آموزش Data Science
Data Science چیست؟
در دنیای امروز، حجم عظیمی از داده ها توسط سازمان ها و شرکت ها تولید می شود. این داده ها می توانند از منابع مختلفی مانند اینترنت، شبکه های اجتماعی، سیستم های حسگر و دیگر منابع جمع آوری شوند. این داده ها حاوی اطلاعات مهمی برای تحلیل و استخراج دانش هستند. اما چگونه می توان از این حجم عظیمی از داده ها بهره برد؟ این جایی است که علم داده (Data Science) به کار می رود.
علم داده یا Data Science ، مجموعه ای از روش ها، الگوریتم ها و فنون است که به ما کمک می کند اطلاعات مفید و قابل استخراج را از داده ها استخراج کنیم. در واقع، علم داده می تواند به ما کمک کند تا از داده های خام به دانش قابل فهم و قابل استفاده برویم.
علم داده ترکیبی از ریاضیات، آمار و الگوریتم های کامپیوتری است. از آمار برای توصیف و تحلیل داده ها استفاده می کنیم و از ریاضیات برای مدل سازی و پیش بینی استفاده می کنیم. همچنین، از الگوریتم های کامپیوتری برای پردازش و تحلیل داده ها استفاده می کنیم.
علم داده در بسیاری از زمینه ها از جمله علوم زیستی، مالی، بازاریابی، سلامتی و غیره استفاده می شود. در علم زیست شناسی می توان از علم داده برای تحلیل داده های جینتیکی و پروتئومیکی استفاده کرد. در علوم مالی می توان از علم داده برای پیش بینی قیمت سهام و تحلیل ریسک استفاده کرد. در بازاریابی، می توان از علم داده برای تحلیل رفتار مشتریان و پیش بینی رفتار آنها استفاده کرد. در سلامتی، می توان از علم داده برای تحلیل داده های بیماری و تشخیص و درمان بیماری ها استفاده کرد.
برای استفاده از علم داده، توانایی های فنی از قبیل برنامه نویسی، آمار و ریاضیات نیز مورد نیاز است. همچنین، توانایی های تحلیلی و تفکر کریتیکال نیز در علم داده بسیار مهم است.
در نهایت، علم داده یک ابزار قدرتمند است که در جهت تصمیم گیری های بهتر و ارائه راه حل های بهتر برای مسائل مختلف استفاده می شود. با استفاده از علم داده، می توانیم الگوها و روابطی را کشف کنیم که در داده ها پنهان شده اند و این امر به ما کمک می کند تا تصمیم های بهتری بگیریم و به راه حل های بهتری برسیم.
فهرست سرفصلها و رئوس مطالب مطرح شده در اين مجموعه آموزشی
SQL Server
- پیش زمینه در مورد T-SQL Querying
- Join ها
- Subquery ها
- عبارت Table
- کار با مجموعهها
- فراتر از اصول اولیه Query نویسی
- تغییرات دادهها
Tableau
- آشنایی با نرم افزار Getting Started
- آماده سازی دادهها Connecting to Data
- بصری سازی و ویژوالیزشن Visual Analytics
- معرفی ویژوال های کاربردی
- ساخت داشبوردهای مدیریتی Dashboards and Stories
- اشتراک گذاری داشبوردها و گزارش ها روی موبایل و تبلت
Microsoft Power BI
- معرفی سرویسها و ابزارهای Power BI و کارکرد آنها
- تشریح مراحل پنج گانه سیکل گزارشهای تحلیلی و داشبوردها با ابزار Power BI
- مروری بر دریافت و اصلاح دادهها از منابع مختلف داده
- مروری بر مدلسازی دادهها و معرفی توابع DAX برای ساخت محاسبههای کاربردی
- مروری بر مصورسازی (تحلیل) دادهها و و معرفی ویژوالهای کاربردی
- معرفی Power BI Service برای به اشتراک گذاری داشبوردها
- اشتراک گذاری گزارشها به کمک Power BI Report Server
- اشتراک گذاری داشبوردها و گزارشها روی موبایل و تبلت
R For Data Engineering
- Data Types
- Control Flow in R
- Vectorized Thinking
- introduction to packages
- Introduction to Date & Time manipulation
- Introduction to String Manipulation
- Importing Data
Python For Data Engineering
- Python & Anaconda installation
- Basic Data in python
- Variables in python
- package Management
- introduction to numpy
- introduction to pandas
- introduction to control flows
- data importing in python
- data manipulation
- introduction to maplotlib
Big Data
- What is Big Data؟
- How to gain insights from Big Data?
- Learn the important concepts, tools, standards, and uses of Big Data.
- Learn about Big Data implementation.
- Learn how to manage Big Data.
- Examine Big Data analytics.
- Explore the different elements of Big Data.
- Available solutions for Big Data
- Big Data Architectures
- Data Lake
- Lambda Architecture
- Kappa Architecture
- Big Data Collection Solutions
- Getting Data from RDBMS
- Getting Streaming Data
- Gathering Logs Data
- Big Data Storage Solutions
- Distributed File Systems
- NoSQL Databases
- Object Storage
- Big Data Processing Frameworks
- Hadoop Processing Stack
- NoSQL Query Engines
- Streaming Data
- SQL on Big Data
تحلیل اکتشافی
- تحلیل داده اکتشافی چیست؟
- اهمیت و نقش تحلیل داده اکتشافی
- مراحل کار
- توصیف داده
- شیوههای تحلیل تک متغیره و چند متغیره
- شیوههای تحلیل بصری و غیربصری
- شاخصهای پرکاربرد در تحلیل Numerical
- اهمیت تحلیل بصری
- قواعد تحلیل بصری
- مشکلات تحلیل دادههای چند بعدی
Python & R For Data Scientist
- مقدمه ای بر یادگیری ماشین
- الگوریتم KNN با R & Python
- تحلیل رگرسیون logistic
- تحلیل Bayes Naive
- الگوریتم ماشین بردار پشتیبان
- الگوریتم درخت تصمیم
- روش های کشف قوانین انجمنی
- تحلیل رگرسیون خطی چند متغییره
- تحلیل رگرسیون غیر خطی (مدل سازی پیچیده)
- الگوریتم embedded learning
- الگوریتم قانون طبقه بندی
- الگوریتم های خوشه بندی
دیدگاهتان را بنویسید