کلاس آموزش علم داده با پایتون

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 داده‌ها ساختیافته یا بدون ساختار 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 یادگیری الگوریتم های یادگیری ماشین با آن خواهیم پرداخت.

تا این لحظه ۱۳ 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.

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.

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 هزینه 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.

دانلود رزومه مدرس

سرفصل دوره علم داده با پایتون

جلسه اول

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

Sequence

List

Tuple

Dictionary

Set

جلسه سوم

دستور شرطی IF

حلقه ها

توابع

جلسه چهارم

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

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

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

تشخیص داده های پرت

روش شوارتز

روش تاکی

تحلیل آماری چند دیتاست

جلسه هشتم

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

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 دهم

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 یازدهم

بررسی کامل مقاله مرجع Predictive Analytics

جلسه دوازدهم

انجام یک پروژه خوشه بندی روی داده های یک پرسشنامه و آنالیز خوشه ها

زمانبندی کلاس

۱۲ جلسه آفلاین درس ها طبق سرفصل بصورت ضبط شده روزهای یکشنبه

۱۲ 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 تسبتا پرسرعت و پایدار بدون نویز داشته باشید و کافیست با کمک 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.