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

ط. خوشه بندی و الگوریتم‌های مختلف آن