تحلیل داده با پایتون با رویکرد علم داده

- مبانی علم داده
- مسیرهای رسیدن به علم داده
- مفاهیم هوش مصنوعی مرتبط با علم داده
- علم داده
- نوت بورک ژوپیتر (Jupiter Notebook )
- فایل ها و Package ها و کتابخانه های پایتون

- نصب نرم افزار Anaconda
- کار با محیط نرم افزار Jupiter Notebook
- به کارگیری دستورات pip جهت نصب پکیج های مورد نیاز
- راه اندازی محیط آناکاندا و کدنویسی

- مدل کسب و کار و شناسایی کردن مسئله
- شناسایی شاخص های کلیدی (KPLS ) کسب و کار و الزامات جمع آوری داده
- روش طرح فرضیه و مدلسازی
- نحوه ارزشیابی مدل و ارائه نتایج در غالب نمودارها و داده داستان (Data story Telling )

- گردآوری ، تجزیه و تحلیل کردن داده های محیط کسب و کار
- تعیین کردن متغییرها و ویژگی های مهم و تاثیر گذار بر متغیر وابسته ی
- پیدا کردن مدل مناسب ، شکل دهی فرضیه و راهکارهای حل مسئله برای مدلسازی

- زبان برنامه نویسی پایتون
- عبارات و انواع متغیر ها
- انواع عملگرهای منطقی و مقایسه ای
- انواع داده در پایتون

- ساختار داده در پایتون
- نوع های داده لیست ، تاپل ، دیکشنری ، مجموعه
- نحوه برنامه نویسی پایتون
- شرط ها ، حلقه ها ، توابع ، شی و کلاس
- نحوه خواندن و نوشتن فایل
- کتابخانه های مهم علم داده در پایتون (numpy / pandas / sklean / scipy…. )

- کدنویسی با زبان برنامه نویسی پایتون و استفاده کردن از انواع داده
- کاربا کتابخانه های مهم علم داده در پایتون numpy / pandas / sklean / scipy ……)
- پیاده سازی مدل ها در غالب برنامه های کاربردی

- فهم داده ، ورود و صدور داده در پایتون ، تفکیک داده ، مواجعه با داده از دست رفته
- نحوه شکل دهی ، نرمال کردن داده ، تبدیل داده های طبقه بندی به داده های کمی ، تحلیل توصیفی داده ، همبستگی ، P-Value و تحلیل واریانس
- مدلهای دسته بندی ، رگرسیون ، مصورسازی ، ارزیابی مدل و مدلسازی
- شرایط کارایی مدل accuracy,recall,presicion,f-measure))
- نحوه معرفی overfitting, underfitting

- تمیز کردن داده ، استاندارد سازی و نرمال سازی داده ها ، بررسی کردن داده های از دست رفته و انجام دادن مراحل پیش پردازش داده برای مدلسازی
- تحلیل توصیفی داده ها
- مدل سازی و مصورسازی داده
- ارزیابی و کارایی مدل پیاده سازی شده

- روش معرفی داده
- کتابخانه های مصورسازی seaborn,folium Matplotlib))
- نمودارهای Area Plots ، Histograms ، Bar Charts ، Pie Charts ، Plots Box ، scatter plots ، Word Clouds )

- کاربا کتابخانه های مصورسازی در پایتون (...., seaborn , matplotlib ) و رسم انواع نمودار های تحلیلی
- تحلیل و توصیف داده از روی نمودار
- استخراج دانش و نمایش داده ها در قالب نمودار ها

- انواع یادگیری ( با نظارت ، بدون نظارت و نیمه نظارت شده , supervised , supervised learning - semi , unsupervised )
- الگوریتم های یادگیری ماشین

Evaluation Metrics in Classification،K-Nearest Neighbours

Intro to ،Building Decision Trees ،Introduction to Decision Trees

،Logistic regression vs Linear regression،Logistic Regression

Intro to،Support Vector Machine،Logistic Regression Training

Intro to ،More on k-Means،Intro to k-Means ،Clustering

More on Hierarchical Clustering ،Hierarchical Clustering

Collaborative ،Systems ،Content-based Recommender ،DBSCAN ،
Filtering

- پیاده سازی الگوریتم های یادگیری ماشین
- بهینه سازی هایپر پارامترهای الگوریتم های یادگیری ماشین
- بکارگیری هرمدل متناسب بانوع داده

- روش کتابخانهOpenCv، نوع داده تصویر، معرفی فضاهای رنگ
- روش عملیات روی تصاویر ، انواع اعمال فیلترها برتصاویر ، هیستوگرام تصاویر اعداد دست نوشته و دسته بندی تصاویرپ
- روش تطبیق الگو
- تبدیلات مورفولوژیک

- پردازش داده تصویر
- کارباانواع فیلترهای تصویری
- کار با کتابخانه opencv
- کارباالگوریتم های یادگیری ماشین وپیش پردازش داده های تصویر
- پیاده سازی یک شبکه عصبی نمونه برای دسته بندی تصاویر