Kaggle معروفترین پلتفرم برای مسابقات علم داده است. شرکت در چنین مسابقاتی به شما این امکان را می دهد که با مجموعه داده های دنیای واقعی کار کنید، مشکلات مختلف یادگیری ماشین را بررسی کنید، با سایر شرکت کنندگان رقابت کنید و در نهایت، تجربه عملی ارزشمندی کسب کنید. در این دوره، نحوه رویکرد و ساختار هر مسابقه علم داده را خواهید آموخت. شما می توانید طرح اعتبارسنجی محلی صحیح را انتخاب کنید و از تطبیق بیش از حد خودداری کنید. علاوه بر این، شما به مهندسی ویژگی های پیشرفته همراه با رویکردهای مدل سازی تسلط خواهید داشت. همه این تکنیک ها در مجموعه داده های مسابقات Kaggle تمرین خواهند شد.

تجسم عالی داده سنگ بنای علم داده تاثیرگذار است. تجسم به شما کمک می کند هم بینش را در داده های خود بیابید و هم آن بینش ها را با مخاطبان خود به اشتراک بگذارید. همه می آموزند که چگونه در سفر خود برای تبدیل شدن به یک دانشمند داده، یک نمودار پراکندگی اولیه یا نمودار میله ای بسازند، اما پتانسیل واقعی تجسم داده ها زمانی درک می شود که یک قدم به عقب بردارید و به این فکر کنید که چه چیزی، چرا، و چگونه داده های خود را تجسم می کنید. در این دوره شما یاد خواهید گرفت که چگونه تجسم های جذاب و جذابی بسازید که به شما کمک می کند تا نتایج تجزیه و تحلیل های خود را به طور موثر و موثر انتقال دهید. ما از طریق بررسی مجموعه داده‌های مربوط به آلودگی هوا در سراسر ایالات متحده و بازارهای کشاورزان، مقایسه داده‌ها، جزئیات رنگ، نشان دادن عدم قطعیت و نحوه ایجاد تجسم مناسب برای مخاطبان خود را پوشش خواهیم داد. ما این دوره را با بررسی داده‌های بازار کشاورزان با دسترسی آزاد به پایان می‌رسانیم تا یک گزارش تصویری صیقلی و تاثیرگذار بسازیم.

معمولاً گفته می شود که دانشمندان داده 80٪ از زمان خود را صرف تمیز کردن و دستکاری داده ها می کنند و فقط 20٪ از زمان خود را صرف تجزیه و تحلیل آنها می کنند. زمان صرف شده برای تمیز کردن حیاتی است زیرا تجزیه و تحلیل داده های کثیف می تواند شما را به نتیجه گیری نادرست هدایت کند.

پاکسازی داده ها یک کار ضروری در علم داده است. بدون داده‌های تمیز شده مناسب، نتایج هر مدل تحلیل داده یا یادگیری ماشینی ممکن است نادرست باشد. در این دوره آموزشی، نحوه شناسایی، تشخیص و درمان انواع مشکلات پاکسازی داده ها در پایتون، از ساده تا پیشرفته را یاد خواهید گرفت. شما با انواع داده های نامناسب برخورد خواهید کرد، بررسی کنید که داده های شما در محدوده صحیح قرار دارند، داده های از دست رفته را مدیریت کنید، پیوند رکورد را انجام دهید و موارد دیگر!

پایتون و R در "عصر یادگیری ماشینی" رشد چشمگیری در محبوبیت داشته اند. هر دوی آنها زبان های سطح بالایی هستند که یادگیری و نوشتن آنها آسان است. زبانی که استفاده می کنید به سابقه و رشته تحصیلی و کاری شما بستگی دارد. R یک زبان ساخته شده توسط و برای آماردانان است، در حالی که پایتون یک زبان برنامه نویسی عمومی تر است. صرف نظر از پس زمینه، مواقعی وجود خواهد داشت که یک الگوریتم خاص در یک زبان پیاده سازی می شود و نه زبان دیگر، یک ویژگی بهتر مستند می شود، یا به سادگی، آموزشی که به صورت آنلاین پیدا کردید به جای R از Python استفاده می کند.

در هر صورت، این امر مستلزم این است که کاربر R در پایتون کار کند تا کار خود را انجام دهد، یا سعی کند بفهمد که چگونه چیزی در پایتون پیاده‌سازی می‌شود تا به R ترجمه شود. این دوره به شما کمک می‌کند از مانع زبان R-Python عبور کنید.

آیا به دنبال راه حلی بهتر از راه حلی هستید که در صفحه گسترده ساخته اید؟ اگر چنین است، پس پایتون برای کاربران صفحه گسترده مقدمه‌ای عالی برای زبان پایتون است و شما را در مسیر درستی برای خودکارسازی کارهای تکراری، غواصی عمیق‌تر در داده‌های خود و گسترش دامنه آنچه که قادر به انجام آن هستید قرار می‌دهد. در طول دوره، ما به موازات توابع و تکنیک‌های رایج صفحه‌گسترده ترسیم می‌کنیم، بنابراین وقتی ابتدا به پایتون شیرجه می‌زنید، همیشه یک نقطه مرجع آشنا خواهید داشت.

Python یک زبان برنامه نویسی همه کاره است که برای انجام علم داده محبوبیت بیشتری پیدا می کند. شرکت‌ها در سرتاسر جهان از پایتون برای جمع‌آوری اطلاعات از داده‌های خود و کسب مزیت رقابتی استفاده می‌کنند. این دوره بر کمک به کاربران Matlab در یادگیری استفاده از Python به طور خاص برای علم داده تمرکز دارد. شما به سرعت یاد خواهید گرفت که چگونه از Matlab به Python برای تجزیه و تحلیل و تجسم داده ها مهاجرت کنید. اصول سینتکس پایتون، نحوه استفاده از آرایه های numpy برای ذخیره و دستکاری داده ها را بیاموزید. شما یاد خواهید گرفت که چگونه از matplotlib برای کشف روندها، همبستگی ها و الگوها در مجموعه داده های واقعی، از جمله ترافیک دوچرخه در شهر سیاتل و قیمت آووکادو در سراسر ایالات متحده استفاده کنید.

یادگیری پایتون برای هر متخصص مشتاق علم داده بسیار مهم است. یاد بگیرید که داده های واقعی را با توابع Matplotlib تجسم کنید و با ساختارهای داده مانند دیکشنری و پانداها DataFrame آشنا شوید. این دوره چهار ساعته به شما کمک می کند تا مهارت های پایتون موجود خود را تقویت کنید و برنامه ها و توابع جدید پایتون را کشف کنید که کارنامه شما را گسترش می دهد و به شما کمک می کند کارآمدتر کار کنید. متوجه خواهید شد که چگونه دیکشنری ها جایگزینی برای لیست های پایتون ارائه می دهند و چرا چارچوب داده پانداها محبوب ترین روش کار با داده های جدولی است. در فصل دوم این دوره، نحوه ایجاد و دستکاری مجموعه داده ها و نحوه دسترسی به آنها با استفاده از این ساختارها را خواهید یافت. تمرین عملی در طول دوره باعث افزایش اعتماد به نفس شما در هر زمینه می شود. همانطور که پیشرفت می کنید، به منطق، کنترل جریان، فیلتر کردن و حلقه ها نگاه خواهید کرد. این توابع برای کنترل تصمیم‌گیری در برنامه‌های پایتون کار می‌کنند و به شما کمک می‌کنند تا عملیات بیشتری را با داده‌های خود انجام دهید، از جمله عبارت‌های تکراری. شما دوره را با استفاده از تمام مهارت های جدید خود با استفاده از آمار هکرها برای محاسبه شانس برنده شدن در یک شرط به پایان خواهید رساند. پس از تکمیل تمام فصل‌ها، آماده خواهید بود که مهارت‌های جدید خود را در شغل، شغل جدید یا پروژه شخصی خود به کار ببرید و آماده باشید تا به یادگیری پیشرفته‌تر پایتون بروید.

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.

آیا شما یک تحلیلگر مالی یا تجاری هستید یا به دنبال راهی ساده تر برای مدیریت سبد سهام خود هستید؟ اگر چنین است، یادگیری پایتون می‌تواند کارهای مالی مانند محاسبه ریسک، نقشه‌برداری سلامت بازار، و تجسم روند قیمت سهام را خودکار کند و در وقت و هزینه شما صرفه‌جویی کند.

در این دوره آموزشی، نحوه استفاده از ساختارهای داده پایتون، دستورات کنترل اجرا و DataFrames را برای دستکاری داده های مالی یاد خواهید گرفت. سپس با استفاده از داده‌های بانک فدرال رزرو، با پانداها کار می‌کنید تا روندهای اقتصادی ملی را کشف کنید - بخشی ضروری از درک استراتژی‌های سرمایه‌گذاری. شما همچنین ریسک را بر اساس داده های قیمت سهام محاسبه می کنید و این داده ها را به صورت نمودارهای خوانا نمایش می دهید. در پایان این دوره، شما پایتون جدید وال استریت خواهید بود.

استفاده موثر از توابع، ماژول ها و بسته های داخلی پایتون را بیاموزید. توابع سفارشی را با مستندات واضح و آرگومان های انعطاف پذیر ایجاد کنید که مناسب موارد استفاده مختلف است. با خواندن ردیابی‌ها، شناسایی خطاهای رایج و استفاده از بلوک‌های try-except، مدیریت خطا را مسلط کنید. درک زمان استفاده از توابع لامبدا در مقابل تعاریف کامل. در پایان، می‌توانید کدهای قابل استفاده مجدد بنویسید که سایر توسعه‌دهندگان بتوانند با اطمینان آن را درک کنند، گسترش دهند و اشکال‌زدایی کنند.

دریابید که پایگاه داده برداری Pinecone چگونه توسعه برنامه های کاربردی هوش مصنوعی را متحول می کند. Pinecone یک راه حل پایگاه داده برداری با تأخیر پرس و جو کاملاً مدیریت شده است که بازار را درگیر کرده است. در این دوره آموزشی، شما یاد خواهید گرفت که بردارها را از نمایه های Pinecone دریافت، دستکاری و پرس و جو کنید. شما از این مهارت‌ها، همراه با مفاهیم اساسی دیگر مانند بازیابی نسل افزوده (RAG) برای فعال کردن برنامه‌های هوش مصنوعی مانند موتورهای جستجوی معنایی و چت‌بات‌های آگاه از زمینه استفاده خواهید کرد. در نهایت، با مشاهده تکنیک‌های تنظیم عملکرد، بهینه‌سازی فضای ذخیره‌سازی و بهبود تأخیر پرس و جو، بهینه‌سازی پایگاه داده‌های تولید خود را یاد خواهید گرفت.

تصاویر همه جا هستند! ما در زمانی زندگی می کنیم که تصاویر حاوی اطلاعات زیادی هستند که گاهی اوقات به سختی به دست می آیند. به همین دلیل است که پیش پردازش تصویر به یک مهارت بسیار ارزشمند تبدیل شده است که در بسیاری از موارد کاربرد دارد. در این دوره، شما یاد خواهید گرفت که به میل خود پردازش، تبدیل و دستکاری تصاویر را حتی زمانی که به هزاران عدد می‌رسد، انجام دهید. همچنین یاد خواهید گرفت که تصاویر آسیب دیده را بازیابی کنید، کاهش نویز را انجام دهید، تصاویر را تغییر اندازه هوشمند دهید، تعداد نقاط روی یک تاس را بشمارید، تشخیص چهره را اعمال کنید، و خیلی چیزهای دیگر با استفاده از Sikit-Image. پس از اتمام این دوره، شما قادر خواهید بود دانش خود را در حوزه های مختلف مانند یادگیری ماشینی و هوش مصنوعی، بینایی ماشین و روباتیک، تجزیه و تحلیل تصاویر فضا و پزشکی، خرده فروشی و بسیاری دیگر اعمال کنید. قدم بردارید و به دنیای شگفت انگیزی که بینایی کامپیوتر است شیرجه بزنید!

قدرت پردازش زبان طبیعی (NLP) را باز کنید و مهارت های تجزیه و تحلیل متن خود را به سطح بعدی ببرید! این دوره شما را با ابزارهای ضروری برای پردازش، تجزیه و تحلیل و استخراج بینش از داده های متنی مجهز می کند. با اصول پردازش متن، مانند نشانه‌سازی، واژه‌سازی و ریشه‌یابی شروع کنید تا با استفاده از کیسه کلمات (BoW)، TF-IDF و جاسازی‌ها، ویژگی‌های عددی معنادار را از متن استخراج کنید. در نهایت، با استفاده از Hugging Face، از قدرت مدل‌های ترانسفورماتور پیشرفته استفاده کنید. انجام تجزیه و تحلیل احساسات، طبقه بندی محتوا، تجزیه و تحلیل روابط پرسش و پاسخ، ارزیابی مقبولیت گرامری، و تولید متن با استفاده از جدیدترین مدل ها.

SpaCy را بیاموزید، کتابخانه استاندارد صنعتی NLP که به سرعت در حال رشد است، برای کارهایی مانند رمزگذاری، تجزیه، و شناسایی موجودیت نامگذاری شده. بر عملیات اصلی مسلط شوید، از کلاس‌هایی مانند Doc و Token استفاده کنید و مدل‌های قطار را آموزش دهید. عبارات را با تطبیق الگو استخراج کنید، اجزای خط لوله سفارشی ایجاد کنید، و نمونه های واقعی را برای پروژه های NLP خود مدیریت کنید.

ما قبل از اینکه خواندن را یاد بگیریم صحبت کردن را یاد می گیریم. حتی در عصر دیجیتال، روش اصلی ارتباط ما گفتار است. پردازش زبان گفتاری با پایتون به شما کمک می کند فایل های صوتی را بارگیری، تبدیل و رونویسی کنید. با دیدن اینکه صدای خام در پایتون چگونه به نظر می رسد شروع می کنید. و سپس با کار کردن با نمونه‌ای از موارد استفاده تجاری، رونویسی و طبقه‌بندی داده‌های تماس تلفنی پایان دهید.

آیا تا به حال فکر کرده اید که چگونه شرکت هایی مانند فیس بوک و گوگل می توانند تبلیغات هدفمند شگفت انگیزی را که گهگاه روی آنها کلیک می کنید به شما ارائه دهند؟ خوب، در پشت صحنه، آنها مدل‌های یادگیری ماشینی پیچیده را اجرا می‌کنند و از داده‌های غنی کاربر برای پیش‌بینی نرخ کلیک (CTR) برای هر کاربری که آن تبلیغات را می‌بیند، استفاده می‌کنند. این دوره به شما یاد می دهد که چگونه مدل های پایه را در پایتون پیاده سازی کنید تا بتوانید نحوه بهینه سازی بهتر تبلیغات با یادگیری ماشین را مشاهده کنید. با استفاده از داده‌های تبلیغات واقعی، می‌آموزید که چگونه ویژگی‌ها را مهندسی کنید، مدل‌های یادگیری ماشینی را با استفاده از آن ویژگی‌ها بسازید، و مدل‌های خود را در زمینه پیش‌بینی CTR ارزیابی کنید. در پایان این دوره، درک قوی از نحوه استفاده از یادگیری ماشینی برای موثرتر کردن تبلیغات خود خواهید داشت.

در پیش‌بینی مالی در پایتون، به نقش مدیر مالی وارد می‌شوید و یاد می‌گیرید که چگونه به هیئت مدیره در مورد معیارهای کلیدی در حین ساخت پیش‌بینی مالی، مبانی صورت‌های درآمد و ترازنامه، و تمیز کردن داده‌های مالی نامرتب مشاوره دهید. در طول دوره، مجموعه داده های واقعی از نتفلیکس، تسلا و فورد را با استفاده از بسته پانداها بررسی خواهید کرد. پس از این دوره، می‌توانید معیارهای مالی را محاسبه کنید، با فرضیات و واریانس‌ها کار کنید و پیش‌بینی خود را در پایتون بسازید!

این دوره اصول اولیه نحوه و زمان انجام پیش پردازش داده ها را پوشش می دهد. این مرحله ضروری در هر پروژه یادگیری ماشینی زمانی است که داده های خود را برای مدل سازی آماده می کنید. بین وارد کردن و تمیز کردن داده‌های شما و تطبیق مدل یادگیری ماشین شما، زمانی است که پیش پردازش وارد عمل می‌شود. شما یاد خواهید گرفت که چگونه داده های خود را استاندارد کنید تا به شکل مناسبی برای مدل شما باشند، ویژگی های جدیدی ایجاد کنید تا اطلاعات موجود در مجموعه داده خود را به بهترین شکل ممکن استفاده کنید و بهترین ویژگی ها را برای بهبود تناسب مدل خود انتخاب کنید. در نهایت، با آماده‌سازی مجموعه داده‌های رویت‌های بشقاب پرنده برای مدل‌سازی، پیش‌پردازش را تمرین خواهید کرد.

توانایی ترکیب و کار با چندین مجموعه داده یک مهارت ضروری برای هر دانشمند داده مشتاق است. پانداها سنگ بنای حیاتی اکوسیستم علم داده پایتون است، با Stack Overflow که 5 میلیون بازدید برای سوالات پانداها ثبت کرده است. یاد بگیرید که با استفاده از پانداها، چندین DataFrame را با ترکیب، سازماندهی، پیوستن و تغییر شکل آنها مدیریت کنید. شما با مجموعه داده های بانک جهانی و شهر شیکاگو کار خواهید کرد. شما این دوره را با یک مجموعه مهارت قوی برای پیوستن به داده ها در پانداها به پایان خواهید رساند.

آیا مجذوب بازارهای مالی هستید و به تجارت مالی علاقه دارید؟ این دوره به شما کمک می کند تا بفهمید چرا مردم تجارت می کنند، سبک های مختلف معاملاتی چیست و چگونه از پایتون برای پیاده سازی و آزمایش استراتژی های معاملاتی خود استفاده کنید. ماجراجویی معاملاتی خود را با مقدمه ای بر تحلیل تکنیکال، اندیکاتورها و سیگنال ها آغاز کنید. شما یاد خواهید گرفت که با کار با داده های مالی دنیای واقعی مانند سهام، ارزهای خارجی و ارزهای دیجیتال، استراتژی های معاملاتی بسازید. در پایان این دوره، می‌توانید استراتژی‌های معاملاتی سفارشی را در پایتون پیاده‌سازی کنید، آنها را بک تست کنید و عملکرد آنها را ارزیابی کنید.

آیا برای بیان احساس خود در مورد یک محصول یا خدمات نظری گذاشته اید؟ و آیا عادت دارید قبل از خرید محصول، نظرات آن را به صورت آنلاین بررسی کنید؟ این نوع اطلاعات نه تنها برای شما بلکه برای شرکت ها نیز ارزشمند است. در این دوره یاد خواهید گرفت که چگونه احساسات بیان شده در اسناد مختلف را درک کنید. شما از مجموعه داده‌های دنیای واقعی شامل توییت‌ها، بررسی فیلم و محصول استفاده خواهید کرد و از بسته‌های nltk و scikit-learn Python استفاده خواهید کرد. در پایان دوره، می‌توانید یک کار تجزیه و تحلیل احساسات سرتاسری را بر اساس نحوه ابراز احساسات مسافران خطوط هوایی ایالات متحده در توییتر انجام دهید.