Udemy – Data Science and Machine Learning in Python: Linear models 2022-11

در تاریخ: 1403/02/30 11:48:38

توضیحات

دوره Data Science and Machine Learning in Python: Linear models. شرکت‌ها با مشکلی روبرو هستند: آن‌ها روزانه حجم عظیمی از داده‌ها را جمع‌آوری و ذخیره می‌کنند. مشکل این است که آن‌ها ابزار و توانایی لازم برای استخراج دانش و تصمیم‌گیری از این داده‌ها را ندارند. اما این وضعیت در حال تغییر است. تقاضا برای دانشمندان داده در چند سال اخیر به طور تصاعدی افزایش یافته است. این تقاضا آنقدر زیاد است که تعداد افراد دارای این مهارت‌ها برای پر کردن تمام موقعیت‌های شغلی کافی نیست. با یک جستجوی ساده در وب‌سایت‌های کاریابی مانند Indeed متوجه خواهید شد که چرا حقوق دانشمندان داده در سال‌های اخیر به طور قابل توجهی افزایش یافته است.

تقریباً همه دوره‌های موجود در بازار یا بیش از حد تئوری هستند یا بیش از حد عملی. دوره‌های دانشگاهی معمولاً مهارت‌های لازم برای حل مشکلات علم داده از ابتدا را ایجاد نمی‌کنند و همچنین به شما یاد نمی‌دهند که چگونه از نرم‌افزارهای ضروری به طور روان استفاده کنید. از طرف دیگر، بسیاری از دوره‌های آنلاین و بوت‌کمپ‌ها به شما یاد می‌دهند که چگونه از این تکنیک‌ها استفاده کنید بدون اینکه درک عمیقی از آن‌ها داشته باشید و به صورت سطحی از تئوری عبور کنید.

این دوره بهترین هر دو روش را با هم ترکیب می‌کند. از یک طرف، ما به منشأ این روش‌ها و علت استفاده از آن‌ها نگاه می‌کنیم و درک می‌کنیم که چرا آن‌ها به این شکل کار می‌کنند. از طرف دیگر، ما این روش‌ها را با استفاده از محبوب‌ترین کتابخانه‌های علم داده و یادگیری ماشین در پایتون، از ابتدا برنامه‌ریزی می‌کنیم. تنها زمانی که دقیقاً نحوه عملکرد هر الگوریتم را درک کردید، یاد می‌گیریم که چگونه از آن‌ها با کتابخانه‌های پیشرفته پایتون استفاده کنیم.

محتوای دوره

مقدمه‌ای بر یادگیری ماشین و علم داده
رگرسیون خطی ساده: یاد می‌گیریم که چگونه رابطه بین پدیده‌های مختلف را مطالعه کنیم.
رگرسیون خطی چندگانه: مدل‌هایی با بیش از یک متغیر برای مطالعه رفتار یک متغیر مورد نظر ایجاد می‌کنیم.
رگرسیون لاسو: نسخه‌ی پیشرفته‌ی رگرسیون خطی چندگانه با قابلیت فیلتر کردن مفیدترین متغیرها
رگرسیون ریج: نسخه‌ی باثبات‌تر رگرسیون خطی چندگانه
رگرسیون لجستیک: محبوب‌ترین الگوریتم طبقه‌بندی و تشخیص. این الگوریتم به ما امکان می‌دهد تا رابطه بین متغیرهای مختلف و طبقات خاصی از اشیاء را مطالعه کنیم.
رگرسیون پواسون: الگوریتمی که به ما امکان می‌دهد ببینیم چگونه چندین متغیر بر تعداد دفعات وقوع یک رویداد تأثیر می‌گذارند.
مفاهیم کلیدی در علم داده (برازش بیش از حد در مقابل برازش کم، اعتبارسنجی داده‌ها، آماده‌سازی متغیرها و غیره)

آنچه که در دوره یاد خواهید گرفت:

پیاده‌سازی تمام مدل‌های ما از ابتدا، گام به گام. شما تمام جزئیات تئوری و عملی آن‌ها را یاد خواهید گرفت.
درک بنیادی از محبوب‌ترین الگوریتم‌های یادگیری ماشین
تسلط بر کتابخانه‌های اصلی یادگیری ماشین در پایتون: scikit-learn، numpy، pandas، matplotlib و غیره
درک گردش کار علم داده و نحوه حل یک مسئله پیش‌بینی از ابتدا تا انتها
تشخیص و حل مشکلات در مدل‌های ما. شما فردی خواهید شد که همکارانتان در صورت شکست مدل‌هایشان به سراغ شما می‌آیند.

این دوره مناسب چه افرادی است:

دانشجویانی که علاقه‌مند به پیدا کردن شغل در زمینه علم داده / یادگیری ماشین هستند.
حرفه‌مندانی که می‌خواهند مدل‌سازی پیش‌بینی را برای حل سخت‌ترین مشکلات کسب‌وکار خود به کار گیرند.
فعالان یادگیری ماشین که می‌خواهند درک عمیقی از نحوه عملکرد الگوریتم‌هایشان داشته باشند.