college logo

یادگیری ماشین ۱ | تحلیل داده با پایتون

قدم اول مسیر تخصصی یادگیری ماشین: آماده‌سازی و تحلیل داده با Pandas، Numpy Matplotlib و Seaborn

تعداد افراد ثبت‌نام کرده
۰

تعداد پاسخ‌های ارسال شده
۰

تعداد پرسش‌های پاسخ داده شده
۰

در یک دهه‌ی گذشته(از ۲۰۱۰ تا ۲۰۲۰) حجم داده‌ی تولید شده در جهان بیش از ۵۰ برابر شده. همین موضوع اهمیت تحلیل داده را به خوبی روشن می‌کند. شما در هر حوزه‌ی آکادمیک یا صنعتی که باشید باید کار کردن با داده‌ها را بلد باشید. در این دوره مهارت‌ها و ابزارهای مورد نیاز برای تحلیل داده را یاد می‌گیرید و با داده‌های واقعی و مسئله‌های صنعت تمرین می‌کنید.

با مثال‌های عملی از شرکت‌های

تجربه‌ای متفاوت از یادگیری

صفر تا صد ابزارهای تحلیل داده با پایتون

در این دوره با تمام ابزارهای پرکاربرد تحلیل و مصورسازی داده مانند numpy, Pandas, Matplotlib و seaborn آشنا می‌شوید و پروژه‌های عملی را با آن‌ها پیاده می‌کنید. تنها پیش‌نیاز این دوره دانش مقدماتی پایتون و دانش ریاضی در سطح دبیرستان است.

body body body

تجربه عملی تحلیل داده در کنار یادگیری

در کنار درس‌نامه‌های آموزشی غنی، ده‌ها تمرین و پروژه‌ برای شما آماده شده تا در جنبه‌های مختلف تجربه کسب کنید. این پروژه‌ها شما را برای انجام پروژه‌های واقعی در صنعت آماده خواهد کرد.

body

در تمام زمان آموزش کنارتان هستیم

احتمالاً سؤالات مختلفی حین گذراندن این دوره برایتان پیش می‌آید. در تمام زمان دوره می‌توانید سوالاتتان را از مربی‌های کالج بپرسید و از آن‌ها در دیباگ کردن کدهایتان کمک بگیرید. پس از حل سؤالات نیز می‌توانید پاسخ اساتید دوره یا سایر دوستانتان را ببینید.

body big message red message green message

جامع و نزدیک به صنعت یاد بگیرید

در این دوره علاوه بر یادگیری ابزارهای کاربردی و انجام تمرین‌های متعدد برای تسلط کامل، داده‌های واقعی شرکت‌های یکتانت، پوشه و یونیدرو را هم تحلیل می‌کنید تا با استفاده‌ی واقعی این ابزارها در صنعت آشنا شوید.

body body body body

آن‌چه خواهید ساخت

امکانات دیگر این دوره کوئرا کالج

قدم اول مسیر یادگیری ماشین

گواهی کوئرا کالج

دو پروژه‌ آموزشی

محتوای متنی و ویدیویی

مشاهده کد دیگران

داوری خودکار تمرین‌ها

سیستم نظردهی

به‌روزرسانی مداوم

سرفصل دوره

مقدمه ( ٪۸۰ تا میزان مورد انتظار )
داده و اهمیت آن
داده چیست؟ درس‌نامه
انواع داده درس‌نامه
ارزش داده و چالش‌ها درس‌نامه
تعامل بیشتر با پایتون
اهداف فصل درس‌نامه
معرفی پایتون تعاملی درس‌نامه
معرفی نوت‌بوک جوپیتر درس‌نامه
آماده‌سازی محیط کار درس‌نامه
اجرای نوت‌بوک‌ها درس‌نامه
دستگرمی تمرین
کار با امکانات ویژه پایتون تعاملی درس‌نامه
تمرین پایتون تعاملی تمرین
گوگل کولب درس‌نامه
نامپای
اهداف فصل درس‌نامه
تعریف آرایه درس‌نامه
کار با آرایه درس‌نامه
بازی با کوئرا تمرین
توابع عمومی درس‌نامه
توابع تجمیعی درس‌نامه
ایجاد، تغییر شکل و برش آرایه تمرین
پخش آرایه درس‌نامه
مقایسه و منطق بولی درس‌نامه
نمایه‌سازی با آرایه‌ها درس‌نامه
سرزمین فلاکت تمرین
مرتب‌سازی و جبرخطی درس‌نامه
گل‌های زنبق تمرین
پانداس
اهداف فصل درس‌نامه
دیتا سری درس‌نامه
دیتا فریم درس‌نامه
بررسی دیتافریم درس‌نامه
مصطفی تمرین
کار با دیتافریم درس‌نامه
انتخاب شرطی درس‌نامه
دوچرخه سواران بی‌طاقت تمرین
شاخگرام تمرین
کار با فایل درس‌نامه
اِعمال توابع و مرتب‌سازی درس‌نامه
هندونه تمرین
ادغام دیتافریم‌ها درس‌نامه
توابع اتصال و هم‌پوشانی درس‌نامه
گروه‌بندی درس‌نامه
قشر کتابخوان تمرین
توابع تبدیل و فیلتر درس‌نامه
یکتانت تمرین
پروژه ۱: مشکلات شکلاتی
اهداف فصل درس‌نامه
گام اول - محموله بزرگ تمرین
گام دوم - فروش شکلات تمرین
گام سوم - شکلات‌های خوب‌تر تمرین
آماده‌سازی داده
اهداف فصل درس‌نامه
حذف دادگان درس‌نامه
کار با مقادیر ناموجود درس‌نامه
ماندن یا نماندن؛ مسئله اینست! تمرین
سری‌ زمانی: یادآوری پایتون درس‌نامه
سری زمانی: استفاده از پانداس درس‌نامه
پوشه تمرین
گسسته سازی درس‌نامه
مگنت تمرین
مصور‌سازی داده
اهداف فصل درس‌نامه
ابزار‌های مصور‌سازی داده درس‌نامه
شروع کار با مت‌پلات درس‌نامه
تنظیمات بخش اول درس‌نامه
سقوط امپراطوری سلیب تمرین
واسط پانداس درس‌نامه
نمودار میله‌ای درس‌نامه
انقلاب سلیب تمرین
نمودار پراکندگی درس‌نامه
توزیع‌ها و تخمین توزیع داده درس‌نامه
هیستوگرام و نمودار چگالی درس‌نامه
بر باد رفته تمرین
تنظیمات بخش دوم درس‌نامه
آب رفته به جوی باز می‌گردد تمرین
معرفی سیبورن درس‌نامه
نمودارهای سیبورن درس‌نامه
مصطفی، خودکفا تمرین
یونیدرو تمرین
پروژه ۲: چین
اهداف فصل درس‌نامه
پر‌کردن مقادیر گمشده تمرین
فرمت مناسب و داده‌های پرت تمرین
اضافه کردن ویژگی‌های جدید تمرین
نمایش روی نقشه تمرین
تحلیل زمانی تمرین
مباحث تکمیلی
یادگیری ماشین درس‌نامه
علم داده درس‌نامه
کلان داده درس‌نامه
مقدمه‌ای بر مهندسی داده درس‌نامه
پروژه نهایی
مقدمه درس‌نامه
پیش‌پردازش تمرین
اکتشاف تمرین
مطالعه بازار‌های هدف تمرین
ارزش‌گذاری مشتریان تمرین
تحلیل ماندگاری مشتری تمرین
پایان دوره درس‌نامه

توی این مسیر می‌تونی پیشرفت خودت رو نسبت به تعدادی از شرکت‌کننده‌های دوره مشاهده کنی و تلاش کنی تا از بقیه شرکت‌کننده‌ها عقب نمونی.

مشاهده‌ی بیشتر

اساتید دوره

حامد منصوری
دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه خواجه نصیر

مهندس هوش مصنوعی در شرکت پلی‌پاد

سجاد یزدان‌پرست
دانشجوی کارشناسی ارشد فناوری اطلاعات دانشگاه اصفهان

دانشمند داده در کوئرا

پرتو شاهرودی
دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه خواجه نصیر

سید پارسا میرطاهری
دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه شریف

محمد نصر اصفهانی
دانشجوی کارشناسی فناوری اطلاعات دانشگاه اصفهان

متخصص داده در مستر بلیط

هادی ستوده

دانشمند سابق داده در کوئرا

سؤالات متداول

مهلت ثبت نام در این دوره تا چه زمانی است؟

شما در هر زمانی که بخواهید می‌توانید در دوره ثبت‌نام و دوره را آغاز کنید.

پیش‌نیاز شرکت در دوره چیست؟

پیش‌نیاز این دوره، تسلط به مباحث مقدماتی پایتون و ریاضیات دبیرستان است.
اگر هنوز به مقدمات پایتون مسلط نیستید، پیشنهاد می‌کنیم پیش از شروع این دوره، دوره‌ٔ «برنامه‌نویسی پایتون پیشرفته و تفکر شی‌گرا» را تا انتهای فصل «کار با فایل» بگذرانید.

برای شرکت در دوره باید در رشته دانشگاهی خاصی تحصیل کرده باشم؟

خیر؛ نیازی نیست!
اگر پیش‌نیاز دوره (تسلط به مباحث مقدماتی زبان پایتون) را داشته باشید، می‌توانید در این دوره شرکت کنید.

من با برخی از مفاهیم دوره از قبل آشنایی داشتم؛ آیا این دوره به درد من هم می‌خورد؟

بله؛ شما می‌توانید از درس‌نامه‌هایی که از قبل آشنایی سریع بگذرید، اما در نکات گفته شده در درس‌نامه‌ها موارد بسیاری وجود دارد که می‌تواند دانش شما را تکمیل کند؛ پس پیشنهاد می‌کنیم که آن‌ها را هم مطالعه کنید.
هم‌چنین حتما می‌دانید که هرچقدر در برنامه‌نویسی تمرین کنیم، باز هم کافی نیست؛ پس پیشنهاد می‌کنیم که تمرینات مربوط به این مباحث را نیز حل کنید تا یادگیری کاملی داشته باشید.

محتوای دوره در چه قالبی ارائه می‌شود؟

محتوای دوره به صورت درس‌نامه‌های متنی و در بعضی قسمت‌ها ویدیوهای آموزشی می‌باشد.
پس از درس‌نامه‌ها، نوبت به تمرین و حل مسئله می‌رسد. تعدادی تمرین مطرح می‌شود که شما دستورات آن‌ها را نوشته و ارسال می‌کنید. سامانه داوری خودکار Quera در مدت کوتاهی کد شما را تصحیح می‌کند و نمره می‌دهد.
در صورتی که نمرهٔ کامل نگرفتید نگران نباشید، می‌توانید کد خود را تغییر دهید و دوباره ارسال کنید.

آیا محتوای دوره به صورت یکجا در اختیارم قرار می‌گیرد؟

بله؛ پس از گذراندن فصل «مقدمه»، به تمامی بخش‌های دوره دسترسی خواهید داشت، اما پیشنهاد ما این است که دوره را با همان ترتیبی که چیده شده است ادامه دهید.

تمرینات این دوره چگونه است؟

در طول این دوره تمرین‌های متعددی وجود دارد تا شما با انجام آن‌ها، مهارت خود را تقویت کنید.
در کنار این تمرین‌ها، داوری آنلاین نیز وجود دارد. یعنی کد ارسالی شما در همان لحظه توسط سیستم، داوری و امتیازدهی می‌شود تا اشکالاتتان را پیدا کرده و آنها را رفع کنید.

مربی‌گری دوره به چه صورت است؟

شما می‌توانید در هر کجای دوره که به مشکل خوردید، از طریق بخش پرسش و پاسخ («سوال خصوصی») آن را با مربی‌های دوره در میان بگذارید و مربی‌ها در اسرع وقت به شما کمک خواهند کرد.

تا چه زمانی برای به پایان رساندن دوره فرصت دارم؟ آیا این زمان قابل تمدید است؟

شما بعد از رسیدن به فصل «تعامل بیشتر با پایتون»، ۹۰ روز فرصت دارید تا دوره را به اتمام برسانید و بعد از اتمام دوره برای همیشه به تمام محتواهای دوره دسترسی خواهید داشت.
هم‌چنین اگر تا انتهای زمانِ گفته‌شده نتوانستید دوره را تمام کنید نگران نباشید، چون امکان تمدید دوره وجود دارد!

پس از اتمام دوره چه مهارت‌هایی کسب می‌کنم؟

در انتهای دوره، کار با کتابخانه‌های Numpy، Pandas، Matplotlib و Seaborn را به خوبی فرا گرفته‌اید و از آن‌ها می‌توانید برای تحلیل و آماده‌سازی داده استفاده کنید. به دلیل نوع سوالات، قدرت تحلیل‌ ذهن شما تقویت شده و با انجام پروژه‌ها، با مسیری که یک تحلیل‌گر داده با پایتونِ حرفه‌ای طی می‌کند آشنا می‌شوید.

بزن بریم!

در صورت وجود هرگونه سؤال یا ابهام با college@quera.org تماس بگیرید.

ثبت نام