Coursera – More Applied Data Science with Python Specialization 2025-7

در تاریخ: 1404/04/21 7:24:56

توضیحات

More Applied Data Science with Python Specialization، دوره آموزش داده‌ کاوی کاربردی بیشتر با پایتون توسط آکادمی Coursera منتشر شده است. در دنیای به‌ طور فزاینده‌ به‌هم‌ پیوسته امروز، داده‌های خام بیشتری نسبت به گذشته جمع‌آوری می‌شود. در این دوره، یاد خواهید گرفت که چگونه مجموعه‌های دادهٔ پیچیده را با استفاده از پایتون استخراج و تحلیل کنید. با استفاده از داده‌های واقعی مانند داده‌های سلامت و بخش نظرات، مهارت‌های خود را در توسعهٔ نمایش‌های بصری و شناسایی الگوهای کلیدی میان جمعیت‌ها تمرین خواهید کرد. همچنین، یاد خواهید گرفت که داده‌های ناقص و آشفته را با استفاده از روش‌های پیشرفتهٔ دست‌کاری داده مدیریت کنید. در طول این مجموعه دوره، پایه‌ای برای تحلیل پیشرفته و یادگیری ماشین با کمک کتابخانه‌های Scikit-Learn و NLP ایجاد خواهید کرد و روش‌هایی را برای داده‌کاوی، خوشه‌بندی، مدل‌سازی موضوعی، مدل‌سازی شبکه و استخراج اطلاعات اعمال خواهید نمود. پس از تکمیل این مجموعه، مهارت‌های پیشرفته‌ای در تحلیل داده کسب خواهید کرد که به شما در دستیابی به بینش‌های ارزشمند در مجموعه‌ داده‌هایی که بررسی می‌کنید کمک خواهد نمود. تحلیل، دست‌ کاری و استخراج داده را روی مجموعه‌های واقعی از رستوران‌ها، ژنتیک، دستورهای غذایی، ایموجی‌ها، فهرست‌های تماس، نشانی‌ها، موسیقی، همه‌ گیری‌ها، ساختارهای اجتماعی و موارد دیگر انجام دهید. از تکنیک‌های یادگیری ماشین و تحلیل پیشرفته برای دستیابی به یافته‌های کاربردی و ارائه نمایش‌هایی که الگوها و ارتباطات داده را توضیح می‌دهند استفاده کنید.

آنچه خواهید آموخت

مبانی تحلیل و تکنیک‌های یادگیری ماشین را با استفاده از مفاهیم داده‌کاوی، نمایش داده‌های واقعی و الگوهای استخراج بیاموزید.
داده‌های بدون ساختار را با استفاده از خوشه‌بندی، کاهش ابعاد و مدل‌سازی موضوعی بررسی کنید تا الگوهای پنهان را کشف کرده و تحلیل پیش‌بینی را بهبود بخشید.
ساختارهای شبکه را با استفاده از NetworkX تحلیل کرده، مدل‌های تولید شبکه را اعمال نمایید، فرآیندهای انتشار را شبیه‌سازی کنید و ساختارهای اجتماعی را شناسایی نمایید.
اطلاعات معنادار را از داده‌های متنی با استفاده از تکنیک‌های یادگیری ماشین برای شناسایی موجودیت‌های نام‌دار در حوزه‌های گوناگون استخراج کنید.