آموزش برنامه نویسی با پایتون

فصل اول :نصب ابزارهای مورد نیازعلم داده

دانش:
–مبانيعلم داده
–مسیر های رسیدن به علم داده
–مفاهیمهوش مصنوعي مرتبط باعلم داده
–علم داده
–نوت بوکژوپیتر(Jupiter Notebook)
–فايلها وPackageها وکتابخانه های پايتون
مهارت:
–نصبنرم افزارAnaconda
–کار بامحیط نرم افزارNotebookJupiter
–بکارگیری دستوراتpipجهت نصب پکیج های مورد نیاز
–راه اندازی محیطآناکاندا و کد نویسی

فصل دوم :روش شناسي علمداده

دانش:
–مدل کسب و کاروشناسايي کردنمسئله
–شناسايي شاخص های کلیدی(KPIs) کسب و کار و الزامات جمع آوری داده
–روشطرح فرضیه و مدلسازی
–نحوهارزشیابيمدل وارائهنتايج در غالب نمودارها و داده داستانData Story Telling
مهارت:
–گردآوری،تجزيه و تحلیلکردنداده های محیط کسب و کار
–تعیینکردنمتغیرها و ويژگي های مهم و تاثیرگذار بر متغیر وابستهیمسئله
–پیدا کردن مدل مناسب،شکل دهي فرضیهوراهکارهای حل مسئله برای مدلسازی

فصل سوم :برنامه نويسيپايتون برایعلم داده و هوشمصنوعی

دانش:
–زبانبرنامه نويسي پايتون
–عبارات وانواع متغیر ها
–انواععملگرهای منطقي و مقايسه ای
–انواع دادهدر پایتون –ساختار داده در پایتون
–نوع هایدادهلیست ،تاپل، دیکشنری ،مجموعه
–نحوهبرنامه نویسی پایتون
–شرط ها ،حلقه ها ،توابع ،شی و کلاس
–نحوهخواندن ونوشتن فایل
–کتابخانههای مهم علم داده در پايتون numpy, pandas,sklearn, scipy,…
مهارت:
–کدنویسی با زبان برنامه نويسي پايتونو استفاده کردنازانواعداده
–کار با کتابخانه های مهم علم داده در پايتونnumpy, pandas,sklearn,
scipy,…
–پیاده سازی مدل ها در غالب برنامه های کاربردی

فصل چهارم : تحلیل داده با پايتون

دانش:
–فهم داده، ورود و صدور داده در پايتون،تفکیكداده، مواجهه با داده از دست رفته
–نحوهشکل دهي،نرمال کردن داده،تبديلداده هایطبقه بندیبه داده هایکمي،تحلیل
توصیفيداده، همبستگي،P_valueوتحلیلواريانس
–مدلهای دسته بندی،رگرسیون،مصورسازی،ارزيابيمدل ومدلسازی
–شرايطکاراييمدل(accuracy,recall,presicion,f–measure)
–نحوهمعرفيoverfitting, underfitting
مهارت:
–تمیزکردن داده،استاندارد سازیو نرمال سازیداده ها، بررسيکردنداده های از دست رفته
وانجام دادنکلیه مراحل پیش پردازش داده برای مدلسازی
–تحلیلتوصیفيداده ها
–مدلسازیو مصورسازیداده
–ارزيابي و کارايي مدل پیاده سازی شده

فصل پنجم : مصورسازی داده با پايتون

دانش:
–روشمعرفيداده
–کتابخانه هایمصورسازی:Matplotlib,…)(seaborn,folium
–نمودارهایArea Plots،Histograms،Bar Charts،PieCharts،Box
Plots،Scatter Plots،Word Clouds
مهارت:
–کار با کتابخانه هایمصورسازیدر پايتون(matplotlib, seaborn,…) ورسم انواع
نمودارهای تحلیلي
–تحلیل و توصیفداده از روینمودار
–استخراجدانشو نمايشداده ها در قالبنمودارها

فصل ششم : يادگیری ماشین با پايتون

دانش:
–انواع يادگیری(بانظارت،بدون نظارتو نیمه نظارت شدهsupervised,
unsupervised, semi–supervised learning)
–الگوريتم هایيادگیری ماشین
K–Nearest Neighbours،Evaluation Metrics in Classification،
Introduction to Decision Trees،Building Decision Trees،Intro to
Logistic Regression،Logistic regression vs Linear regression،
Logistic Regression Training،Support Vector Machine،Intro to
Clustering،Intro to k–Means،More on k–Means،Intro to
Hierarchical Clustering،More on Hierarchical Clustering
،DBSCAN،Content–based Recommender،Systems،Collaborative
Filtering
مهارت:
–پیاده سازیالگوریتم های یادگیری ماشین
–بهینه سازی هايپر پارامترهای الگوريتم های يادگیری ماشین
–بکارگیریهر مدل متناسب با نوع داده

فصل هفتم :پردازش تصویر مقدماتی

دانش:
–روشکتابخانهOpenCV،نوع داده تصوير،معرفيفضاهایرنگ
–روشعملیاترویتصاوير، انواع اعمال فیلتر هابر تصاویر ،هیستوگرامتصاویر،استخراج
خطوط و مرزها ،ایجاد کانتورها
–علائم راهنمائی با وب کم و پردازش ویدئو ،دسته بندیتصاویر اعداد دست نوشتهودسته بندیتصاویر
–روشتطبیق الگو
–تبديلاتمورفولوژیک
مهارت:
–پردازشداده تصویر
–کار با انواع فیلتر های تصویری
–کار با کتابخانهopencv
–کار با الگوريتم های يادگیری ماشین وپیش پردازش داده های تصوير
–پیاده سازی يك شبکه عصبينمونهبرای دسته بندی تصاوير