توضیحات

به علت عدم امکان پرداخت از طریق سامانه خواهشمند است جهت ثبت نام فقط و فقط از طریق لینک زیر اقدام نمایید:
b2n.ir/pyds_pedu

اطلاعات کلی
- طول دوره آموزشی: سه ماه (9 هفته، 33 جلسه، 50 ساعت)
- نوع برگزاری کلاس: آنلاین
- نوع ارزشیابی: تمرین‌ها و پروژه پایانی
- زمان برگزاری کلاس‌ها: شنبه و سه‌شنبه از ساعت 17:30 تا 20:45
- زمان شروع: نیمه اردیبیهشت 1402
- زمان پایان: مرداد 1402
- زمان ارائه کارنامه و گواهی شرکت در دوره: شهریور 1402

مخاطبان دوره
این دوره برای علاقه‌مندانی طراحی شده که به علوم داده گرایش دارند و می‌خواهند وارد بازار کار آن شوند، اما پیش‌زمینه‌ای در شاخه‌های مختلف آن از برنامه‌نویسی گرفته تا آمار و یادگیری ماشین ندارند. این دورۀ آموزشی با رویکردی عملیاتی و کارگاهی طراحی شده تا شرکت‌کنندگان مفاهیم و روش‌هایی که یاد می‌گیرند را با حل مسئله و تمرین به کار بگیرند و بتوانند در دنیای واقعی به خوبی از آن‌ها استفاده کنند. ابزار اصلی در این دوره آموزشی، Python است که از ابتدا به طول کامل آموزش داده خواهد شد و در بسیاری از موضوعات مانند «ریاضیات علوم داده» و «داده‌کاوی و یادگیری ماشین» مورد استفاده قرار خواهد گرفت و یادگیری مفاهیم انتزاعی را در این موضوعات نیز آسان خواهد کرد. در این دوره علاوه بر انجام تمرین و دریافت بازخورد در هر یک از موضوعات، یک پروژه نیز در پایان هست که می‌توانید در آن توانایی خود را به صورت جدی‌تری محک بزنید. اگر دوست وارد دنیای علوم داده شوید و برای چالش‌های آن آماده‌اید، این دوره آموزشی برای شماست.
 
برنامه‌ آموزشی
این دوره آموزشی از چهار بخش تشکیل شده است:
1. تفکر الگوریتمی و برنامه‌نویسی با پایتون (10 جلسه)
2. مبانی علوم داده، پردازش، مصورسازی (10 جلسه)
3. داده‌کاوی و یادگیری ماشین (12 جلسه)
4. پروژه پایانی (1 جلسه)

جزئیات بیشتر در هر یک از بخش‌های بالا را در ادامه مطالعه کنید:
محتوای درس‌ها
1. تفکر الگوریتمی و برنامه‌نویسی با پایتون
+ مقدمه‌ای درباره کامپیوتر و تفکر محاسباتی
+ برنامه‌نویسی به زبان Python
- مقدارها و عملگرهای پایه
- شرط و حلقۀ تکرار
- توابع پیش‌ساخته و جدید
- متغیرهای پیمایش‌پذیر
- مجموعه و دیکشنری
+ تحلیل و طراحی الگوریتم
+ برنامه‌نویسی پیمانه‌ای و استفاده از کتابخانه
+ تولید اعداد تصادفی و شبیه‌سازی مونت‌کارلو
+ تحلیل و مصورسازی مقدماتی داده با کتابخانه‌های Numpy و Matplotlib

2. مبانی علوم داده، پردازش، مصورسازی
+ علوم داده چیست و چه گرایش‌هایی دارد؟
- تحلیل موضوع / کسب‌وکار
- مهندسی داده
- تحلیل داده
+ احیای چرخه علوم داده در کسب و کار با طرح سوال اثرگذار و ارزشمند
+ مشتق‌گیری و بهینه‌یابی
+ جبر خطی
+ احتمال
+ آشنایی با مفاهیم آماری
+ روش‌ها و ساختارهای ذخیره‌سازی داده
+ پایگاه‌های داده رابطه‌ای و غیررابطه‌ای و انبار داده
+ سازماندهی داده در قالب جدول
- آشنایی با ساختار طولی و عرضی در جداول
+ کار با ساختارهای جدولی با کتابخانه Pandas
+ مصورسازی داده و ترسیم نمودار
- چند ملاحظه مهم درباره مصورسازی داده
- انواع مصورسازی داده: معرفی نمونه‌های جذاب
- ترسیم نمودار در پایتون با کتابخانه‌های Matplotlib و Seaborn و plotly
- مصورسازی خوب و مصورسازی بد: مرور چند نمونه واقعی
+ اتصال به پایگاه‌های داده رابطه‌ای با Pandas
+ آشنایی با عبارات قاعده‌مند (Regular Expressions)

3. داده‌کاوی و یادگیری ماشین
+ مبانی و مفاهیم
+ مدل‌های پیش‌بینی
- رگرسیون
- رگرسیون لجستیک
- درخت تصمیم
- نزدیک‌ترین k-همسایه
- بردار پشتیبان
- بیز ساده
+ خوشه‌بندی
- k-میانگین
- روش سلسله‌مراتبی
- روش‌های مبتنی بر چگالی
+ پیدا کردن داده‌های پرت
+ قواعد همبستگی (تحلیل سبد خرید)
+ یادگیری جمعی
+ کاهش ابعاد داده
+ آشنایی با مبانی شبکه‌های عصبی و یادگیری عمیق

4. پروژه پایانی
+ تعریف پروژه پایانی و گروه‌بندی
+ تحویل پروژه

در صورت نیاز به اطلاعات بیشتر به تلگرام @Lili_1374gh یا ایمیل laya.ghaffarian@gmail.com به خانم لعیا غفاریان پیام دهید. همچنین می توانید با شماره ۰۹۳۳۱۰۷۹۰۱۴ تماس حاصل فرمایید.