین الگوریتم فردی را برای افزایش عملکرد و حل مسائل پیچیده در مقیاس در صنایع مختلف ترکیب می کنند. تکنیک های گروه به طور منظم در مسابقات یادگیری ماشین آنلاین نیز برنده می شوند! در این دوره، شما همه چیز را در مورد این تکنیک های پیشرفته گروه، مانند کیسه کردن، تقویت، و انباشتن یاد خواهید گرفت. آنها را با استفاده از کتابخانه‌های پیشرفته یادگیری ماشین Python مانند scikit-learn، XGBoost، CatBoost و mlxtend در مجموعه‌های داده دنیای واقعی اعمال خواهید کرد.

دوره Math for Finance Professionals از CFI متخصصان امور مالی را با مهارت های ریاضی ضروری برای تجزیه و تحلیل داده های مالی، مدیریت ریسک و ارزیابی فرصت های سرمایه گذاری مجهز می کند. این دوره با بررسی مفاهیم کلیدی مالی، از جمله مقایسه سود ساده و مرکب، کاربردهای آن‌ها در ترکیب و تنزیل جریان‌های نقدی، و تمایز بین نرخ‌های بهره اسمی و مؤثر، پایه‌ای قوی ایجاد می‌کند. زبان آموزان مهارت های عملی را توسعه خواهند داد که می تواند مستقیماً در سناریوهای مالی دنیای واقعی اعمال شود. این دوره با مقدمه ای بر مفاهیم اساسی آماری مورد استفاده در اندازه گیری عملکرد و مدیریت ریسک به پایان می رسد و تجربه یادگیری عملی را از طریق برنامه های کاربردی Excel و تصاویر رویترز تقویت می کند.

Shiny یک بسته R است که ساخت برنامه‌های وب بسیار تعاملی را مستقیماً در R آسان می‌کند. با استفاده از Shiny، دانشمندان داده می‌توانند برنامه‌های وب تعاملی ایجاد کنند که به تیم شما اجازه می‌دهد تا داده‌های شما را به عنوان داشبورد یا تجسم بررسی کند. اگر می خواهید داده های خود را زنده کنید، براق راهی است که باید بروید! با استفاده از داده‌های مربوط به نام نوزاد، مواد تشکیل دهنده غذا، و مشاهده بشقاب پرنده، برنامه‌های مختلف براقی را می‌سازید که از ورودی‌ها و خروجی‌های مختلف استفاده می‌کنند. همچنین اصول عبارات واکنشی را یاد خواهید گرفت. در پایان این دوره، مهارت های درخشانی را خواهید داشت که برای ساختن اولین برنامه خود در R

دستگاه‌های پیام‌رسان و کنترل‌شده صوتی پلتفرم‌های بزرگ بعدی هستند و محاسبات مکالمه نقش مهمی در ایجاد تجربه‌های جذاب واقعیت افزوده و مجازی دارد. این دوره شما را در مسیر ساخت چنین برنامه هایی آغاز می کند. تعدادی چالش منحصر به فرد برای ساخت این نوع برنامه ها وجود دارد، مانند اینکه چگونه زبان انسانی را به دستورالعمل برای ماشین ها تبدیل کنم؟ در این دوره، ابتدا با سیستم های مبتنی بر قوانین و سپس با یادگیری ماشینی به این موضوع می پردازید. برخی از سیستم های چت به گونه ای طراحی شده اند که مفید باشند، در حالی که برخی دیگر فقط سرگرم کننده هستند. شما یکی از هرکدام را خواهید ساخت و همه چیز را کنار هم می گذارید تا یک چت بات مفید و دوستانه بسازید. پس از تکمیل دوره، همچنین یاد خواهید گرفت که چگونه ربات چت خود را به Facebook Messenger متصل کنید!

برای ایجاد داشبوردهای غنی از بینش نیازی به نرم افزار فروشنده گران قیمت ندارید—می توانید این کار را با استفاده از Plotly و Dash انجام دهید. به سفر بیایید و بیاموزید که چگونه تجسم های Plotly خود را با استفاده از داده های تجارت الکترونیک جهانی به داشبوردهای تعاملی تبدیل کنید. شما اصول اولیه برنامه های کاربردی وب را یاد خواهید گرفت و نحوه ساختار و استایل داشبوردهای خود را با استفاده از HTML و CSS خواهید یافت – با ساختن مجموعه ای از داشبوردها که می توانید با داده ها و پروژه های خود سازگار شوید. آیا آماده اید که نقشه های خود را زنده کنید؟

آموزش ایجاد یک داشبورد تعاملی با استفاده از بسته shinydashboard در R. این دوره به شما می آموزد که چگونه از shinydashboard در R برای ایجاد یک داشبورد پویا و تعاملی استفاده کنید. نکات زیر و روهای شینیداشبورد را پوشش خواهید داد و در مورد شیوه های خوب UI/UX یاد خواهید گرفت. ابتدا یک اپلیکیشن shinyApp می سازید و سپس برای ساختن یک داشبورد درخشان فارغ التحصیل می شوید. سپس، یاد می‌گیرید که چگونه عناصر تعاملی را با افکت‌های شناور روی آن اضافه کنید. در نهایت، نحوه تغییر عناصر طراحی یک داشبورد درخشان را با استفاده از کد CSS و موارد دیگر بررسی خواهید کرد.

ارتباطات بخش کلیدی فرآیند علم داده است. داشبوردها روشی محبوب برای ارائه داده ها در یک صفحه نمایش بصری منسجم هستند. در این دوره آموزشی یاد خواهید گرفت که چگونه نتایج خود را با استفاده از بسته flexdashboard در یک داشبورد صیقلی جمع آوری کنید. این می تواند به سادگی اضافه کردن چند خط R Markdown به کد موجود شما باشد یا به اندازه یک تجربه کاملاً تعاملی مبتنی بر براق باشد. با طیف ابزارهای ایجاد داشبورد موجود در R آشنا می شوید و این دوره را با توانایی تولید داشبورد با کیفیت حرفه ای تکمیل می کنید.

چرا بسیاری از سیستم های عامل نمی توانند شکاف بین توسعه و تولید را طی کنند؟ در این دوره متوجه خواهید شد! بیاموزید که چگونه با در نظر گرفتن مقیاس پذیری، عوامل هوش مصنوعی را طراحی و توسعه دهید، با پیروی از سه ستون مقیاس پذیری عامل: زیرساخت و ابزار قوی، معماری طراحی مدولار، و حلقه های ارزیابی و بازخورد مستمر. در مورد اینکه چگونه چارچوب‌های عاملی مانند پروتکل بافت مدل (MCP) و پروتکل عامل به عامل (A2A) ادغام تمیزتر و سریع‌تر را بین منابع داده و عامل‌ها ممکن می‌سازند، یاد خواهید گرفت. در نهایت، درباره آزمایش‌ها و استراتژی‌های استقرار برای تنظیم عامل خود برای ارائه ارزش اطلاعات کسب کنید.