دوره آموزشی راهنمای کامل هوش مصنوعی و علم داده برای SQL: از مبتدی تا پیشرفته

4 ساعت 8 دقیقهپیشرفته2024-01-04

مدرسین

Walter Shields

Tech Educator and Best-Selling Author

جزئیات دوره

ممکن است لازم باشد از SQL در هماهنگی با هوش مصنوعی و علم داده استفاده کنید، اما اگر قبلاً نمی دانید چگونه می توانید از کجا یاد بگیرید؟ در این دوره آموزشی عمیق، والتر شیلدز، مدرس فناوری و نویسنده پرفروش، با مفاهیم و پروژه‌های سطح مبتدی شروع می‌کند و شما را از طریق یک سری ویدیوهای جذاب و چالش‌های Codespace به سمت مفاهیم پیشرفته‌تر راهنمایی می‌کند. مقدمه ای کامل با علم داده و همچنین هوش مصنوعی، ML و DL داشته باشید، سپس به آمار و احتمال، رگرسیون خطی، و آماده سازی و کاوش داده ها بپردازید. علاوه بر ساخت و ارزیابی مدل، تجسم و پیش پردازش داده ها را کاوش کنید. در مورد تفسیر مدل بیاموزید، سپس آنچه را که در این دوره آموخته اید با یک پروژه capstone نشان دهید.

مهارت ها

SQLDatabase AdministrationMachine LearningDatabase DevelopmentArtificial Intelligence FoundationsDatabase ManagementData AnalysisArtificial Intelligence (AI)Programming LanguagesData ScienceBusiness Analysis and StrategyBusiness Software and ToolsOpen SourceSoftware DevelopmentDeep Dive (X:Y)

سرفصل ها

0. مقدمه

01 - مقدمه مسترکلاس
02 - آنچه باید بدانید
03 - استفاده از فایل‌های تمرین دوره

1. مقدمه ای بر علم داده

04 - علم داده توضیح داد
05 - داده یا اطلاعات - چه تفاوتی دارد
06 - نفوذ فزاینده داده ها
07 - مقایسه نقش داده ها
08 - مهارت‌های لازم برای علوم داده
09 - برنامه‌های دنیای واقعی
10 - چالش - داده
11 - راه حل - داده

2. AI، ML و DL

12 - چهره در حال تکامل هوش مصنوعی
13 - طبقه بندی مسائل یادگیری ماشین
14 - رویکردهای یادگیری ماشین برای سناریوهای تجاری
15 - چالش - هوش مصنوعی
16 - راه حل - هوش مصنوعی

3. مقدمه ای بر آمار و احتمال

17 - آمار تعریف شده است
18 - طرز فکر آماری
19 - انواع آمار
20 - آمار توصیفی
21 - آمار استنباطی (احتمال)
22 - پایتون
23 - چالش - آمار
24 - راه حل - آمار

4. پیش‌بینی قیمت خانه با رگرسیون خطی

25 - هدف پروژه
26 - مراحل پروژه
27 - تنظیم محیط زیست پایتون
28 - راه‌اندازی محیط SQL
29 - رویکرد پروژه

5. آماده سازی و کاوش داده ها

30 - وارد کردن کتابخانه‌های لازم و نمای کلی مجموعه داده ها
31 - بارگذاری داده ها
32 - بررسی اطلاعات داده ها
33 - آمار خلاصه مجموعه داده
34 - بررسی توزیع متغیرها
35 - اعمال تبدیل log و بررسی مجدد توزیع
36 - چالش - آمادگی
37 - راه حل - آماده سازی

6. تجسم و اکتشاف داده ها

38 - تجزیه‌و‌تحلیل دو متغیره - نقشه گرما
39 - تجسم روابط - سن خانه و فاصله تا محل کار
40 - تجسم روابط - دسترسی به بزرگراه و مالیات بر دارایی
41 - بررسی همبستگی پس از حذف نقاط پرت
42 - تجسم روابط - سایر جفت متغیرها
43 - چالش - تجسم
44 - راه حل - تجسم

7. پیش پردازش داده ها

45 - تقسیم مجموعه داده به مجموعه‌های قطار و تست
46 - بررسی چند خطی بودن با استفاده از VIF
47 - حذف چند خطی با حذف ویژگی مالیات
48 - چالش - پیش پردازش
49 - راه حل - پیش پردازش

8. ساخت و ارزیابی مدل

50 - ایجاد مدل رگرسیون خطی و خلاصه مدل - قسمت 1
51 - ایجاد مدل رگرسیون خطی و خلاصه مدل - قسمت 2
52 - ایجاد مدل رگرسیون خطی و خلاصه مدل - قسمت 3
53 - حذف متغیرهای ناچیز و ایجاد مجدد مدل
54 - بررسی مفروضات برای رگرسیون خطی
55 - فرض 1 - بررسی میانگین باقیمانده
56 - فرض 2 - بررسی همسویی
57 - فرض 3 - بررسی خطی بودن
58 - فرض 4 - بررسی نرمال بودن اصطلاحات خطا
59 - نمودار QQ برای بررسی نرمال بودن عبارات خطا
60 - مقایسه عملکرد مدل در قطار و داده‌های آزمون
61 - اعمال اعتبار متقاطع و ارزیابی
62 - چالش - ساختمان مدل
63 - راه حل - ساختمان مدل

9. تفسیر و گزارش مدل

64 - استخراج و ایجاد DataFrame از ضرایب
65 - نوشتن معادله رگرسیون خطی و ضرایب
66 - نتیجه گیری و توصیه‌های تجاری
67 - چالش - تفسیر
68 - حلول - تفسیر