معرفی دوره
علم داده بحث روز دنیاست. داده ها کالای استراتژیک سازمان های امروزی هستند. علم داده یا Data Science یک علم میان رشته‌ای است که از روش‌ها، فرآیندها، الگوریتم‌ها و سیستم‌های علمی برای استخراج دانش و بینش از داده‌های ساختیافته(جداول) یا بدون ساختار(متن ها) استفاده می‌کند. البته بطور کلی علم داده گرفتار جنگ تعریف هاست (+). کلاس علم داده با پایتون برای یادگیری اصولی و پایه ای Data Science طراحی شده است. اگر در انتخاب منبع و یا دوره آموزشی در این زمینه دچار ابهام و مشکل در تصمیم گیری شده اید به شما حق می دهیم اما این کلاس آموزشی با بررسی تمام دوره های آنلاین و حضوری داخلی و خارجی تدوین شده است. در این دوره ابتدا با زبان شیرین و آسان پایتون آشنا می شوید و برنامه های ساده ای با آن خواهید نوشت. سپس به یادگیری پایه ای آمار خواهید پرداخت، چیزی که شاید هرگز برای شما اتفاق نیفتاده باشد. بعد از یادگیری آمار شروع به ورود داده ها به پایتون می کنیم و آن ها را تحلیل کرده و به آموزش الگوریتم های یادگیری ماشین با آن خواهیم پرداخت.
تا این لحظه ۳۷ نفر در این دوره ثبت نام کرده اند.
چرا این کلاس به درد من می خورد؟
با تسلط نسبی به نرم افزار اکسل و کار با یک نرم افزار تحلیل داده مثل Power BI لازم است تا تحلیل های پیشرفته تر با داده ها و قابلیت پیش بینی و کشف الگوی های پنهان داخل داده ها را نیز بیاموزید. از طرفی مباحث کاربری آمار و تحلیل های پیش نگر نیاز امروزی هرکاربری هستند که با داده ها کار می کند. این یک مهارت مکمل برای شما خواهد بود که هرجا در تحلیل داده به محدودیت های ابزار ها برخورد کردید با پایتون راه را برای خود باز کنید. همچنین بعد از این دوره می توانید به دوره های پیشرفته تر یا دوره های تخصصی وارد شوید.
با این دوره چه چیزی عاید من خواهد شد؟
توانایی نوشتن برنامه های کاربردی داده محور، کار با داده ها و رسم نمودار های خارق العاده آماری و داده کاوی و نقل و انتقال داده ها از هر نقطه به نقطه دیگر با تغییر فرم لازم را بدست خواهید آورد.
آیا این دوره مدرک دارد؟
اگر تمرینات را در زمان های تعیین شده تحویل دهید و نمره قبولی بگیرید (حداقل ۷۰) مدرک معتبر Basic Data Science with Python با دریافت هزینه جداگانه برای شما صادر خواهد شد. (به مبلغ ۵۰,۰۰۰ تومان)
مدرس دوره کیست؟
مدرس این دوره آقای پوریا بغدادی با سابقه ۹ سال تدریس در حدود ۱۰۰ شرکت ایرانی و ۸ دوره آزاد و سازمانی علم داده با پایتون می باشد.
پوریا بغدادی، کارشناس ارشد مدیریت فناوری اطلاعات با گرایش هوش تجاری از دانشگاه تهران است و بیش از ۹ سال درگیر یادگیری و یاددادن نرم افزار های کار با داده می باشد. ایشان در شرکت هایی نظیر دیجی کالا، ایرانسل، بانک گردشگری، بانک خاورمیانه، پگاه گیلان، سن ایچ، کناف ایران، دارو سازی دکتر عبیدی، کوبل دارو و … تدریس داشته اند. می توانید رزومه ایشان را از لینک زیر دریافت کنید. |  |
مشاور دوره
دو مشاور در طول این دوره در کنار ما خواهند بود و سوالات متفاوت شما را در زمینه نحوه بکارگیری این مباحث در شرکت ها و استارتاپ ها پاسخ خواهند داد. پیدا کردن شغل، حقوق ها، کاربرد های ابزار ها، نحوه برخورد با داده های حجیم و سوالاتی از این دست توسط مشاورات در جلسات آنلاین ویژه ای پاسخ داده می شود.
سرفصل دوره علم داده با پایتون
جلسه اول (جلسه آنلاین برگزار شده، محتوا آماده دانلود)
علم داده چیست؟
مراحل انجام پروژه های علم داده
جایگاه برنامه نویسی، آمار، ریاضی در علم داده
پیش نیاز های یادگیری علم داده
بزرگترین چالش های علم داده
پایتون چیست؟ کاربردهای پایتون
چرا پایتون؟ مزیت ها و معایب آن نسبت به سایر زبان ها
معرفی ابزارهای علم داده و مزایا و معایب آنها نسبت به پایتون و زبان های برنامه نویسی
نقشه راه یادگیری پایتون و ادامه مسیر برای شرکت کنندگان در دوره
نصب پایتون
IDE های پایتون و انتخاب آن
سلسه مراتب اجزای پایتون
نوشتن اولین برنامه با پایتون و ذخیره کردن آن
نحوه اجرای کد های پایتون
معرفی محیط Pycharm
انواع داده ها در پایتون
ساختمان داده و انواع آن در پایتون + متدهای مهم هر یک
جلسه دوم (جلسه آنلاین برگزار شده، محتوا آماده دانلود)
Sequence
List
Tuple
Dictionary
Set
جلسه سوم (جلسه آنلاین برگزار شده، محتوا آماده دانلود)
دستور شرطی IF
حلقه ها
توابع
جلسه چهارم (جلسه آنلاین برگزار شده، محتوا آماده دانلود)
کتابخانه ها در پایتون و نحوه نصب آن ها
معرفی و کار با کتابخانه Math
معرفی و کار با کتابخانه Numpy
معرفی اولیه و نصب کتابخانه Pandas
معرفی و کار با کتابخانه Matplotlip
معرفی و کار با کتابخانه Seaborn
رسم نمودار های پرکاربرد با پایتون
مفهوم و کاربرد Plot, Subplot
جلسه پنجم (جلسه آنلاین برگزار شده، محتوا آماده دانلود)
کار با کتابخانه Pandas برای ورود و مدیریت داده ها
ورود داده ها از Excel , CSV, SQL
کار با داده ها در Pandas
پاکسازی و تغییر داده ها
Append, Merge
Aggregation, Group
عملگرها در پایتون
جلسه ششم (جلسه آنلاین برگزار شده، محتوا آماده دانلود)
آمار در پایتون
شاخص های تمرکز
میانگین
میانه
نما
شاخص های پراکندگی
دامنه تغییرات
چارک ها
واریانس
انحراف معیار
ضریب تغییرات
شاخص های تقارن در توزیع
توزیع نرمال
معیار چولگی
معیار برجستگی
جلسه هفتم (جلسه آنلاین برگزار شده، محتوا آماده دانلود)
تشخیص داده های پرت
روش شوارتز
روش تاکی
تحلیل آماری چند دیتاست
جلسه هشتم (جلسه آنلاین برگزار شده، محتوا آماده دانلود)
تشریح کامل EDA
پیاده سازی EDA در پایتون
ماتریس کواریانس
کاهش ابعاد
معرفی علم داده و کاربردهای یادگیری ماشین
مراحل انجام پروژه علم داده
MinMaxScalar
یادگیری ماشین و انواع آن
دسته بندی الگوریتم های یادگیری ماشین
جلسه نهم (در حال آماده سازی)
مفاهیم و اصول یادگیری ماشین و انواع آن
جلسه دهم
تشریح کامل Classification
روش های Classification و کاربردهای هریک
Linear Regression
انواع خطاهای Classification و ارزیابی مدل
مفاهیم Overfitting و Underfitting
Multiple Regression
Polynomial Regression
Decision Tree
کاربرد های Classification و الگوریتم های آن
جلسه یازدهم
تشریح کامل Clustering
روش های Clustering و کاربردهای هریک
خوشه بندی Kmeans
خوشه بندی Hierarchical
خوشه بندی DBSCAN
کاربرد های Clustering و الگوریتم های آن
جلسه دوازدهم
بررسی کامل مقاله مرجع Predictive Analytics
جلسه سیزدهم
انجام یک پروژه خوشه بندی روی داده های یک پرسشنامه و آنالیز خوشه ها
زمانبندی کلاس
۱۳ جلسه آفلاین درس ها طبق سرفصل بصورت ضبط شده روزهای یکشنبه
۱۳ جلسه آنلاین رفع اشکال مباحث جلسات قبلی روزهای پنج شنبه ساعت ۱۸ الی ۱۹
نحوه پشتیبانی
پشتیبانی کاربران این دوره از طریق گروه واتساپی کلاس انجام می شود. امکان پاسخگویی به سوالات درسی شما بصورت تلفنی وجود ندارد.
شرایط و پلتفرم کلاس آنلاین
کلاس آنلاین در بستر اینترنت و با نرم افزار Adobe Connect برگزار می شود. برای شرکت در این کلاس کافیست یک اینترنت نسبتا پرسرعت و پایدار بدون نویز (Noise) داشته باشید. به راحتی می توانید توسط مرورگرهای اینترنتی به کلاس وارد شود. پس از ثبت نام برای شما دسترسی به کلاس ارسال می شود.
نمونه فیلم های کلاس
به زودی…
همین حالا در کلاس علم داده با پایتون مجازی ثبت نام کنید.