Zanis ISE

Zanis ISE

🔔شرکت در جلسه اول، رایگان می باشد 📣 سومین مدرسه برنامه نویسی زانیس 💻دوره دیتا آنالیز با پایتون (پیش نیاز دوره ماشین لرنینگ و هوش مصنوعی) 💡شرکت در جلسه اول رایگان می باشد 📄با ارائه مدرک معتبر 📼امکان مشاهده فیلم های ضبط شده 💠همراه با ارائه نکات ویژه:…

📣 سرفصل های دوره دیتاآنالیز:

1. آشنایی و معرفی هوش مصنوعی و بررسی مفاهیم اساسی مانند یادگیری ماشین، یادگیری عمیق، شبکه‌های عصبی و کاربردهای آن در دنیای واقعی

2.راهنمای نصب و راه‌اندازی محیط‌های نرم‌افزاری و سخت‌افزاری مناسب برای اجرای مدل‌های هوش مصنوعی و یادگیری ماشین

3.معرفی اصول جبر خطی، مفاهیمی نظیر ماتریس‌ها، بردارها، اعمال خطی و اهمیت آن‌ها در مدل‌سازی و تحلیل داده‌ها در زمینه هوش مصنوعی و یادگیری ماشین

4.آموزش و آشنایی با ابزارها و پکیج‌های مختلف برای پیش‌پردازش داده‌ها، مانند پاک‌سازی داده‌ها، نرمال‌سازی، تبدیل داده‌ها و تحلیل اکتشافی داده‌ها

5.تحلیل اکتشافی داده(EDA)
فرآیند تجزیه و تحلیل داده‌ها برای شناسایی الگوها و ویژگی‌های مختلف داده‌ها، شامل استفاده از ابزارهای آماری و مصور سازی برای کشف اطلاعات مخفی در داده‌ها

6.آموزش و کار با پکیج‌های مختلف مصورسازی داده‌ها مثل Matplotlib و Seaborn

7.راهنمای نصب و استفاده از Anaconda، یک محیط مدیریتی محبوب برای نصب و مدیریت پکیج‌ها و ابزارهای علم داده و هوش مصنوعی

8. بیان مفهوم Virtual Env در پایتون و چگونگی استفاده از آن‌ها برای مدیریت پکیج‌ها و کتابخانه‌ها در پروژه‌های مختلف به‌صورت ایزوله و مستقل

9.آموزش نحوه استفاده از ابزار pip برای نصب پکیج‌ها و کتابخانه‌های پایتون از مخزن PyPI (Python Package Index).

10.آموزش نحوه استفاده از conda برای نصب و مدیریت پکیج‌ها و محیط‌ها در پایتون، به‌ویژه برای پروژه‌های مربوط به علم داده و یادگیری ماشین

11. نصب کلیه پکیج‌های مورد نیاز در طول دوره

12.معرفی محیط‌های توسعه یکپارچه (IDE) مختلف برای کدنویسی و توسعه پروژه‌های هوش مصنوعی، مانند Jupyter Notebook، PyCharm و VS Code.

13.معرفی پکیج Matplotlib و ابزارهای آن جهت مصورسازی داده ها

14.آموزش نحوه ساخت و سفارشی‌سازی انواع نمودارهای مختلف در Matplotlib:
Line Plot: ترسیم نمودار خط.
Scatter Plot: ترسیم نمودار پراکندگی.
Step Plot: ترسیم نمودار گام‌به‌گام.
Bar Plot: ترسیم نمودار میله‌ای.
Histogram: ترسیم هیستوگرام برای بررسی توزیع داده‌ها.
Box Plot: ترسیم نمودار جعبه‌ای برای تحلیل توزیع و ناهنجاری‌ها.
3D Plot: ترسیم نمودار سه‌بعدی برای داده‌های چندمتغیره.
Plot Attributes: سفارشی‌سازی ویژگی‌های نمودارها مانند عنوان، برچسب‌ها و رنگ‌ها

15.معرفی ماتریس‌ها و نحوه تبدیل داده‌ها به آن

16.بررسی ابعاد مختلف داده‌ها و نحوه استفاده از داده‌های تک‌بعدی، دوبعدی و چندبعدی در تحلیل‌های مختلف

17.مروری بر عملیات جبر خطی شامل جمع و ضرب ماتریس‌ها و بردارها، معکوس‌گیری از ماتریس‌ها و کاربرد آن‌ها

18.معرفی فضای برداری و نمایش نمونه‌های یک ماتریس در آن

19.بررسی روش‌های مختلف تحلیل داده‌ها و ضرورت انتخاب رویکرد مناسب برای رسیدن به درک صحیح و استخراج اطلاعات مفید از داده‌ها

20.آشنایی با علم آمار و تقسیم‌بندی آن

21.بررسی مفاهیم آمار توصیفی مانند میانگین، میانه، واریانس، چولگی و کشیدگی به‌منظور تحلیل و خلاصه‌سازی داده‌ها

22.معرفی گشتاورهای آماری و کاربرد آن‌ها در شبیه‌سازی و تحلیل ویژگی‌های توزیع داده‌ها

23.مقایسه میانگین و میانه به‌عنوان دو معیار مهم مرکزی در تحلیل داده‌ها

24.تعریف واریانس و نحوه استفاده از آن برای اندازه‌گیری پراکندگی داده‌ها

25.توضیح چولگی و نحوه تأثیر آن بر شکل توزیع داده‌ها

26.معرفی مفهوم کشیدگی و تأثیر آن بر توزیع‌های آماری

27.همبستگی داده‌ها

28.معرفی توزیع‌های آماری مختلف مانند نرمال، یونیفرم، برنولی، باینومیال و پوآسون و استفاده از پکیج SciPy برای شبیه‌سازی و تحلیل این توزیع‌ها

29.بررسی آزمون‌های آماری مختلف برای شناسایی توزیع‌های مناسب برای داده‌ها و تأثیر آن‌ها در تحلیل‌های استنباطی

30.بررسی آزمون جنسون-شنون و کاربرد آن برای اندازه‌گیری فاصله بین توزیع‌های مختلف

www.group-telegram.com/us/zanis_ISE.com/1207

1.1K viewsJan 25 at 09:31

📣 سرفصل های دوره دیتاآنالیز:

1. آشنایی و معرفی هوش مصنوعی و بررسی مفاهیم اساسی مانند یادگیری ماشین، یادگیری عمیق، شبکه‌های عصبی و کاربردهای آن در دنیای واقعی

2.راهنمای نصب و راه‌اندازی محیط‌های نرم‌افزاری و سخت‌افزاری مناسب برای اجرای مدل‌های هوش مصنوعی و یادگیری ماشین

3.معرفی اصول جبر خطی، مفاهیمی نظیر ماتریس‌ها، بردارها، اعمال خطی و اهمیت آن‌ها در مدل‌سازی و تحلیل داده‌ها در زمینه هوش مصنوعی و یادگیری ماشین

4.آموزش و آشنایی با ابزارها و پکیج‌های مختلف برای پیش‌پردازش داده‌ها، مانند پاک‌سازی داده‌ها، نرمال‌سازی، تبدیل داده‌ها و تحلیل اکتشافی داده‌ها

5.تحلیل اکتشافی داده(EDA)
فرآیند تجزیه و تحلیل داده‌ها برای شناسایی الگوها و ویژگی‌های مختلف داده‌ها، شامل استفاده از ابزارهای آماری و مصور سازی برای کشف اطلاعات مخفی در داده‌ها

6.آموزش و کار با پکیج‌های مختلف مصورسازی داده‌ها مثل Matplotlib و Seaborn

7.راهنمای نصب و استفاده از Anaconda، یک محیط مدیریتی محبوب برای نصب و مدیریت پکیج‌ها و ابزارهای علم داده و هوش مصنوعی

8. بیان مفهوم Virtual Env در پایتون و چگونگی استفاده از آن‌ها برای مدیریت پکیج‌ها و کتابخانه‌ها در پروژه‌های مختلف به‌صورت ایزوله و مستقل

9.آموزش نحوه استفاده از ابزار pip برای نصب پکیج‌ها و کتابخانه‌های پایتون از مخزن PyPI (Python Package Index).

10.آموزش نحوه استفاده از conda برای نصب و مدیریت پکیج‌ها و محیط‌ها در پایتون، به‌ویژه برای پروژه‌های مربوط به علم داده و یادگیری ماشین

11. نصب کلیه پکیج‌های مورد نیاز در طول دوره

12.معرفی محیط‌های توسعه یکپارچه (IDE) مختلف برای کدنویسی و توسعه پروژه‌های هوش مصنوعی، مانند Jupyter Notebook، PyCharm و VS Code.

13.معرفی پکیج Matplotlib و ابزارهای آن جهت مصورسازی داده ها

14.آموزش نحوه ساخت و سفارشی‌سازی انواع نمودارهای مختلف در Matplotlib:
Line Plot: ترسیم نمودار خط.
Scatter Plot: ترسیم نمودار پراکندگی.
Step Plot: ترسیم نمودار گام‌به‌گام.
Bar Plot: ترسیم نمودار میله‌ای.
Histogram: ترسیم هیستوگرام برای بررسی توزیع داده‌ها.
Box Plot: ترسیم نمودار جعبه‌ای برای تحلیل توزیع و ناهنجاری‌ها.
3D Plot: ترسیم نمودار سه‌بعدی برای داده‌های چندمتغیره.
Plot Attributes: سفارشی‌سازی ویژگی‌های نمودارها مانند عنوان، برچسب‌ها و رنگ‌ها

15.معرفی ماتریس‌ها و نحوه تبدیل داده‌ها به آن

16.بررسی ابعاد مختلف داده‌ها و نحوه استفاده از داده‌های تک‌بعدی، دوبعدی و چندبعدی در تحلیل‌های مختلف

17.مروری بر عملیات جبر خطی شامل جمع و ضرب ماتریس‌ها و بردارها، معکوس‌گیری از ماتریس‌ها و کاربرد آن‌ها

18.معرفی فضای برداری و نمایش نمونه‌های یک ماتریس در آن

19.بررسی روش‌های مختلف تحلیل داده‌ها و ضرورت انتخاب رویکرد مناسب برای رسیدن به درک صحیح و استخراج اطلاعات مفید از داده‌ها

20.آشنایی با علم آمار و تقسیم‌بندی آن

21.بررسی مفاهیم آمار توصیفی مانند میانگین، میانه، واریانس، چولگی و کشیدگی به‌منظور تحلیل و خلاصه‌سازی داده‌ها

22.معرفی گشتاورهای آماری و کاربرد آن‌ها در شبیه‌سازی و تحلیل ویژگی‌های توزیع داده‌ها

23.مقایسه میانگین و میانه به‌عنوان دو معیار مهم مرکزی در تحلیل داده‌ها

24.تعریف واریانس و نحوه استفاده از آن برای اندازه‌گیری پراکندگی داده‌ها

25.توضیح چولگی و نحوه تأثیر آن بر شکل توزیع داده‌ها

26.معرفی مفهوم کشیدگی و تأثیر آن بر توزیع‌های آماری

27.همبستگی داده‌ها

28.معرفی توزیع‌های آماری مختلف مانند نرمال، یونیفرم، برنولی، باینومیال و پوآسون و استفاده از پکیج SciPy برای شبیه‌سازی و تحلیل این توزیع‌ها

29.بررسی آزمون‌های آماری مختلف برای شناسایی توزیع‌های مناسب برای داده‌ها و تأثیر آن‌ها در تحلیل‌های استنباطی

30.بررسی آزمون جنسون-شنون و کاربرد آن برای اندازه‌گیری فاصله بین توزیع‌های مختلف

BY Zanis ISE