این دوره با هدف یادگیری صحیح مراحل پروژه‌های داده محور تنظیم شده است. به همین دلیل با مثال‌های کاربردی مناسب با استفاده از الگوریتم‌های شناخته شده در پروژه‌های عمومی داده محور، برآنیم تا کسانی که قصد دارند در این حوزه شروع به کارکنند را در کوتاه‌ترین زمان به توانمندی نسبتا قابل قبولی برسانیم.
1.780.000 تومان
این دوره با هدف یادگیری صحیح مراحل پروژه‌های داده محور تنظیم شده است. به طور معمول دوره‌های علم داده شامل طیف وسیعی از الگوریتم‌ها داده کاوی و یادگیری ماشین می‌شوند. اما ما این راه را برنگزیدیم زیرا براساس تجربه کاری و سال‌ها مصاحبه با متقاضیان کار در این حوضه دریافتیم که هرچند آشنایی با روش‌ها و الگوریتم‌های گوناگون مفید است اما آنچه در طول یک پروژه عملیاتی مفیدتر است، درک صحیح از متدلوژی کار با دادگان است. به همین دلیل با مثال‌های کاربردی و تشریح مطالب مناسب با استفاده از الگوریتم‌های شناخته شده و بسیار پرکاربرد در پروژه‌های عمومی داده محور، برآنیم تا کسانی که قصد دارند در این حوزه شروع به کارکنند را در کوتاه‌ترین زمان به توانمندی نسبتا قابل قبولی برسانیم.
بدین ترتیب بعد از این دوره، دانش آموختگان هم آماده دوره‌های پیشرفته می‌شوند و هم در محیط کار می‌توانند کار بر روی داده را شروع کرده و به فراخور سطح پیچیدگی پروژه در دست به نتیجه برسند.
۱. Python ۲. Scikit ۳. Matplotlib ۴. Numpy ۵. Pandas
از آنجا که دادگان دریافتی از کارفرما و یا منابع آزاد عمدتا ناشناخته هستند، شناخت و آزمون اولیه داده جهت آماده‌سازی آن برای مراحل بعدی جزء موارد چالشی و مهم است و در اکثر مواقع بسیار زمانبر است. یکی از نکات در این مرحله توانمندی فنی ما و آشنای ما با ابزار است. از آنجایی که در حال حاضر برای فازهای اولیه Data Exploration ابزاری پانداس جز مطرح ترین‌هاست، ما باید تا جای ممکن با آن آشنا شویم تا اهداف ما محدود به توانمندی فنی ما نشود.
۱. Series ۲. Data Frame ۳. Data Exploration ۴. Pandas Queries
سناریو: مفاهیم بالا در دیتا ست Baltimore Salary، Revenue-Budget_financial_Plan و 50StartUp بررسی و پیاده خواهد شد. این دیتاست‌ها بعضا برای اهداف آموزشی و تحقیقاتی نیستند و خروجی شرکت‌ها و بنگاه‌های سرمایه داری بزرگ هستند. در این دیتاست‌ها با دنبال کردن مراحل مورد نیاز، کار با پانداس و Data Exploration را خواهیم آموخت. بدلیل محدودیت‌های پانداس در برخی پروژه‌های عملیاتی SqlLite و MS Sql Server برای حل برخی مشکلات معرفی می‌گردند.
جهت انجام محاسبات عددی در مرحله Exploration نیز موارد مورد نیاز از کتابخانه numpy پوشش داده خواهد شد.
۱. Classification & Regression
۲. Clustering
۳. سناریوها:
۱. مهندسی خصیصه ۲. آمار در انتخاب خصیصه ۳. برخی الگوریتم‌های انتخاب خصیصه ۴. مدیریت خصیصه‌های غیر عددی ۵. Transformation
امیر باقری مدیریت داده کاوی و تحلیل داده و مشاور فنی در زمینه راهکارهای مبتنی بر علم داده است. وی فارغ التحصیل مهندسی کامپیوتر از دانشگاه پیزا و پلی تکنیک میلان ایتالیا است و در حال حاضر کاندیدای دکتری پردازش متن حجیم Big Text Mining است. حیطه تخصصی وی در دو زمینه کلی شامل رمز نگاری و علوم داده است. اکثر پروژه‌های ایشان در زمینه‌های فرایند کاوی و هوش مصنوعی بوده است.عمده پروژه‌های ایشان شامل: کشف تقلب در سیستم‌های بانکی و پشتیبانی محصول، تشخیص تخلف در خود اظهاری بر اساس تراکنش و یا دیگر خصیصه‌های مالی و غیر مالی، OSINT ، چند پروژه در زمینه ، بهینه سازی فروشگاه‌های زنجیره ای، تحلیل احساس اجتماعی و استفاده از آن در فروش و، تبلیغات و پیش بینی آینده، بهینه سازی تبلیغات، اتوماسیون‌ها بر پایه تحلیل احساس با پردازش حالت چهره و صدای مشتری،، امنیت سیستم‌های اینتر پرایز با استفاده از هوش مصنوعی و داده کاوی، ارائه سلوشن‌های مخابراتی بهینه از جمله پروژه‌های عملیاتی و تحقیقاتی ایشان در ایران و دیگر کشور بوده است. همچنین ایشان علاقه بسیار زیادی به انتقال مفاهیم و تدریس دارند و شاید به همین علت حدود هشت سال سابقه تدریس تافل، آیلتس و جی آر ای در کنار تدریس ریاضیات داشتند.
پس از ثبت سفارش، به حساب کاربری خود در سایت نیک‌آموز وارد شده و در بخش «دانلودها» اقدام به دانلود جلسات دوره خریداری شده کنید.
ارسال به تهران: طی 24 ساعت کاری پس از ثبت سفارش، هماهنگی لازم جهت ارسال بسته با پیک توسط تیم پشتیبانی با شما انجام خواهد شد.
ارسال به خارج از تهران: طی 24 ساعت کاری پس از ثبت سفارش، بسته ارسالی با آدرس ثبت شده در پنل کاربری، به اداره پست تحویل داده میشود. زمان ارسال و تحویل بسته به شما، منوط به زمانبندی اداره پست بوده و از 2 الی 5 روز کاری متغیر خواهد بود.
این دوره به صورت کامل ضبط شده است و به محض خرید قابل دانلود میباشد.
با همهگیری بیماری کووید در سراسر دنیا در سال 1398، مجموعه نیک‌آموز برگزاری کلاسهای حضوری را متوقف کرده و پس از آن تمامی دوره‌های آموزشی به صورت وبکستی و آنلاین برگزار شده است.
با توجه به بازخوردهای مثبت دانشجویان، کلاسهای حضوری صرفاً در صورت برگزاری بوتکمپها و مسترکلاسها خواهد بود و دوره‌های آموزشی زین پس به همان صورت آنلاین و وبکستی برگزار میشود.
تمام جشنوارهها از یک الی دو هفته قبل از طریق شبکه‌های اجتماعی اینستاگرام (@nikamooz)، وبسایت مجموعه (www.nikamooz.com) و همچنین ایمیلهای ارسالی به کاربران اطلاع‌رسانی میگردد.
در صورت تمایل به دریافت فاکتور رسمی، پیش از خرید خود با واحد فروش مجموعه (17 00 07 91 – 021) تماس حاصل نمایید. شایان ذکر است، امکان صدور فاکتور رسمی پس از خرید آنلاین از سایت مجموعه به هیچ عنوان وجود نخواهد داشت.
پس ثبت و نهایی شدن سفارش شما در سایت نیک‌آموز، تیم پشتیبانی طی ۲۴ تا ۷۲ ساعت کاری با شما تماس خواهند گرفت تا فرایند عضو شدن شما در گروه پشتیبانی تلگرامی هر دوره انجام شود.
در صورت وجود هر گونه سوال و ابهامی میتوانید با شمارههای شرکت تماس حاصل فرمایید و یا از طریق بخش چت پشتیبانی سایت، سوالات خود را مطرح نمایید.
Δ
ذخیره نام، ایمیل و وبسایت من در مرورگر برای زمانی که دوباره دیدگاهی مینویسم.
دوره خوب و کاربردی بود. برای من که یه آشنایی کلی با مفاهیم علم داده داشتم خوب بود. ولی اگه صفر صفر باشین یه کم تلاش بیشتری نیاز دارین واسه فهم مطالب . در کل قبلا هم از نیک آموز دوره خریدم و راضی هستم. بی صبرانه منتظر دوره پیشرفته علم داده هستم
سلام ببخشید دوره پیشرفته و دوره شبکه‌های عصبی و یادگیری عمیق کی برگزار میشه؟حضوری خواهد بود؟
درود بر شما به زودی در این زمینه اطلاع رسانی خواهیم کرد سپاس از همراهی شما
منتظر دوره های پیشرفته هستیم همچنان
جناب باقری عزیز سلام
میخواستم از شما بپرسم که دوره ی پیشرفته داده کاوی چه زمانی منتشر میشود؟
ممنون
درود بر شما انشالله بعد از دوره مقدماتی سرفصل های این دوره ارائه خواهد شد. سپاس از همراهی شما
آیا بعد از شروع دوره هم می توان دوره را خریداری کرد و به جلسات ویدو های قبلی دسترسی داشت ؟
درود بر شما بله امکان این مورد هست.
من برنامه نویسم و دقیقا به مقداری دانش در این مبحث نیاز دارم تا یک پروژه ای رو تموم کنم. امیدوارم مناسب باشه. بنظر خوب میاد
لطفا مثال هایی از کاربرد علم داده و روش های درآمدزایی آن را عنوان بفرمایید
