توضیحات

آموزش اصول یادگیری ماشین بدون کدنویسی قسمت اول : دسته بندی و پاکسازی اطلاعات

نام دوره : Machine Learning for Data Analysis: Data Profiling & QA

پیش نیاز:

این یک دوره آموزشی مبتدی است (بدون نیاز به دانش قبلی یا پیشینه ریاضی/آمار)
ما از Microsoft Excel (Office 365) برای برخی از نمایش‌های دوره استفاده خواهیم کرد.

توضیحات:

دوره آموزش اصول یادگیری ماشین بدون کدنویسی قسمت اول : دسته بندی و پاکسازی اطلاعات، بخش 1 از یک سری 4 قسمتی است که برای کمک به شما در ایجاد یک درک قوی و اساسی از یادگیری ماشین طراحی شده است:

• بخش 1: بررسی کیفیت و دسته بندی داده
• بخش 2: مدل سازی طبقه بندی
• بخش 3: رگرسیون و پیش بینی
• بخش 4: یادگیری بدون نظارت

این دوره، علم داده را برای افراد عادی قابل دسترسی می‌کند و برای ابهام‌زدایی از ابزارها و تکنیک‌های قدرتمند یادگیری ماشین طراحی شده است، بدون اینکه تلاشی برای آموزش همزمان زبان برنامه‌نویسی به شما داشته باشد.

در عوض، ما از ابزارهای آشنا و کاربر پسند مانند مایکروسافت اکسل استفاده می‌کنیم تا موضوعات پیچیده را بشکافیم و به شما کمک می‌کنیم قبل از اینکه به سراغ زبان‌های برنامه‌نویسی مانند پایتون یا R بروید، دقیقاً بدانید که چگونه و چرا یادگیری ماشینی کار می‌کند.

برخلاف اکثر دوره‌های علم داده و یادگیری ماشین. ، شما در این دوره یک خط کد نمی نویسید .

خلاصه دوره:

در این دوره آموزشی قسمت 1، چشم‌انداز و گردش کار یادگیری ماشین را معرفی می‌کنیم و نکات مهم QA را برای تمیز کردن و آماده‌سازی داده‌های خام برای تجزیه و تحلیل، از جمله انواع متغیر، مقادیر خالی، محاسبات محدوده و شمارش، ساختارهای جدول، و غیره مرور می‌کنیم.

ما تجزیه و تحلیل تک متغیره را با جداول فرکانس، هیستوگرام، تراکم هسته، و معیارهای پروفایل پوشش می دهیم،=.

سپس به ابزارهای پروفایل چند متغیره مانند نقشه های حرارتی، نمودارهای ویولن و جعبه، نمودارهای پراکندگی و همبستگی می پردازیم:

بخش 1: مقدمه و چشم انداز یادگیری ماشین

فرآیند یادگیری ماشین، تعریف و چشم انداز

بخش 2: QA داده های اولیه

انواع متغیر، مقادیر خالی، محاسبات محدوده و شمارش، سانسور چپ/راست و غیره.

بخش 3: پروفایل تک متغیره

هیستوگرام، جداول فراوانی، میانگین، میانه، حالت، واریانس، چولگی و غیره.

بخش 4: پروفایل چند متغیره

نمودارهای ویولن و جعبه، تراکم هسته، نقشه های حرارتی، همبستگی و غیره.

در طول دوره، سناریوهای دنیای واقعی را معرفی خواهیم کرد که برای کمک به تثبیت مفاهیم کلیدی و پیوند آنها با مطالعات موردی هوش تجاری واقعی طراحی شده اند.

شما از معیارهای نمایه‌سازی برای پاکسازی داده‌های موجودی محصول برای یک خواربار محلی، کاوش جمعیت‌شناسی ورزشکاران المپیک با هیستوگرام و تراکم هسته، تجسم فراوانی تصادفات ترافیکی با نقشه‌های حرارتی و موارد دیگر استفاده خواهید کرد.

اگر آماده ایجاد پایه و اساس یک حرفه موفق در علم داده هستید، این دوره برای شما مناسب است.

دوره آموزش اصول یادگیری ماشین بدون کدنویسی قسمت اول : دسته بندی و پاکسازی اطلاعات برای چه کسانی است:

• هر کسی که به دنبال یادگیری اصول یادگیری ماشینی از طریق دموهای واقعی و توضیحات بصری و شفاف است.
• تحلیلگران داده یا کارشناسان BI به دنبال انتقال به علم داده یا ایجاد درک اساسی از یادگیری ماشین هستند
• کاربران R یا Python به دنبال درک عمیق تر از مدل ها و الگوریتم های پشت کد خود هستند

بخشی از دوره :