از شبکه‌های اجتماعی آنلاین مانند فیس‌بوک و توییتر گرفته تا شبکه‌های حمل‌ونقل مانند سیستم‌های اشتراک‌گذاری دوچرخه، شبکه‌ها همه جا هستند—و دانستن نحوه تجزیه و تحلیل آنها دنیای جدیدی از امکانات را برای شما به عنوان یک دانشمند داده باز می‌کند. این دوره شما را به مهارت های تجزیه و تحلیل، تجسم و درک شبکه ها مجهز می کند. با استفاده از کتابخانه قدرتمند NetworkX، مفاهیمی را که یاد می‌گیرید در داده‌های شبکه دنیای واقعی اعمال خواهید کرد. با دانش به دست آمده در این دوره، مهارت های تفکر شبکه ای خود را توسعه می دهید و می توانید با دیدگاهی تازه به داده های خود نگاه کنید.

افراد زیادی کد می نویسند. برخی از آنها آن را کارآمد و سودآور می کنند. اما گاهی اوقات، حتی باهوش ترین برنامه نویسان نیز مرتکب اشتباهی می شوند که می تواند میلیون ها دلار هزینه داشته باشد. چگونه می توان احتمال وارد شدن به چنین شکستی را کاهش داد؟ چگونه مطمئن می شوید که برنامه ای ایجاد می کنید که دقیقاً همان کاری را که می خواهید انجام می دهد؟ پاسخ بسیار ساده این است: تست بنویسید!

در طول این سفر، اصول اولیه ایجاد تست در پایتون را خواهید آموخت. شما با چهار نوع روش تست نرم افزار آشنا خواهید شد. شما تست های خود را ایجاد خواهید کرد تا بررسی کنید که آیا برنامه یا خط لوله داده قبل از تولید آن طور که انتظار می رود کار می کند یا خیر. خواه تهی غیرمنتظره باشد، یا اشتباه تایپی در مجموعه داده شما، یا علائم مختلط در معادله. شما می توانید، و با آزمایشات آن موارد را خواهید گرفت.

پس از اتمام دوره، انواع روش‌های تست را می‌شناسید و می‌توانید مناسب‌ترین روش‌ها را برای یک زمینه خاص انتخاب کنید. همچنین می‌توانید آن تست‌ها را طراحی کرده و با استفاده از کتابخانه‌های pytest و unittest در پایتون پیاده‌سازی کنید.

وقت آن است که به جلو حرکت کنید و برش های پایتون خود را حتی بیشتر توسعه دهید. پایتون دارای عملکردهای خارق العاده و یک اکوسیستم ماژول است. با این حال، به‌عنوان یک متخصص داده یا توسعه‌دهنده، دائماً باید برای حل مشکلاتی که توسط داده‌های شما دیکته می‌شوند، توابع خود را بنویسید. در این دوره اول هنر نوشتن تابع را خواهید آموخت. شما از این دوره بیرون خواهید آمد و قادر خواهید بود توابع سفارشی خود را بنویسید، با پارامترهای متعدد و مقادیر بازگشتی متعدد، همراه با آرگومان های پیش فرض و آرگومان های طول متغیر. شما بینشی در مورد محدوده در پایتون به دست خواهید آورد، قادر خواهید بود توابع لامبدا را بنویسید و خطاها را در تمرین نوشتن تابع خود مدیریت کنید. هر فصل را با استفاده از مهارت‌های جدید خود برای نوشتن توابعی که داده‌های توییتر را تجزیه و تحلیل می‌کنند، به پایان می‌رسانید.

رگرسیون خطی و رگرسیون لجستیک دو مدل از پرکاربردترین مدل‌های آماری هستند. آنها مانند کلیدهای اصلی عمل می کنند و اسرار پنهان در داده های شما را باز می کنند. در این دوره، مهارت هایی را که برای تناسب رگرسیون های خطی و لجستیکی ساده نیاز دارید، به دست خواهید آورد. از طریق تمرینات عملی، شما روابط بین متغیرها را در مجموعه داده های دنیای واقعی، از جمله ادعای بیمه موتور، قیمت خانه تایوان، اندازه ماهی و موارد دیگر کشف خواهید کرد. در پایان این دوره، می‌دانید که چگونه از داده‌های خود پیش‌بینی کنید، عملکرد مدل را کمی کنید و مشکلات مربوط به تناسب مدل را تشخیص دهید.

سفر خود را در علم داده آغاز کنید! حتی اگر هرگز در زندگی خود یک خط کد ننوشته اید، می توانید این دوره را دنبال کنید و شاهد قدرت پایتون در اجرای Data Science باشید. از داده‌ها برای حل معمای بیز، رتریور طلایی ربوده شده استفاده می‌کنید و در طول مسیر با نحو اصلی پایتون و ماژول‌های معروف Data Science مانند Matplotlib (برای نمودارها و نمودارها) و پانداها (برای داده‌های جدولی) آشنا می‌شوید.

نحوه دستکاری داده ها و استخراج بینش با Polars را کشف کنید، یک بسته قدرتمند و همه منظوره برای کار با داده های جدولی در پایتون. Polars که برای سرعت و کارایی طراحی شده است، یک انتخاب عالی برای همه چیز از کاوش سریع داده تا تجزیه و تحلیل دقیق است. در این دوره، تکنیک های کلیدی برای تبدیل، تمیز کردن، تجزیه و تحلیل و تجسم داده های جدولی را خواهید آموخت.

Great Expectations یک کتابخانه قدرتمند پایتون برای نظارت بر کیفیت داده ها در جریان کار علم داده و مهندسی است. یاد بگیرید که مجموعه داده های دنیای واقعی را به هم متصل کنید، Expectations را اعمال کنید، ویرایش کنید و حذف کنید، و خطوط لوله ایجاد کنید تا مجموعه داده های جدید در تولید را تأیید کنید. انتظارات برای ستون‌های عددی و رشته‌ای را بررسی می‌کنید و اعتبارسنجی‌ها را در ستون‌ها می‌نویسید. در پایان، مطمئن خواهید شد که داده‌هایتان با استانداردهای کیفیت مطابقت دارند.

یکی از اهداف اولیه هر دانشمندی یافتن الگوهایی در داده ها و ساخت مدل هایی برای توصیف، پیش بینی و استخراج بینش از آن الگوها است. اساسی ترین این الگوها رابطه خطی بین دو متغیر است. این دوره با نشان دادن تکنیک‌هایی مانند حداقل مربعات، رگرسیون خطی، تخمین و نمونه‌برداری مجدد بوت استرپ، مقدمه‌ای بر کاوش، کمی‌سازی و مدل‌سازی روابط خطی در داده‌ها ارائه می‌کند. در اینجا قدرتمندترین ابزارهای مدل‌سازی در اکوسیستم علوم داده پایتون، از جمله scipy، statsmodels و scikit-learn را برای ساخت و ارزیابی مدل‌های خطی به کار خواهید برد. با کاوش در مفاهیم و کاربردهای مدل های خطی با پایتون، این دوره هم به عنوان یک مقدمه عملی برای مدل سازی و هم به عنوان پایه ای برای یادگیری تکنیک ها و ابزارهای مدل سازی پیشرفته تر در آمار و یادگیری ماشین عمل می کند.

قفل قدرت کلود برای ایجاد تجربیات هوش مصنوعی ایمن، متفکرانه و پر تاثیر را باز کنید. در این دوره، نحوه کار با Claude را با استفاده از Anthropic API برای حل وظایف دنیای واقعی در تولید محتوا، خلاصه‌سازی، پشتیبانی مشتری و موارد دیگر خواهید آموخت. شما با مدل‌های کلود آزمایش می‌کنید تا اعلان‌های مؤثر بنویسید، مکالمات چند نوبتی را شبیه‌سازی کنید، و دستیارهای مبتنی بر نقش بسازید. در پایان، شما مجهز به ایجاد برنامه‌هایی خواهید بود که قابلیت اطمینان، استدلال و ساختار را ترکیب می‌کنند—همه توسط یکی از پیشرفته‌ترین مدل‌های زبان بزرگ امروزی ارائه می‌شوند.

این دوره به شما می آموزد که چگونه ریسک و بازده سهام اولیه را مانند یک تحلیلگر کمی در وال استریت ارزیابی کنید. این مهم ترین گام در جهت خودکارسازی کامل فرآیندهای ساخت و مدیریت پورتفولیو است. کشف کنید چه عواملی باعث بازدهی پرتفوی شما می شود، سبدهای سهام وزنی با ارزش بازار بسازید، و یاد بگیرید که چگونه ریسک بازار را از طریق تولید سناریو پیش بینی و محافظت کنید.

درک اصول اساسی امور مالی برای اتخاذ تصمیمات مالی مهم از گرفتن وام دانشجویی تا ساختن یک سبد سرمایه گذاری ضروری است. ترکیب دانش مالی اولیه با پایتون به شما امکان می دهد ابزارهای بسیار قدرتمندی بسازید. شما از این دوره با درک ارزش زمانی پول، نحوه مقایسه پروژه های بالقوه و نحوه اتخاذ تصمیمات مالی منطقی و مبتنی بر داده ها آشنا خواهید شد.

آیا شنیده‌اید که مردم در مورد مهندسان داده صحبت می‌کنند و تعجب می‌کنید که آنها چه کار می‌کنند؟ آیا می دانید مهندسان داده چه کار می کنند اما مطمئن نیستید که چگونه خودتان یکی شوید؟ این دوره مقدمه کاملی است. همه چیزهایی را که برای ساده‌سازی پردازش داده‌های خود باید بدانید، مورد بررسی قرار می‌دهد. این دوره مقدماتی زمینه کافی برای شروع کاوش در دنیای مهندسی داده را در اختیار شما قرار می دهد. برای افرادی که در شرکتی با چندین منبع داده کار می کنند و ایده روشنی در مورد نحوه استفاده از همه این منابع داده به روشی مقیاس پذیر ندارند، عالی است. اولین کسی باشید که این تکنیک ها را به شرکت خود معرفی می کند و کارمند ستاره شرکت شوید.

به‌عنوان یک دانشمند داده، باید داده‌ها را پاکسازی کنید، آن‌ها را با هم درگیر کنید، آن‌ها را تجسم کنید، مدل‌های پیش‌بینی‌کننده بسازید، و این مدل‌ها را تفسیر کنید. قبل از اینکه بتوانید این کار را انجام دهید، باید بدانید که چگونه داده ها را به پایتون وارد کنید. در این دوره آموزشی، راه های زیادی برای وارد کردن داده ها به پایتون خواهید آموخت: از فایل های مسطح مانند txt. و .csv. از فایل‌های بومی به نرم‌افزارهای دیگر مانند صفحات گسترده Excel، Stata، SAS و فایل‌های MATLAB. و از پایگاه داده های رابطه ای مانند SQLite و PostgreSQL.

یادگیری عمیق اینجاست! این تکنیک برای حل مشکلات پیچیده ای است که با داده های ساختار نیافته و ابزاری باورنکردنی برای نوآوری به وجود می آیند. Keras یکی از چارچوب‌هایی است که شروع به توسعه مدل‌های یادگیری عمیق را آسان‌تر می‌کند و به اندازه کافی همه‌کاره است تا در کمترین زمان مدل‌های آماده برای صنعت بسازید. در این دوره با پیش‌بینی مسیر سیارک‌ها، رگرسیون را یاد می‌گیرید و زمین را نجات می‌دهید، از طبقه‌بندی دوتایی برای تشخیص بین اسکناس‌های واقعی و جعلی استفاده می‌کنید، از طبقه‌بندی چند طبقه برای تصمیم‌گیری اینکه چه کسی کدام دارت را به سمت تخته دارت پرتاب کرده است، استفاده از شبکه‌های عصبی برای بازسازی تصاویر پر سر و صدا و موارد دیگر را استفاده می‌کنید. علاوه بر این، یاد خواهید گرفت که چگونه مدل های خود را در طول آموزش بهتر کنترل کنید و چگونه آنها را تنظیم کنید تا عملکرد آنها را افزایش دهید.

یادگیری عمیق تکنیک یادگیری ماشینی است که در پشت هیجان‌انگیزترین قابلیت‌ها در زمینه‌های مختلف مانند روباتیک، پردازش زبان طبیعی، تشخیص تصویر و هوش مصنوعی، از جمله AlphaGo معروف است. در این دوره، دانش عملی و عملی در مورد نحوه استفاده از یادگیری عمیق با Keras 2.0، آخرین نسخه یک کتابخانه پیشرفته برای یادگیری عمیق در پایتون، به دست خواهید آورد.

در این دوره، تکنیک هایی را یاد می گیرید که به شما امکان می دهد اطلاعات مفیدی را از متن استخراج کنید و آنها را در قالبی مناسب برای استفاده از مدل های ML پردازش کنید. به طور خاص، شما در مورد برچسب گذاری POS، شناسایی موجودیت نام، امتیازات خوانایی، مدل های n-gram و tf-idf و نحوه پیاده سازی آنها با استفاده از scikit-learn و spaCy خواهید آموخت. شما همچنین یاد خواهید گرفت که محاسبه کنید دو سند چقدر شبیه به یکدیگر هستند. در این فرآیند، احساسات نقدهای فیلم را پیش‌بینی می‌کنید و توصیه‌کنندگان فیلم و تد تاک را می‌سازید. پس از این دوره، می‌توانید ویژگی‌های حیاتی را از هر متنی مهندسی کنید و برخی از چالش‌برانگیزترین مشکلات در علم داده را حل کنید!

هر روز در مورد پیشرفت های شگفت انگیزی که چگونه جدیدترین برنامه های کاربردی یادگیری ماشینی در حال تغییر جهان هستند، می خوانید. اغلب این گزارش این واقعیت را پنهان می‌کند که حجم عظیمی از داده‌ها و مهندسی ویژگی‌ها باید قبل از استفاده از هر یک از این مدل‌های فانتزی انجام شود. در این دوره یاد خواهید گرفت که چگونه این کار را انجام دهید. شما با نظرسنجی Stack Overflow Developers و سخنرانی‌های تاریخی مراسم تحلیف ریاست‌جمهوری ایالات متحده کار خواهید کرد تا بفهمید چگونه می‌توانید ویژگی‌ها را از داده‌های طبقه‌بندی، پیوسته و بدون ساختار به بهترین شکل پیش پردازش و مهندسی کنید. این دوره به شما تجربه عملی در مورد نحوه آماده سازی هر داده ای برای مدل های یادگیری ماشین خود می دهد.

نظارت بر مدل‌های یادگیری ماشینی موفقیت بلندمدت پروژه‌های یادگیری ماشینی شما را تضمین می‌کند. نظارت می تواند بسیار پیچیده باشد. با این حال، بسته‌های پایتون وجود دارد که به ما کمک می‌کند تا بفهمیم مدل‌هایمان چگونه عمل می‌کنند، چه داده‌هایی تغییر کرده‌اند که ممکن است منجر به کاهش عملکرد شود، و به ما سرنخ‌هایی می‌دهند که باید انجام دهیم تا مدل‌های خود را به مسیر درست برگردانیم. این دوره همه چیزهایی را که برای ساختن یک سیستم نظارت پایه در پایتون با استفاده از بسته محبوب مانیتور، nannyml، نیاز دارید، پوشش می دهد.

نمونه‌گیری در پایتون سنگ بنای آمار استنتاج و آزمایش فرضیه است. این یک مهارت قدرتمند است که در تجزیه و تحلیل نظرسنجی و طراحی تجربی برای نتیجه‌گیری بدون بررسی کل جمعیت استفاده می‌شود. در این دوره آموزشی Sampling in Python، متوجه خواهید شد که چه زمانی از نمونه برداری استفاده کنید و چگونه انواع معمول نمونه برداری را انجام دهید - از نمونه گیری تصادفی ساده تا روش های پیچیده تر مانند نمونه گیری طبقه ای و خوشه ای. با استفاده از مجموعه داده‌های دنیای واقعی، از جمله رتبه‌بندی‌های قهوه، آهنگ‌های Spotify، و فرسایش کارکنان، می‌آموزید که آمار جمعیت را تخمین بزنید و با ایجاد توزیع‌های نمونه‌گیری و توزیع‌های بوت استرپ، عدم قطعیت در تخمین‌های خود را کمی کنید.

به‌عنوان یک دانشمند داده، بیشتر وقت شما باید صرف جمع‌آوری بینش‌های عملی از داده‌ها شود - نه اینکه منتظر بمانید تا اجرای کدتان به پایان برسد. نوشتن کد پایتون کارآمد می تواند به کاهش زمان اجرا و صرفه جویی در منابع محاسباتی کمک کند، و در نهایت شما را آزاد می کند تا کارهایی را که به عنوان یک دانشمند داده دوست دارید انجام دهید. در این دوره آموزشی، نحوه استفاده از ساختارهای داده، توابع و ماژول‌های داخلی پایتون را برای نوشتن کدهای تمیزتر، سریع‌تر و کارآمدتر یاد خواهید گرفت. ما نحوه تعیین زمان و کد نمایه را برای یافتن تنگناها بررسی خواهیم کرد. سپس، با استفاده از کتابخانه استاندارد پایتون، NumPy و پانداها، از بین بردن این تنگناها و دیگر الگوهای بد طراحی را تمرین خواهید کرد. پس از اتمام این دوره، ابزارهای لازم برای شروع نوشتن کد پایتون کارآمد را خواهید داشت!