زبان پایتون



زبان پایتون

زبان پایتون


اطلاعات دوره


  • نام دوره:زبان پایتون
  • طول دوره:80 ساعت
  • شروع دوره:نامشخص
  • بیعانه ثبت نام:200,000 تومان برای رزرو کلاس
  • محل برگزاری:آموزشگاه فوق تخصصی رادمان
  • مدرسین دوره:
  • تعداد جلسات:40 ساعت
  • امکان قسط بندی:دارد
  • نوع کلاس :

راه های ارتباطی


  • شماره تماس :05135018080
  • شعبه :شعبه اصلی
  • نشانی دفتر مرکزی : مشهد - بولوار وکیل آباد - جنب ایستگاه مترو اقبال لاهوری - وکیل آباد ۶۵ پلاک یک
  • مسیر یابی از طریق گوگل

جزئیات دوره


سرفصل ها


پیشنیاز :

     مبانی و سیستم عامل

          سخت افزار _ کاراکتر و رشته _ سیستم عامل _ ریاضیات و محاسبات _ الگوریتم


مقدماتی :

           

پیشرفته :

1. علم داده چیست؟

1.1. علم داده چیست؟

1.2. مسیرهای رسیدن به علم داده

1.3. عناوین و الگوریتم های علم داده

1.4. کاربردهای تخصص علم داده

1.5. وضعیت آینده و استخدام در علم داده

1.6. آموزش کار با نوت بوک ژوپیتر

1.7. بارگذاری فایل ها و نصب Package ها و بارگذاری کتابخانه ها

2. روش شناسی علم داده

2.1. از مسئله تا رویکرد و از الزامات تا جمع آوری داده

2.2. درک مدل کسب و کار

2.3. رویکرد تحلیلی

2.4. از فهم تا آمادگی و از مدل سازی تا ارزیابی

2.5. مفاهیم آماده سازی داده

2.6. آماده سازی داده مطالعه موردی

3. پایتون برای علم داده و هوش مصنوعی

3.1. مبانی پایتون

3.2. عبارات و متغیرها

3.3. عملگرهای رشته

3.4. نوع های داده

3.5. ساختار داده در پایتون

3.6. لیست، تاپل، دیکشنری، مجموعه،

3.7. اصول برنامه نویسی پایتون

3.8. شرط ها

3.9. حلقه ها

3.10. توابع

3.11. شی و کلاس

3.12. کار با داده در پایتون

3.13. خواندن و نوشتن فایل

3.14. بارگذاری داده با کتابخانه Pandas

3.15. استفاده از کتابخانه Numpy

4. تحلیل داده با پایتون

4.1. فهم داده

4.2. بسته های پایتون برای علم داده

4.3. ورود و صدور داده در پایتون

4.4. تفکیک داده

4.5. مواجهه با داده ای از دست رفته

4.6. شکل دهی داده

4.7. نرمال کردن داده

4.8. داده های طبقه بندی به داده های کمی

4.9. تحلیل توصیفی داده

4.10. توصیف آماری

4.11. همبستگی

4.12. تحلیل واریانس ANOVA

4.13. مدل سازی

4.13.1. رگرسیون و رگرسیون خطی چندگانه

4.13.2. ارزیابی مدل و مصورسازی

4.13.3. رگرسیون چندجمله ای و لوله ها

4.13.4. اندازه گیری ها برای ارزیابی

4.13.5. پیش بینی و تصمیم گیری

4.14. ارزیابی مدل

4.14.1. بیش برازش و کم برازش و انتخاب مدل

4.14.2. Ridge Regression

4.14.3. Grid Search

5. مصورسازی داده با پایتون

5.1. Matplotlib,seaborn,folium

5.2. Area Plots

5.3. Histograms

5.4. Bar Charts

5.5. Pie Charts

5.6. Box Plots

5.7. Scatter Plots

5.8. Waffle Charts

5.9.  Word Clouds

6. یادگیری ماشین با پایتون

6.1. یادگیری با سرپرستی و بدون سرپرستی

6.2. رگرسیون، دسته بندی و خوشه بندی

6.3. K-Nearest Neighbours

6.4. Evaluation Metrics in Classification

6.5. Introduction to Decision Trees

6.6. Building Decision Trees

6.7. Intro to Logistic Regression

6.8. Logistic regression vs Linear regression

6.9. Logistic Regression Training

6.10. Support Vector Machine

6.11. Intro to Clustering

6.12. Intro to k-Means

6.13. More on k-Means

6.14. Intro to Hierarchical Clustering

6.15. More on Hierarchical Clustering

6.16. DBSCAN

6.17. Content-based Recommender Systems 

6.18. Collaborative Filtering

7. پردازش تصویر

7.1. معرفی کتابخانه OpenCV

7.2. آشنائی با نوع داده تصویر

7.3. معرفی فضاهای رنگ

7.4. عملیات روی تصاویر

7.5. آشنائی با انواع اعمال فیلترها بر تصاویر

7.6. هیستوگرام تصاویر

7.7. استخراج خطوط و مرزها

7.8. ایجاد کانتورها

7.9. کار با وب کم و پردازش ویدئو

7.10. دسته بندی تصاویر اعداد دست نوشته

7.11. دسته بندی تصاویر علائم راهنمائی

7.12. تطبیق الگو

7.13. تبدیلات مورفولوژیک



بازارکار



...برای آینده خود سرمایه گذاری کنید ...


دوره ها