دوره آموزشی پایتون: کار با تحلیل پیشبینی (Predictive Analytics)
2 ساعت 13 دقیقهمتوسط2025-03-10
مدرسین

Isil Berkun
Data Scientist at Intel Corp.
جزئیات دوره
دادهها میتونن داستانهای زیادی رو بگن: از کجا اومدن و به کجا میرن. پیشبینی تحلیلها (Predictive analytics) به برنامهنویسا ابزاری میده که بتونن داستانهایی از آینده بگن: یعنی بتونن اطلاعات مفید استخراج کنن و پیشبینیهای دقیقی انجام بدن. این پیشبینیها باعث میشن کسبوکارها بتونن تصمیمات آگاهانهتر و تأثیرگذارتر بگیرن. توی این دوره، ایسل برکون، دانشمند داده، با شما همراه میشه تا پیشبینی تحلیلها رو با پایتون یاد بگیرید. یاد میگیرید چطور دادهها رو آماده کنید—مثل پر کردن مقادیر گمشده، مقیاسبندی ویژگیها و خیلی کارهای دیگه—و از کتابخانههای آماده پایتون برای ساخت و ارزیابی مدلهای پیشبینی استفاده کنید. ایسل به شما میگه که کدوم مدلها رو باید استفاده کنید و کی، و مفاهیم رو به گونهای توضیح میده که میتونید بلافاصله در کار خودتون ازشون استفاده کنید. این دوره رو بررسی کنید و یاد بگیرید چطور از کتابخانههای پایتون مثل pandas و NumPy استفاده کنید و بهترین مدلهای پیشبینی رو برای پروژههاتون انتخاب کنید.
اهداف یادگیری:
توضیح بدید که پیشبینی تحلیلها چطور میتونن در تصمیمگیریها کمک کنن.
تفاوت بین انواع دادههایی که استفاده میشن رو توضیح بدید.
توی کد پایتون از توابع صحیح استفاده کنید تا نتایج بهینه به دست بیارید.
توضیح بدید چرا دادهها قبل از استفاده در مدلهای پیشبینی باید پیشپردازش بشن.
تفاوت مدلهای پیشبینی مختلف رو توضیح بدید.
اهداف یادگیری:
توضیح بدید که پیشبینی تحلیلها چطور میتونن در تصمیمگیریها کمک کنن.
تفاوت بین انواع دادههایی که استفاده میشن رو توضیح بدید.
توی کد پایتون از توابع صحیح استفاده کنید تا نتایج بهینه به دست بیارید.
توضیح بدید چرا دادهها قبل از استفاده در مدلهای پیشبینی باید پیشپردازش بشن.
تفاوت مدلهای پیشبینی مختلف رو توضیح بدید.
مهارت ها
Data ModelingPythonProgramming LanguagesData ScienceOpen SourceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - پیشبینی دادهها در پایتون
- 02 - آنچه باید بدانید و نقشه راه
- 03 - نحوه استفاده از Codespaceها و فایلهای تمرین
- 04 - تور کدرپد
1. پیش پردازش داده ها
- 05 - انواع دادهها را متمایز کنید
- 06 - کتابخانههای پایتون و وارد کردن داده ها
- 07 - رسیدگی به مقادیر از دست رفته
- 08 - راه حل - مدیریت مقادیر از دست رفته
- 09 - دادههای دسته بندی را به اعداد تبدیل کنید
- 10 - دادهها را به تست و آموزش تقسیم کنید
- 11 - مقیاس بندی ویژگی
- 12 - راه حل - مقیاس بندی ویژگی
2. مدلهای پیش بینی
- 13 - مقدمه ای بر مدلهای پیش بینی
- 14 - رگرسیون خطی
- 15 - رگرسیون چند جمله ای
- 16 - حل - رگرسیون چند جمله ای
- 17 - رگرسیون برداری پشتیبانی (SVR)
- 18 - رگرسیون درخت تصمیم
- 19 - رگرسیون تصادفی جنگل
- 20 - راه حل - رگرسیون تصادفی جنگل
- 21 - ارزیابی مدلهای پیش بینی
- 22 - بهینهسازی هایپرپارامتر
- 23 - راه حل - بهینهسازی فراپارامتر
نتیجه گیری
- 24 - مراحل بعدی پایتون و تجزیهوتحلیل پیش بینی
دوره های مرتبط
- دوره آموزشی پایتون: کار با تجزیه و تحلیل پیش بینی کننده (2019)
- دوره آموزشی تجزیه و تحلیل متن و پیش بینی با یادگیری جامع پایتون
- 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 ارتقای مهارتهای پایتون در اکسل
- مسیر آموزشی یادگیری ماشینی بدون کد با KNIME
- مسیر یادگیری گواهینامه حرفهای یادگیری ماشین با پایتون
- مسیر آموزشی تبدیل شدن به یک تحلیلگر داده
- مسیر آموزشی توسعه دادن مهارت های SPSS