Oreilly – Data Science Made Easy: Hands-On Analytics with No-Code Software Tool KNIME 2025-1

توضیحات

دوره Data Science Made Easy: Hands-On Analytics with No-Code Software Tool KNIME. این دوره به عنوان مقدمه‌ای بر علم داده، شما را با مفاهیم، روش‌ها، الگوریتم‌ها و کاربردهای بنیادی علم داده آشنا می‌کند. همچنین، شما یاد خواهید گرفت که چگونه بهترین روش‌ها را در علم داده با استفاده از یک محیط نرم‌افزاری بصری، کم‌کد/بدون‌کد و شهودی به نام KNIME اجرا کنید.

آنچه فرا خواهید گرفت:

• توضیح علم داده: تعریف علم داده و درک اصطلاحات و مفاهیم مرتبط
• معرفی ابزارهای علم داده: آشنایی با ابزارها و پلتفرم‌های مختلف علم داده و استفاده از پلتفرم KNIME
• توسعه مدل‌های یادگیری ماشین با KNIME: توسعه و آزمایش مدل‌های یادگیری ماشین با استفاده از KNIME
• بهترین روش‌ها در علم داده: آشنایی با بهترین روش‌ها در علم داده، مانند مقابله با عدم تعادل داده‌ها، اعتبارسنجی متقابل و تکنیک‌های آنسامبل مدل
• تحلیل متن: یادگیری مفاهیم بنیادی تحلیل متن و پردازش زبان طبیعی، و کاربردهای آن مانند تحلیل احساسات و مدل‌سازی موضوعات

این دوره مناسب چه کسانی است؟

• این دوره برای هر کسی که علاقه‌مند به یادگیری علم داده و شروع تمرین آن است مناسب است.

مشخصات دوره Data Science Made Easy: Hands-On Analytics with No-Code Software Tool KNIME

• ناشر: Oreilly
• مدرس: Dursun Delen
• سطح آموزش: مبتدی تا پیشرفته
• مدت زمان آموزش: 4 ساعت و 46 دقیقه

سرفصل های دوره

• Introduction
• Data Science Made Easy: Introduction
• Lesson 1: Data Science Overview
  Topics
  1.1 Definition, Terminology, and a Simple Taxonomy
  1.2 Data Science Process
  1.3 Data Science Methods and Algorithms
  1.4 AI/ML Evolution
• Lesson 2: Data Science Tools
  Topics
  2.1 Tool Landscape
  2.2 Introduction to KNIME AP
  2.3 Nodes and Extensions
  2.4 KNIME Demo with Iris Dataset—Part 1
  2.5 KNIME Demo with Iris Dataset—Part 2
• Lesson 3: ML Model Development with KNIME
  Topics
  3.1 Data Ingestion and Preparation—Part 1
  3.2 Data Ingestion and Preparation—Part 2
  3.3 ML Model Building and Testing
  3.4 Comparative Assessment
• Lesson 4: Best Practices in Data Science and AI/ML
  Topics
  4.1 Data Balancing for Class Imbalance Problem
  4.2 Cross Validation for Bias-Variance Tradeoff
  4.3 Model Ensembles (with Bagging Boosting)
  4.4 Model Explainability (XAI)
• Lesson 5: Text Analytics
  Topics
  5.1 Overview of Text Mining and Natural Language Processing (NLP)
  5.2 Text Mining Process
  5.3 TM Applications―Sentiment Analysis
  5.4 TM Applications―Topic Modeling
• Summary
• Data Science Made Easy: Summary

پیشنیازهای دوره Data Science Made Easy: Hands-On Analytics with No-Code Software Tool KNIME

تصاویر دوره

نمونه فیلم دوره

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 396 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

1.3 گیگابایت