یکی از مهمترین وظایف یک دانشمند داده، درک روابط بین موقعیت فیزیکی داده ها و بافت جغرافیایی آنهاست. در این دوره شما یاد خواهید گرفت که با بسته GeoPandas تجسم های جذابی از داده های جغرافیایی ایجاد کنید. شما یاد خواهید گرفت که به صورت فضایی به مجموعه داده ها بپیوندید و داده ها را به زمینه پیوند دهید. در نهایت یاد خواهید گرفت که داده های مکانی را روی نقشه ها قرار دهید تا نشانه های فضایی بیشتری را به کار خود اضافه کنید. شما از چندین مجموعه داده از پورتال داده باز شهر نشویل استفاده خواهید کرد تا بدانید جوجه ها در نشویل کجا هستند، کدام محله دارای بیشترین هنر عمومی است و موارد دیگر!

آیا دوره آموزشی DataCamp را در مقدمه تجزیه و تحلیل شبکه در پایتون گذرانده اید و مشتاق یادگیری تکنیک های پیچیده تری برای تجزیه و تحلیل شبکه های خود هستید، خواه شبکه های اجتماعی، حمل و نقل یا بیولوژیکی باشند؟ سپس این دوره برای شماست! در اینجا، دانش و مهارت های خود را برای مقابله با مشکلات پیشرفته تر در تجزیه و تحلیل شبکه ایجاد خواهید کرد! شما مهارت‌های مفهومی و عملی را برای تجزیه و تحلیل سری‌های زمانی در حال تکامل شبکه‌ها، یادگیری در مورد نمودارهای دوبخشی و نحوه استفاده از نمودارهای دوبخشی در سیستم‌های توصیه محصول به دست خواهید آورد. همچنین در مورد پیش‌بینی‌های گراف، چرایی مفید بودن آن‌ها در علم داده، و بهترین راه‌های ذخیره و بارگذاری داده‌های نمودار از فایل‌ها را خواهید آموخت. شما تمام این دانش را در یک مطالعه موردی فصل آخر ادغام خواهید کرد، که در آن مجموعه داده های انجمن را تجزیه و تحلیل می کنید و از این دوره یک نینجا Pythonista Network Analyst بیرون می آیید!

نیاز به بسته بندی یک فرهنگ لغت دوزبانه برای تعطیلات اروپایی خود یا نگه داشتن یک فرهنگ لغت روی میز برای تکمیل تکالیف درسی زبان خارجی، چیزی از گذشته است. فقط کافی است وارد اینترنت شوید و از یک سرویس ترجمه زبان استفاده کنید تا به سرعت بفهمید تابلوی خیابان چه معنایی دارد یا نحوه احوالپرسی و تشکر از یک خارجی را به زبان آنها بیابید. پشت خدمات ترجمه زبان، مدل های پیچیده ترجمه ماشینی وجود دارد. آیا تا به حال فکر کرده اید که این مدل ها چگونه کار می کنند؟ این دوره به شما امکان می دهد تا عملکرد درونی یک مدل ترجمه ماشینی را کشف کنید. شما از Keras، یک کتابخانه قدرتمند یادگیری عمیق مبتنی بر پایتون، برای پیاده سازی یک مدل ترجمه استفاده خواهید کرد. سپس به مدل آموزش می دهید تا ترجمه انگلیسی به فرانسوی را انجام دهد و تکنیک هایی برای بهبود مدل خود به شما نشان داده می شود. در پایان این دوره، شما باید درک عمیقی از مدل‌های ترجمه ماشینی داشته باشید و از آن‌ها بیشتر قدردانی کنید!

در این دوره، با یادگیری طراحی، اجرا و تجزیه و تحلیل این تست‌های A/B در پایتون، وارد تست A/B خواهید شد. قبل از تخمین حجم نمونه و مدت زمان مناسب برای به دست آوردن نتایج قطعی، با یادگیری تعریف معیارهای مناسب شروع خواهید کرد. در طول این دوره، از طیف وسیعی از بسته‌های پایتون برای کمک به تست A/B، از جمله statsmodels، scipy و pingouin استفاده خواهید کرد. در پایان، می‌توانید بررسی‌هایی را اجرا کنید که نتایج دقیق را تضمین می‌کنند، بر هنر p-values ​​تسلط دارند، و نتایج آزمون‌های A/B را با سهولت و اطمینان تجزیه و تحلیل می‌کنند تا حیاتی‌ترین تصمیم‌های تجاری را هدایت کنند.

آزمایش فرضیه به شما امکان می‌دهد به سؤالات مربوط به مجموعه داده‌های خود به روشی آماری دقیق پاسخ دهید. در این دوره، مهارت‌های تحلیلی پایتون خود را با یادگیری نحوه و زمان استفاده از تست‌های رایج مانند آزمون‌های t، تست‌های نسبت و تست‌های مجذور کای افزایش خواهید داد. با کار با داده‌های دنیای واقعی، از جمله بازخورد کاربر Stack Overflow و داده‌های زنجیره تامین برای محموله‌های تجهیزات پزشکی، درک عمیقی از نحوه کار این آزمایش‌ها و مفروضات کلیدی زیربنای آنها به دست خواهید آورد. همچنین خواهید فهمید که چگونه می توان از آزمون های ناپارامتریک برای فراتر رفتن از محدودیت های آزمون های فرضیه سنتی استفاده کرد.

یک سازمان معمولی تقریباً 5٪ از درآمد سالانه خود را به دلیل تقلب از دست می دهد. در این دوره یاد می گیرید که چگونه با استفاده از داده ها با کلاهبرداری مبارزه کنید. به عنوان مثال، نحوه استفاده از الگوریتم‌های یادگیری تحت نظارت را برای شناسایی رفتارهای متقلبانه مشابه رفتارهای گذشته و همچنین روش‌های یادگیری بدون نظارت برای کشف انواع جدیدی از فعالیت‌های کلاهبرداری را خواهید آموخت. علاوه بر این، در تجزیه و تحلیل تقلب، هنگام طبقه‌بندی تقلب در مقابل غیرتقلب، اغلب با مجموعه داده‌های بسیار نامتعادل سروکار دارید، و در طول این دوره، تکنیک‌هایی را در مورد نحوه برخورد با آن انتخاب خواهید کرد. این دوره ترکیبی از بینش های فنی و نظری را ارائه می دهد و به شما نحوه پیاده سازی عملی مدل های تشخیص تقلب را نشان می دهد. علاوه بر این، نکات و توصیه هایی را از تجربه واقعی دریافت خواهید کرد تا به شما در جلوگیری از اشتباهات رایج در تجزیه و تحلیل تقلب کمک کند.

ناهنجاری‌ها تقریباً در هر مجموعه داده وجود دارند، و شناسایی و مقابله با آنها قبل از ادامه کاوش آماری بسیار مهم است. این دوره به شما آموزش می دهد که از پایتون برای روش های مختلف تشخیص ناهنجاری استفاده کنید. شما به صورت بصری نقاط پرت را شناسایی می کنید و روش ها و تکنیک های آماری را برای داده های تک متغیره و چند متغیره اعمال خواهید کرد. علاوه بر این، خواهید فهمید که چگونه چندین طبقه بندی کننده پرت را برای یک تخمین نهایی قابل اعتماد ترکیب کنید. افزودن این مهارت به مجموعه موجود پایتون به شما در پاکسازی داده ها، کشف تقلب و شناسایی اختلالات سیستم کمک می کند.

اغلب داده‌ها در قالبی قابل خواندن برای انسان هستند، اما برای تجزیه و تحلیل داده‌ها مناسب نیستند. این جایی است که پانداها می توانند کمک کنند - این ابزار قدرتمندی برای تغییر شکل DataFrame به فرمت های مختلف است. در این دوره، مهارت‌های دانشمند داده و تحلیلگر خود را افزایش می‌دهید زیرا یاد می‌گیرید چگونه ستون‌های رشته‌ای و داده‌های تودرتو موجود در DataFrame را به هم بزنید. وقتی یاد می‌گیرید چگونه یک DataFrame را از قالب گسترده به طولانی تغییر شکل دهید، ردیف‌ها و ستون‌ها را پشته و جدا کنید، و آمار توصیفی یک DataFrame چند شاخصه را دریافت کنید، با داده‌های دنیای واقعی، از جمله رتبه‌بندی بازیکنان فیفا، بررسی کتاب‌ها، و داده‌های تجزیه و تحلیل خرد کار خواهید کرد.

بعد از تمام کارهای سخت برای به دست آوردن داده ها و تبدیل آنها به شکلی که می توانید با آن کار کنید، در نهایت می خواهید نتیجه گیری های واضح و مختصر از آنها بگیرید. این آخرین مرحله حیاتی خط لوله تجزیه و تحلیل داده ها به اصول استنتاج آماری بستگی دارد. در این دوره، شما شروع به ساختن پایه‌ای می‌کنید که باید آماری فکر کنید، به زبان داده‌هایتان صحبت کنید و بفهمید که داده‌هایتان به شما چه می‌گویند. پایه‌های تفکر آماری چندین دهه طول کشید تا ساخته شود، اما امروزه با کمک رایانه‌ها می‌توان آنها را بسیار سریع‌تر درک کرد. با قدرت ابزارهای مبتنی بر پایتون، شما به سرعت در پایان این دوره به سرعت به‌روز می‌شوید و شروع به تفکر آماری می‌کنید.

پس از تکمیل تفکر آماری در پایتون (قسمت 1)، شما دارای طرز فکر احتمالی و مهارت های آماری پایه هکر هستید تا در مجموعه داده ها فرو بروید و اطلاعات مفیدی را از آنها استخراج کنید. در این دوره، شما دقیقاً این کار را انجام خواهید داد، جعبه ابزار آمار هکر خود را برای انجام دو وظیفه کلیدی در استنتاج آماری، تخمین پارامتر و آزمایش فرضیه، گسترش داده و تقویت می‌کنید. همانطور که یاد می گیرید با مجموعه داده های واقعی کار خواهید کرد که با تجزیه و تحلیل اندازه گیری منقار فنچ های معروف داروین به اوج می رسد. شما از این دوره با دانش جدید و تمرین زیاد بیرون خواهید آمد و آماده حمله به مشکلات استنتاج خود در جهان هستید.

موفق ترین شرکت های امروزی آنهایی هستند که مشتریان خود را آنقدر خوب می شناسند که بتوانند نیازهای آنها را پیش بینی کنند. تحلیلگران داده نقش کلیدی در بازگشایی این بینش های عمیق و تقسیم بندی مشتریان برای ارائه خدمات بهتر به آنها ایفا می کنند. در این دوره، با استفاده از یک مجموعه داده واقعی حاوی تراکنش‌های مشتری ناشناس از یک خرده‌فروش آنلاین، تکنیک‌های دنیای واقعی در تقسیم‌بندی مشتری و تجزیه و تحلیل رفتاری را خواهید آموخت. ابتدا تجزیه و تحلیل گروهی را برای درک روند مشتری اجرا خواهید کرد. سپس یاد خواهید گرفت که چگونه بخش های مشتری را برای تفسیر آسان بسازید. علاوه بر آن، بخش هایی را که ایجاد کرده اید آماده می کنید و آنها را برای یادگیری ماشین آماده می کنید. در نهایت، بخش‌های خود را با خوشه‌بندی k-means، تنها در چند خط کد، قدرتمندتر خواهید کرد! در پایان این دوره، می‌توانید از تکنیک‌های تجزیه و تحلیل رفتاری مشتری و بخش‌بندی عملی استفاده کنید.

آیا به دنبال یافتن شغل بعدی هستید یا مهارت های مصاحبه آماری خود را تقویت می کنید تا دقیق بمانید؟ برای تسلط بر مفاهیم مصاحبه کلاسیک از احتمالات مشروط گرفته تا تست A/B تا مبادله بایاس-واریانس و موارد دیگر آماده شوید! شما با مجموعه ای متنوع از مجموعه داده ها از جمله نتایج آزمایش های مبتنی بر وب و داده های آب و هوای استرالیا کار خواهید کرد. پس از این دوره، می‌توانید با اطمینان در مصاحبه بعدی خود وارد شوید و با کمک پایتون به سؤالات آماری پاسخ دهید!

آیا تا به حال به این فکر کرده اید که چگونه برای مصاحبه یادگیری ماشینی به درستی آماده شوید؟ در این دوره، شما پاسخ 15 سوال رایج یادگیری ماشین (ML) در مصاحبه پایتون را برای نقش دانشمند داده آماده خواهید کرد. این سوالات حول هفت موضوع مهم می چرخد: پیش پردازش داده ها، تجسم داده ها، یادگیری تحت نظارت، یادگیری بدون نظارت، مجموعه مدل، انتخاب مدل، و ارزیابی مدل. شما با کار بر روی سوالات پیش پردازش داده و تجسم داده ها شروع خواهید کرد. پس از انجام تمام مراحل پیش پردازش، یک مدل ML پیش بینی برای تقویت مهارت های عملی خود ایجاد خواهید کرد. در مرحله بعد، برخی از تکنیک های یادگیری تحت نظارت را قبل از رفتن به یادگیری بدون نظارت پوشش خواهید داد. بسته به نقش، احتمالاً هر دو موضوع را در مصاحبه یادگیری ماشینی خود پوشش خواهید داد. در نهایت، با پوشش انتخاب و ارزیابی مدل، بررسی نحوه ارزیابی عملکرد برای تعمیم مدل، و نگاهی به تکنیک‌های مختلف هنگام ساخت یک مدل مجموعه، کار را به پایان می‌رسانید. در پایان دوره، شما هم پیشینه نظری مورد نیاز و هم توانایی توسعه کد پایتون برای پاسخگویی موفقیت آمیز به این 15 سوال را خواهید داشت. با توجه به سهولت استفاده و توانایی آن برای پوشش دادن مهم ترین تکنیک های یادگیری ماشین در زبان پایتون، نمونه های کدگذاری عمدتاً بر اساس بسته Sicit-Learn خواهند بود. این دوره اصول یادگیری ماشینی را آموزش نمی دهد، زیرا این موارد در پیش نیازهای دوره پوشش داده شده است.

کدنویسی مصاحبه ها می تواند چالش برانگیز باشد. ممکن است برای تست دانش شما از یک زبان برنامه نویسی سوالاتی از شما پرسیده شود. از طرف دیگر، می توان به شما وظیفه ای را برای حل کردن محول کرد تا بررسی کنید که چگونه فکر می کنید. و هنگامی که برای یک موقعیت دانشمند داده با شما مصاحبه می شود، احتمالاً می توان از ابزارهای مربوطه در دسترس برای زبان سؤال کرد. در هر یک از موارد، برای به دست آوردن یک موقعیت خوب به عنوان یک دانشمند داده، باید کمی کار کنید تا بهترین عملکرد را داشته باشید. به همین دلیل تمرین برای اثبات تخصص خود بسیار مهم است! این دوره به عنوان یک راهنما برای کسانی است که تازه راه خود را برای تبدیل شدن به یک دانشمند داده حرفه ای آغاز کرده اند و به عنوان یک تجدید کننده برای کسانی که به دنبال فرصت های دیگر هستند. ما موضوعات اساسی و همچنین پیشرفته را بررسی خواهیم کرد که هدف آنها آماده کردن شما برای مصاحبه کدنویسی در پایتون است. از آنجایی که این یک دوره گام به گام عادی نیست، برخی از تمرینات می توانند بسیار پیچیده باشند. اما چه کسی گفت که مصاحبه آسان است، درست است؟

ساخت مدل‌های یادگیری ماشینی قدرتمند به شدت به مجموعه فراپارامترهای مورد استفاده بستگی دارد. اما با مدل‌های پیچیده‌تر با گزینه‌های زیاد، چگونه می‌توانید بهترین تنظیمات را برای مشکل خاص خود به طور مؤثر پیدا کنید؟ در این دوره شما تجربه عملی در استفاده از برخی متدولوژی های رایج برای تنظیم خودکار فراپارامتر در پایتون با استفاده از Scikit Learn خواهید داشت. اینها عبارتند از جستجوی شبکه، جستجوی تصادفی و روش‌های بهینه‌سازی پیشرفته از جمله الگوریتم‌های بیزی و ژنتیک. از مجموعه داده‌ای استفاده خواهید کرد که پیش‌فرض‌های کارت اعتباری را پیش‌بینی می‌کند و مهارت‌هایی را ایجاد می‌کنید تا کارایی و اثربخشی ساخت مدل یادگیری ماشین خود را به‌طور چشمگیری افزایش دهید.

شما تجزیه و تحلیل خود را انجام داده اید، گزارش خود را ساخته اید و یک مدل آموزش داده اید. بعدش چی؟ خوب، اگر می‌خواهید مدل خود را در مرحله تولید قرار دهید، کد شما باید قابل اعتمادتر از اسکریپت‌های اکتشافی در یک نوت بوک Jupyter باشد. توابع نوشتن در پایتون به شما پایه ای قوی در نوشتن توابع پیچیده و زیبا می دهد تا بتوانید مهارت های تحقیقاتی و مهندسی را به تیم خود کمک کنید. ترفندهای مفیدی مانند نحوه نوشتن مدیران زمینه و دکوراتورها را یاد خواهید گرفت. همچنین بهترین شیوه ها را در مورد نحوه نوشتن توابع قابل استفاده مجدد قابل نگهداری با مستندات خوب یاد خواهید گرفت. آنها می گویند افرادی که می توانند خوب تحقیق کنند و کدهای باکیفیت بنویسند تک شاخ هستند. در این دوره شرکت کنید و جادو را کشف کنید!

با استفاده از قدرت چارچوب LangChain برای ایجاد برنامه های کاربردی بر اساس مدل های زبان بزرگ (LLM) برنامه های خود را انقلابی کنید! یکی از چالش‌های اصلی برای توسعه برنامه‌های کاربردی در عصر هوش مصنوعی مولد، ادغام مدل‌ها، منابع داده، درخواست‌ها و سایر اجزای ارائه‌دهندگان مختلف در یک برنامه واحد است. چارچوب LangChain یک نحو واحد و یکپارچه برای کنار هم قرار دادن تمام این قطعات فراهم می کند تا به شما امکان دهد LLM ها را به طور یکپارچه در پروژه های خود ادغام کنید. چه یک توسعه دهنده با تجربه باشید و چه تازه شروع کرده اید، این دوره شما را با دانش و مهارت هایی برای ساخت برنامه های کاربردی پویا و هوشمند که از قابلیت های بی حد و حصر LangChain بهره می برند، مجهز می کند. در این سفر تحول‌آفرین به ما بپیوندید و نحوه ایجاد برنامه‌های کاربردی مبتنی بر مدل‌های زبان را دوباره تعریف کنید.

آیا می‌بینید همان کد را بین فایل‌ها کپی و جای‌گذاری می‌کنید و آرزو می‌کنید استفاده مجدد و اشتراک‌گذاری قطعه‌های عالی‌تان آسان‌تر بود؟ قرار دادن کد خود در بسته های پایتون می تواند کمک کننده باشد! در این دوره آموزشی، با ساختار بسته و فایل های اضافی مورد نیاز برای تبدیل کد شل به بسته های مناسب آشنا می شوید. همچنین در مورد ساختار واردات، مستندات و نحوه حفظ سبک کد با استفاده از flake8 یاد خواهید گرفت. سپس توسعه بسته خود را با ساختن الگوها، با استفاده از کوکی‌کاتر برای ایجاد اسکلت‌های بسته، سرعت می‌بخشید. در نهایت، یاد خواهید گرفت که چگونه از setuptools و twine برای ساخت و انتشار بسته‌های خود در PyPI - صحنه جهانی بسته‌های Python استفاده کنید.

در این دوره آموزشی Python Toolbox، به ساختن مهارت‌های پیشرفته‌تر پایتون ادامه خواهید داد. ابتدا، در مورد تکرار کننده ها، اشیایی که قبلاً در زمینه حلقه های for با آنها مواجه شده اید، آشنا خواهید شد. سپس در مورد درک لیست ها، که ابزار بسیار مفیدی برای همه متخصصان داده و توسعه دهندگانی است که در پایتون کار می کنند، یاد خواهید گرفت. شما دوره را با مطالعه موردی به پایان می رسانید که در آن تمام تکنیک هایی را که در هر دو قسمت این دوره آموخته اید به کار می گیرید.

حریم خصوصی داده ها هرگز مهمتر از این نبوده است. اما چگونه حریم خصوصی را با نیاز به جمع آوری و به اشتراک گذاری بینش های ارزشمند تجاری متعادل می کنید؟ در این دوره آموزشی، با استفاده از روش‌های مشابه گوگل و آمازون، از جمله تعمیم داده‌ها و مدل‌های حفظ حریم خصوصی، مانند K-Anonymity و حفظ حریم خصوصی متفاوت، یاد می‌گیرید که چگونه این کار را انجام دهید. علاوه بر لمس موضوعاتی مانند GDPR، نحوه ساخت و آموزش مدل‌های یادگیری ماشینی در پایتون و در عین حال محافظت از اطلاعات حساس کاربران مانند داده‌های کارمند و درآمد را نیز خواهید یافت. بیایید شروع کنیم!