0
041 35404690

آموزش گام به گام علم داده

سرفصل های دوره Data Science

بخش اول-درک مساله کسب و کار

کاربرد روش تحلیل توصیفی

شاخص های کلیدی عملکرد

پردازش تحلیل آنلاین

هوشمندی کسب و کار

کاربرد روشهای تحلیل پیشگویانه

صنعت نسل 4.0

علم داده

انواع منابع داده ای

بانک های اطلاعاتی

داده های csv

داده های باز

داده های صفحات وب

داده های سنسورها

بخش دوم-پالایش و پیش پردازش داده ها

تکنیک های ترمیم مقادیر از قلم افتاده

تکنیک های شناسایی داده های پرت

تکنیک های آمار توصیفی

معیارهای مرکزی

معیارهای پراکندگی

خلاصه آمار توصیفی

کار با داده های دوبعدی

پالایش داده ها

خطاهای بازه تاریخ و اختلاف تاریخ

نحوه حذف ستونهای زاید

نحوه تبدیل داده های کیفی به کمی

روش کدگذاری n-1

روشه های تبدیل مقیاس داده ها

روش بخش بندی داده هابه منظور روایی سنجی

بخش سوم- بصری سازی و نمایش الگوی داده ها

تکنیک های بصری سازی داده ها

تکنیک های کاهش ابعاد

تکنیک شناسایی وابستگی بین ویژگی ها

کنترل عدم تعادل در متغیرهای هدف

بخش چهارم-مدلسازی آماری

تکنیک های مدلسازی آماری

رگرسیون خطی

رگرسیون لجستیک

سری های زمانی

اجزاء سری زمانی و تست و حذف آنها

روش پیش بینی

روش ARIMA

بخش پنجم-مدلسازی داده محور با الگوهای رایانه ای

انواع تکنیک های یادگیری ماشین و مزایا و معایب آنها

اصول یادگیری با نظارت

اصول یادگیری بدون نظارت

اصول یادگیری تقویتی

اصول تحلیل شبکه های اجتماعی

بخش ششم-مدلسازی به روش یادگیری عمیق

انواع تکنیک های یادگیری عمیق

شبکه های عصبی MLP

شبکه های عصبی RNN

بخش هفتم- تفسیر نتایج و ارائه گزارش

تکینک های تهیه داشبورد مدیریت

تکینک های برنامه نویسی سنکرون وب در پایتون

تکنیک های برنامه نویسی آسنکرون وب در پایتون