دوره آموزشی پایتون: کار با تجزیه و تحلیل پیش بینی کننده (2019)
1 ساعت 22 دقیقهپیشرفته2019-08-12
مدرسین

Isil Berkun
Data Scientist at Intel Corp.
جزئیات دوره
داده ها می توانند داستان های زیادی را بیان کنند: از کجا آمده اند و به کجا می روند. تجزیه و تحلیل پیشگو به برنامه نویسان ابزاری برای گفتن داستان های آینده می دهد: استخراج اطلاعات قابل استفاده و پیش بینی های دقیق. این پیشبینیها به نوبه خود به کسبوکار اجازه میدهند تا تصمیمات آگاهانهتر و تأثیرگذارتری بگیرند. به ایسیل برکون، دانشمند داده، بپیوندید تا تجزیه و تحلیل پیش بینی را با پایتون بررسی کنید. نحوه آمادهسازی دادهها - پر کردن مقادیر از دست رفته، انجام مقیاسبندی ویژگیها و موارد دیگر - و استفاده از کتابخانههای از پیش ساخته شده پایتون برای ساخت و ارزیابی مدلهای پیشبینی را کشف کنید. او توضیح میدهد که چه مدلهایی باید در چه زمانی استفاده شوند، و مفاهیم را به گونهای توضیح میدهد که بتوانید بلافاصله آنها را در کار خود به کار ببرید. در پایان دوره، میتوانید از کتابخانههای پایتون مانند پانداها و NumPy استفاده کنید و مدلهای پیشبینی مناسب را برای پروژههای خود انتخاب کنید.
اهداف یادگیری
توضیح دهید که چگونه تجزیه و تحلیل پیش بینی می تواند به تصمیم گیری کمک کند.
بین انواع داده های مورد استفاده تفاوت قائل شوید.
توابع صحیح را در کد پایتون اعمال کنید تا نتایج بهینه حاصل شود.
توضیح دهید که چرا داده ها قبل از استفاده از مدل های پیش بینی باید از قبل پردازش شوند.
بین مدل های مختلف پیش بینی موجود تمایز قائل شوید.
اهداف یادگیری
توضیح دهید که چگونه تجزیه و تحلیل پیش بینی می تواند به تصمیم گیری کمک کند.
بین انواع داده های مورد استفاده تفاوت قائل شوید.
توابع صحیح را در کد پایتون اعمال کنید تا نتایج بهینه حاصل شود.
توضیح دهید که چرا داده ها قبل از استفاده از مدل های پیش بینی باید از قبل پردازش شوند.
بین مدل های مختلف پیش بینی موجود تمایز قائل شوید.
مهارت ها
Data ModelingPythonProgramming LanguagesData ScienceOpen SourceSoftware DevelopmentDeep Dive (X:Y)
سرفصل ها
0. مقدمه
- 01 - پیش بینی داده ها در پایتون
- 02 - نقشه راه
1. پیش پردازش داده ها
- 03 - انواع داده ها را متمایز کنید
- 04 - کتابخانه های پایتون و وارد کردن داده ها
- 05 - رسیدگی به مقادیر از دست رفته
- 06 - داده های دسته بندی را به اعداد تبدیل کنید
- 07 - داده ها را به تست و آموزش تقسیم کنید
- 08 - مقیاس بندی ویژگی
2. مدل های پیش بینی
- 09 - مقدمه ای بر مدل های پیش بینی
- 10 - رگرسیون خطی
- 11 - رگرسیون چند جمله ای
- 12 - رگرسیون برداری پشتیبانی (SVR)
- 13 - رگرسیون درخت تصمیم
- 14 - رگرسیون تصادفی جنگل
- 15 - ارزیابی مدل های پیش بینی
- 16 - بهینه سازی هایپرپارامتر
- 17 - چالش - بهینه سازی فراپارامتر
- 18 - راه حل - بهینه سازی هایپرپارامتر
نتیجه
- 19 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی تجزیه و تحلیل متن و پیش بینی با یادگیری جامع پایتون
- دوره آموزشی پایتون: کار با تحلیل پیشبینی (Predictive Analytics)
- دوره آموزشی پایتون برای پیشبینی سریهای زمانی
- دوره آموزشی یادگیری ماشین کاربردی: یادگیری تجمیعی (Ensemble Learning)
- دوره آموزشی یادگیری کاربردی ماشین: یادگیری گروهی (2022)
- دوره آموزشی پایتون: کار با فایل ها
- دوره آموزشی پایتون: کار با REST و داده های وب
- دوره آموزشی پیشرفته پایتون: کار با داده ها
مسیرهای مرتبط
- مسیر آموزشی تسلط بر مهارت های پایتون
- مسیر آموزشی از دانشمند داده به یک تحلیلگر داده تبدیل شوید
- مسیر آموزشی تبدیل شدن به یک متخصص تجزیه و تحلیل کسب و کار
- مسیر آموزشی توسعه دادن مهارت های SPSS
- مسیر آموزشی تبدیل به یک دانشمند داده شوید
- مسیر آموزشی از تحلیلگر داده به یک دانشمند داده تبدیل شوید
- مسیر آموزشی ارتقاء مهارت های خود را در هوش مصنوعی و یادگیری ماشین
- مسیر آموزشی شروع کار خود در فناوری: علم داده