دوره تخصصی فراگیری کلاسیک Data Science و Data Mining و Visualization با پایتون
سرفصلهای آموزش دوره تخصصی پایتون شامل علم داده ، داده کاوی و مصور سازی با پایتون
الف. مقدمه و آشنایی با داده کاوی
مقدمات و مفاهیم داده کاوی و علم داده
طراحی مسائل و مجموعه دادههایی جهت شناخت داده، علم داده و کاربردهای آن
آشنایی عمومی و مقدماتی با کتابخانههای موجود در زبان پایتون جهت انجام عملیات داده کاوی مثل Numpy، Pandas، sklearn، و Scikit Learn، و مصور سازی مثل Matplotlib ، seaborn و pandas…
ب. نصب و پیاده سازی محیطهای عملیاتی
آشنایی با ورژنهای مختلف پایتون و نصب پایتون همراه با نصب پکیج آناکوندا و آشنایی با پکیجهای مهم
نصب و ایجاد محیط اولیه در Visual Studio Code و ایجاد یک برنامه پایتون
نصب و ایجاد محیط اولیه در Jupyter و ساخت یک دفترچه پایتون
آشنایی با رایانش ابری و آموزش کار با محیط کولب گوگل و اجرای برنامهها بر روی سرورهای گوگل
ت. معرفی روشهای وارد کردن دیتاست ها و مراجع جمع آوری دادهها
وارد کردن انواع دیتاست (CSV, URL، Excel، Text)
بررسی چند مثال
ث. مفاهیم پایه دادهها و ریاضی و آماری
داده و درک مفهوم ویژگی(Feature)، بعد(Dimension)، ماتریس (Matrix) و درک مفهوم تنسور (Tensor) و کاربرد آن در داده کاوی
آشنایی و کار با کتابخانه Numpy و Scipy برای انجام عملیات آماری
بارگذاری دادهها و تعامل با دادهها با استفاده از کتابخانه Pandas
ج. پیش پردازش دیتا (data preprocessing)
پیش پردازش اولیه داده
پر کردن مقادیر(Null) کمی، کیفی اسمی و ترتیبی
فیلتر کردن رکورد یا وِیژگی
مدیریت دیتای کیفی (اسمی و ترتیبی)
تولید ویژگی (feature generation)
ساخت Dummy برای ویژگیهای کیفی
(Reclassification) طبقه بندی مجدد مقادیر
(Join) اتصال
(Append)
بخش بندی دیتا (Train_Test_Split)
نرمالسازی
استاندارد سازی
انتخاب ویژگی
کاهش ابعاد
ح. مصور سازی و نمایش دادهها (Data visualization) با پایتون
لایبرری MATPLOTLIB
لایبرری seaborn
لایبرری pandas
آشنایی با نمودارهای مختلف(Bar، Line، Pie، Histogram، نقشه حرارتی(Heat map)،Flow و …) وکاربرد هریک از آنها
نحوه ایجاد نمودارها
ز. لزوم ارزیابی مدل و آشنایی با معیارهای مختلف ارزیابی مدلها
ح. آشنایی با روشهای یادگیری ماشین نظارت شده، بدون نظارت، نیمه نظارنی، یادگیری تقویت شده