مطالب پیشنهادی از سراسر وب

بوت کمپ کامل علم داده - Udemy The Data Science Course 2019

دسته بندی ها: آموزش های ویژه ، آموزش های یودمی (Udemy) ، آموزش پایتون (Python) ، علم داده (Data Science)

آموزش کامل علم داده: ریاضیات، آمار، پایتون، آمار پیشرفته در پایتون، ماشین و یادگیری عمیق

این اولین برنامه آموزشی است که بزرگترین چالش برای ورود به حوزه علم داده که داشتن همه منابع لازم در یک مکان را حل می کند. علاوه بر این، تمرکز بر این است که مباحث ساده و روان آموزش داده شوند.

دانشمند داده یکی از بهترین حرفه های مناسب برای پیشرفت در این قرن است. این حرفه دیجیتالی، مبتنی بر برنامه نویسی و تحلیلی است. بنابراین جای تعجب ندارد که تقاضا برای دانشمندان داده در بازار کار رو به افزایش است. با این حال، عرضه دانشمند داده بسیار محدود بوده است. بدست آوردن مهارت های لازم برای استخدام به عنوان دانشمند داده دشوار است.

چگونه می توانید این کار را انجام دهید؟

دانشگاه ها در ایجاد برنامه های تخصصی علم داده مقداری کند بوده اند. (ناگفته نماند که مواردی که وجود دارند بسیار گران و وقت گیر هستند). بیشتر دوره های آنلاین بر روی یک موضوع خاص تمرکز می کنند و درک اینکه چگونه مهارت آنها در تصویر کاملی متناسب است دشوار است.

علم داده یک رشته چند رشته ای است. این شامل طیف گسترده ای از موضوعات است.

  • شناخت زمینه دانش داده و نوع آنالیز انجام شده
  • ریاضیات
  • آمار
  • پایتون
  • استفاده از تکنیک های آماری پیشرفته در پایتون
  • ویژوال سازی داده ها
  • یادگیری ماشینی
  • یادگیری عمیق

هر یک از این موضوعات بر روی مباحث قبلی است و اگر این مهارت ها را به ترتیب درست بدست نیاورید، در این راه سر در گم می شوید. به عنوان مثال، قبل از درک اصول ریاضیات، در استفاده از تکنیک های یادگیری ماشینی در حال جنگ هستید. یا، می توان قبل از دانستن اینکه رگرسیون چیست، مطالعه تحلیل رگرسیون در پایتون بسیار تأثیرگذار باشد. برای شما مؤثرترین، کارآمد و وقت گذارترین آموزش علم داده آنلاین را در این دوره ایجاد شده است.

مهارت های دوره

  • مقدمه ای بر علم داده و داده

بیگ دیتا، هوش تجاری، تجزیه و تحلیل تجارت، یادگیری ماشین و هوش مصنوعی. می دانیم که این کلمات کلیدی به حوزه علم داده تعلق دارند اما منظور از این ها چیست؟

چرا آن را یاد بگیریم؟

به عنوان یک نامزد دانشمند داده، باید موارد و معلولات هر یک از این مناطق را درک کرده و رویکرد مناسب برای حل یک مشکل را بشناسید. این "مقدمه به داده ها و علم داده" به شما نگاهی جامع به همه این کلمات کلیدی و مکان های موجود در حوزه علم داده می دهد.

  • ریاضیات

یادگیری ابزارها اولین قدم برای انجام علم داده است. ابتدا باید تصویر بزرگی را ببینید تا قسمت ها به تفصیل بررسی شود. ما نگاهی دقیق به طور خاص به حساب و جبر خطی می اندازیم زیرا آنها به subfields علم داده متکی هستند.

محاسبات و جبر خطی برای برنامه نویسی در علم داده ضروری است. اگر می خواهید الگوریتم های یادگیری پیشرفته ماشین را بفهمید، پس در زرادخانه خود به این مهارت ها نیاز دارید.

  • آمار

قبل از اینکه بتوانید یک دانشمند شوید، باید مانند یک دانشمند فکر کنید. آمار ذهن شما را به سمت مشکلات مانند فرضیه ها سوق می دهد و تکنیک هایی را برای آزمایش این فرضیه ها به شما می دهد، درست مثل یک دانشمند.

این دوره فقط ابزار مورد نیاز شما را به شما نمی دهد بلکه به شما می آموزد که چگونه از آنها استفاده کنید. آمار به شما آموزش می دهد که مثل یک دانشمند فکر کنید.

  • پایتون

پایتون یک زبان برنامه نویسی نسبتاً جدید است و برخلاف R، یک زبان برنامه نویسی همه منظوره است. شما می توانید با آن هر کاری انجام دهید! برنامه های وب، بازی های رایانه ای و علم داده از بسیاری از قابلیت های آن هستند. به همین دلیل است که در یک فاصله زمانی کوتاه، بسیاری از ترتیب ها را در هم کرده است. كتابخانه هاي بسيار قدرتمندي براي دستيابي به دستكاري داده ها، تحول و ویژوال سازی در آنها ساخته شده است. با این وجود، جایی که پایتون واقعاً می درخشد، زمانی است که با یادگیری عمیق و ماشین سروکار دارد.

وقتی صحبت از توسعه، پیاده سازی و به کارگیری مدل های یادگیری ماشینی از طریق فریمورک قدرتمندی از جمله scikit-Learn، TensorFlow و غیره می شود، پایتون باید به عنوان یک زبان برنامه نویسی به کاربرده شود.

  • Tableau

دانشمندان داده فقط نیازی به برخورد با داده ها و حل مشکلات محور داده ها ندارند. آنها همچنین باید مدیران شرکت را در تصمیم گیری درست و متقاعد کنند. ممکن است این مدیران در علم داده ها به خوبی آشنا نباشند، بنابراین دانشمند داده باید بتواند داستان داده را به روشی که می فهمد ارائه و ویژوال سازی کند. اینجا جایی است که Tableau وارد می شود و ما به شما کمک می کنیم تا با استفاده از نرم افزار برجسته ویژوال سازی در هوش تجاری و علم داه، به یک روایتگر خبره تبدیل شوید.

یک دانشمند داده برای برقراری نتایج پیچیده با تصمیم گیری های غیر فنی به ابزارهای هوش تجاری مانند Tableau متکی است.

  • آمار پیشرفته

رگرسیون، خوشه بندی و تحلیل عاملی، کلیه رشته هایی هستند که قبل از یادگیری ماشین اختراع شده اند. با این حال، اکنون این روش های آماری همه از طریق یادگیری ماشین انجام می شوند تا پیش بینی هایی با دقت بی نظیر ارائه دهند. در این بخش به تفصیل به این تکنیک ها می پردازیم.

علم داده همه چیز در مورد مدل سازی پیش بینی است و شما می توانید از طریق این بخش "آمار پیشرفته" در این روش ها متخصص شوید.

  • یادگیری ماشینی

بخش پایانی برنامه و آنچه در هر بخش به آن منتهی شد، یادگیری عمیق است. امکان استفاده از یادگیری ماشین و عمیق در کار خود چیزی است که اغلب یک دانشمند داده را از یک تحلیلگر داده جدا می کند. در این بخش کلیه تکنیک های رایج یادگیری ماشین و روش های یادگیری عمیق با TensorFlow ارائه شده است.

یادگیری ماشین در همه جا است. شرکت هایی مانند فیس بوک، گوگل و آمازون سال هاست از دستگاه هایی استفاده می کنند که می توانند به تنهایی یاد بگیرند. اکنون زمان آن رسیده است که ماشین ها را کنترل کنید.

این دوره برای چه کسی است:

  • اگر می خواهید دانشمند داده شوید یا می خواهید در مورد این زمینه اطلاعات کسب کنید، باید این دوره را طی کنید.
  • اگر می خواهید حرفه ای عالی باشید این دوره برای شما مناسب است.
  • این دوره همچنین برای مبتدیان ایده آل است، زیرا از پایه ها شروع می شود و به تدریج مهارت های شما را تقویت می کند.

پیش نیاز ها

  • تجربه قبلی نیاز نیست. ما از همان اصول اولیه شروع خواهیم کرد.
  • شما باید آناکوندا را نصب کنید. ما به شما نشان خواهیم داد که چگونه این کار را مرحله به مرحله انجام دهید.
  • مایکروسافت اکسل 2003، 2010، 2013، 2016 یا 365

آنچه یاد خواهید گرفت

  • این دوره کل جعبه ابزار مورد نیاز برای تبدیل شدن به دانشمند داده را فراهم می کند.
  • رزومه خود را با مهارت های علم داده تقاضا پر کنید: تجزیه و تحلیل آماری، پایتون
  • برنامه نویسی با NumPy، pandas، matplotlib و Seaborn، تجزیه و تحلیل پیشرفته آماری، جدول، یادگیری ماشین با مدل های آماری و scikit-Learn، یادگیری عمیق با TensorFlow
  • تاثیر گذاشتن بر مصاحبه کنندگان با نشان دادن درک در مورد علم داده
  • یاد بگیرید که چگونه پیش پردازش داده ها را انجام دهید.
  • ریاضیات پشت یادگیری ماشین را درک کنید (مطلقا مطالبی که سایر دوره ها آموزش نمی دهند!)
  • کدگذاری را در پایتون شروع کنید و یاد بگیرید که چگونه از آن برای تجزیه و تحلیل آماری استفاده کنید.
  • رگرسیون خطی و لجستیک را در پایتون انجام دهید.
  • تجزیه و تحلیل خوشه ای و عاملی را انجام دهید.
  • قادر به ایجاد الگوریتم های Learning Machine در پایتون با استفاده از NumPy، statsmodels و scikit-Learn باشید.
  • مهارت های خود را در موارد کسب و کار در زندگی واقعی به کار گیرید.
  • از فریمورک های پیشرفته Deep Learning استفاده کنید، مانند TensorFlow Google در یک برنامه شغلی هنگام رمزگذاری و حل کردن وظایف با داده های بزرگ، یک شهود تجاری را ایجاد کنید.
  • قدرت شبکه های عصبی عمیق را باز کنید.
  • الگوریتم های یادگیری ماشین را با مطالعه زیربندی، بیش از اندازه، آموزش،
  • اعتبارسنجی، اعتبارسنجی متقاطع n، برابر، آزمایش و چگونگی عملکرد بیش از حد پارامترها
  • انگشتان خود را گرم کنید تا مشتاق باشید هر آنچه که در اینجا آموخته اید را بیشتر و بیشتر در شرایط واقعی زندگی به کار بگیرید.

سرفصل های دوره

  • قسمت 1 : معرفی
    • یک مثال عملی: آنچه در این دوره خواهید آموخت
    • چیزهایی که دوره پوشش می دهد
    • همه منابع و سوالات متداول مهم را دانلود کنید
  • فیلد های علم داده - دیسیپلین رشته های مختلف علم داده
    • علم داده و تجارت Buzzwords: چرا تعداد زیادی وجود دارد؟
    • تفاوت بین Analysis و Analytics چیست؟
    • تجزیه و تحلیل تجارت، تجزیه و تحلیل داده ها و علم داده: معرفی
    • ادامه با BI، ML و AI
    • تفکیک اینفوگرافیک علم داده ما
  • فیلد های علم داده - اتصال دیسیپلین های علم داده
    • اعمال دیتای سنتی، بیگ دیتا، BI، علم داده سنتی و ML
  • فیلد های علم داده - مزایای هر دیسیپلین
    • علت پشت این دیسیپلین
  • فیلد های علم داده - تکنیک های محبوب علم داده
    • تکنیک های کار با داده های سنتی
    • مثال های زندگی واقعی از داده های سنتی
    • تکنیک های کار با بیگ دیتا
    • مثال های زندگی واقعی از بیگ دیتا
    • تکنیک های هوش تجاری (BI)
    • مثال های زندگی واقعی از هوش تجاری (BI)
    • تکنیک های کار با متد های سنتی
    • مثال های زندگی واقعی از متد های سنتی
    • تکنیک های یادگیری ماشین (ML)
    • انواع یادگیری ماشینی
    • مثال هایی زندگی واقعی از یادگیری ماشین (ML)
  • فیلد های علم داده - ابزار های محبوب علم داده
    • زبان ها و نرم افزارهای مورد نیاز برای برنامه نویسی مورد استفاده در علم داده
  • فیلد های علم داده - مشاغل در علم داده
    • پیدا کردن شغل - چه چیزی را می توان انتظار داشت و به دنبال چه چیزی بود
  • فیلد های علم داده - دفع تصورات غلط
    • دفع تصورات غلط
  • قسمت 2: احتمال
    • فرمول اساسی احتمال
    • محاسبه مقادیر مورد انتظار
    • فرکانس
    • رویداد ها و متمم های آن ها
  • احتمال - ترکیبی
    • اصول Combinatorics
    • مجوزها و نحوه استفاده از آن ها
    • عملیات ساده با فاکتوریل
    • حل تغییرات با تکرار
    • حل تغییرات بدون تکرار
    • حل ترکیبات
    • تقارن ترکیبات
    • حل ترکیبات با فضاهای نمونه جداگانه
    • ترکیب در زندگی واقعی: قرعه کشی
    • جمع بندی از ترکیبات
    • یک مثال عملی از ترکیبات
  • احتمال - استنتاج Bayesian
    • Sets و Events
    • راه های برقراری ارتباط متقابل
    • تقاطع مجموعه
    • اتحاد مجموعه
    • مجموعه های اختصاصی متقابل
    • وابستگی و استقلال مجموعه ها
    • فرمول احتمال شرطی
    • قانون احتمال کل
    • قانون افزایشی
    • قانون ضرب
    • قانون Bayes'
    • یک نمونه عملی از استنتاج Bayesian
  • احتمال - توزیع ها
    • اصول توزیع احتمال
    • انواع توزیع احتمال
    • ویژگی های توزیع های گسسته
    • توزیع های گسسته: توزیع یکنواخت
    • توزیع های گسسته: توزیع Binomial
    • توزیع های گسسته: توزیع Poisson
    • ویژگی های توزیع های مداوم
    • توزیع های مداوم: توزیع نرمال
    • توزیع های مداوم: توزیع نرمال استاندارد
    • توزیع های مداوم: توزیع Students' T
    • توزیع های مداوم: توزیع Chi-Squared
    • توزیع های مداوم: توزیع Exponential
    • توزیع های مداوم: توزیع Logistic
    • یک مثال عملی از توزیع احتمال
  • احتمال - احتمال در فیلد های دیگر
    • احتمال در امور مالی
    • احتمال در آمار
    • احتمال در علم داده
  • قسمت 3: آمار
    • جمعیت و نمونه
  • آمار - آمار توصیفی
    • انواع داده ها
    • سطح سنجش
    • متغیرهای طبقه بندی شده - تکنیک های Visualization
    • تمرین متغیرهای طبقه بندی شده
    • متغیرهای عددی - جدول توزیع فرکانس
    • تمرین متغیرهای عددی
    • هیستوگرام
    • تمرین هیستوگرام
    • جداول متقاطع و Scatter Plots
    • تمرین جداول متقاطع و Scatter Plots
    • میانگین، متوسط و mode
    • تمرین میانگین، متوسط و mode
    • Skewness
    • تمرین Skewness
    • واریانس
    • تمرین واریانس
    • انحراف استاندارد و ضریب تغییر
    • انحراف استاندارد
    • تمرین انحراف استاندارد و ضریب تغییر
    • کواریانس
    • تمرین کواریانس
    • ضریب همبستگی
    • همبستگی
    • تمرین ضریب همبستگی
  • آمار - مثال عملی: آمار توصیفی
    • مثال عملی: پیش نمایش آمار توصیفی
  • آمار - اصول آمار استنباطی
    • معرفی
    • توزیع چیست
    • توزیع نرمال
    • توزیع نرمال استاندارد
    • تمرین توزیع نرمال استاندارد
    • تئوری حد مرکزی
    • خطای استاندارد
    • Estimators و Estimates
  • آمار - آمار استنباطی: فاصله اطمینان
    • فاصله های اطمینان چیست؟
    • فاصله اطمینان؛ جمعیت متغیر شناخته شده؛ امتیاز Z
    • تمرین فاصله اطمینان؛ جمعیت متغیر شناخته شده؛ امتیاز Z
    • شفاف سازی فاصله اطمینان
    • توزیع Student's T
    • فاصله اطمینان؛ واریانس جمعیت ناشناخته؛ t-score
    • تمرین فاصله اطمینان؛ واریانس جمعیت ناشناخته؛ t-score
    • حاشیه خطا
    • فاصله اطمینان. دو معنی. نمونه های وابسته
    • تمرین فاصله اطمینان. دو معنی. نمونه های وابسته
    • فاصله اطمینان. دو معنی. نمونه های مستقل (قسمت 1)
    • تمرین فاصله اطمینان. دو معنی. نمونه های مستقل (قسمت 1)
    • فاصله اطمینان. دو معنی. نمونه های مستقل (قسمت ۲)
    • تمرین فاصله اطمینان. دو معنی. نمونه های مستقل (قسمت 1)
    • فاصله اطمینان. دو معنی. نمونه های مستقل (قسمت ۳)
  • آمار - مثال عملی: آمار استنباطی
    • مثال عملی: آمار استنباطی
    • تمرین مثال عملی: آمار استنباطی
  • آمار - آزمون فرضیه
    • پیش نمایش فرضیه Null vs Alternative
    • مطالعه بیشتر در مورد فرضیه های جایگزین و Null
    • فرضیه جایگزین Null vs
    • منطقه رد و سطح اهمیت
    • خطای نوع I و خطای نوع II
    • تست برای میانگین. جمعیت متغیر شناخته شده
    • تمرین تست برای میانگین. جمعیت متغیر شناخته شده
    • مقدار p
    • تست برای میانگین. واریانس جمعیت ناشناخته
    • تمرین تست برای میانگین. واریانس جمعیت ناشناخته
    • تست برای میانگین. نمونه های وابسته
    • تمرین تست برای میانگین. نمونه های وابسته
    • تست برای میانگین. نمونه های مستقل (قسمت 1)
    • تمرین تست برای میانگین. نمونه های مستقل (قسمت 1)
    • تست برای میانگین. نمونه های مستقل (قسمت ۲)
    • تمرین تست برای میانگین. نمونه های مستقل (قسمت ۲)
  • آمار - مثال عملی: آزمون فرضیه
    • مثال عملی: آزمون فرضیه
    • تمرین مثال عملی: آزمون فرضیه
  • قسمت 4: آشنایی با پایتون
    • معرفی برنامه نویسی
    • چرا پایتون؟
    • چرا Jupyter؟
    • نصب پایتون و Jupyter
    • درک اینترفیس Jupyter - داشبورد Notebook
    • پیش نیاز های کد نویسی در  Jupyter Notebooks
    • اینترفیس Jupyter
    • مقایسه پایتون ۲ و پایتون ۳
  • پایتون - متغیرها و انواع داده ها
    • متغیرها
    • Number ها و مقادیر Boolean در پایتون
    • رشته های پایتون
  • پایتون - پایه سینتکس پایتون
    • استفاده از عملگرهای حسابی در پایتون
    • علامت دو مساوی
    • چگونه مقادیر را تنظیم مجدد کنیم
    • اضافه کردن کامنت
    • درک ادامه خط
    • المنت های Indexing
    • ساختار با Indentation
  • پایتون - سایر اپراتورهای پایتون
    • مقایسه اپراتورها
    • اپراتورهای منطقی و هویتی
  • پایتون - Statement های شرطی
    • IF Statement
    • ELSE Statement
    • یک نکته در مقادیر Boolean
  • پایتون - توابع پایتون
    • تعریف یک تابع در پایتون
    • نحوه ایجاد یک تابع با پارامتر
    • تعریف یک تابع در پایتون - قسمت دوم
    • نحوه استفاده از یک تابع در داخل یک تابع
    • Statement های شرطی و توابع
    • توابع حاوی چند آرگومان
    • توابع داخلی در پایتون
    • توابع پایتون
  • پایتون - Sequences
    • لیست ها
    • استفاده از متد ها
    • لیست Slicing
    • Tuples
    • دیکشنری ها
  • پایتون - Iterations
    • پیش نمایش حلقه های For
    • حلقه های For
    • حلقه های While و Incrementing
    • لیست ها با توابع ()range
    • Statement های شرطی و حلقه ها
    • Statement های شرطی و توابع و حلقه ها
    • چگونه می توان روی دیکشنری ها تکرار کرد
  • پایتون - ابزار های پیشرفته پایتون
    • برنامه نویسی شی گرا
    • ماژول ها و پکیج ها
    • کتابخانه های استاندارد چیست؟
    • ماژول های مهم در پایتون
  • قسمت 5: متد های آماری پیشرفته در پایتون
    • آشنایی با تحلیل رگرسیون
  • متد های آماری پیشرفته - رگرسیون خطی با Statsmodels
    • مدل رگرسیون خطی
    • همبستگی در مقابل رگرسیون
    • بازنمایی هندسی مدل رگرسیون خطی
    • نصب پکیج های پایتون
    • اولین رگرسیون در پایتون
    • تمرین اولین رگرسیون در پایتون
    • استفاده از Seaborn برای گراف ها
    • چگونه جدول رگرسیون را تفسیر کنیم
    • تجزیه تغییر پذیری
    • OLS چیست؟
    • مربع R
  • متد های آماری پیشرفته - رگرسیون خطی چندگانه با StatsModels
    • رگرسیون خطی چندگانه
    • تنظیم مربع R
    • تمرین رگرسیون خطی چندگانه
    • تست برای مفهوم مدل (F-Test)
    • مفروضات OLS
    • A1: خطی
    • A2: بدون Endogeneity
    • A3: نرمالی و واریانس همسانی
    •  A4: بدون  همبستگی
    • A5: بدون چند خطی
    • رفتار با داده های طبقه بندی شده - متغیرهای مصنوعی
    • ساخت پیش بینی با رگرسیون خطی
  • روش های آماری پیشرفته - رگرسیون خطی با sklearn
    • Sklearn چیست و چگونه متفاوت از پکیج های دیگر است
    • چگونه می توان به این بخش نزدیک شد؟
    • رگرسیون ساده خطی با پیش نمایش sklearn
    • رگرسیون خطی ساده با Sklearn - خلاصه پیش نمایش جدول شبیه StatsModels
    • نکته در نرمال سازی
    • رگرسیون ساده خطی با sklearn - تمرین
    • رگرسیون خطی چندگانه با sklearn
    • محاسبه R-Squared تنظیم شده در sklearn
    • محاسبه R-Squared تنظیم شده در sklearn - تمرین
    • انتخاب ویژگی ها (F-regression)
    • نکته در مورد محاسبه مقادیر P با استفاده از Sklearn
    • ایجاد جدول خلاصه با مقادیر p
    • رگرسیون خطی چندگانه - تمرین
    • مقیاس گذاری ویژگی ها (استاندارد سازی)
    • انتخاب ویژگی ها از طریق استاندارد سازی Weights
    • پیش بینی با ضرایب استاندارد
    • مقیاس بندی ویژگی ها (استاندارد سازی) - تمرین
    • Underfitting و Overfitting
    • Train -تست Split Explained
  • متد های آماری پیشرفته - مثال عملی: رگرسیون خطی
    • مثال عملی: رگرسیون خطی (قسمت 1)
    • مثال عملی: رگرسیون خطی (قسمت ۲)
    • نکته در مورد چند خطی
    • مثال عملی: رگرسیون خطی (قسمت 3)
    • Dummies و واریانس فکتور تورم - تمرین
    • مثال عملی: رگرسیون خطی (قسمت 4)
    • متغیرهای Dummy - تمرین
    • مثال عملی: رگرسیون خطی (قسمت 5)
    • رگرسیون خطی - تمرین
  • متدهای آماری پیشرفته - رگرسیون لجستیک
    • آشنایی با رگرسیون لجستیک
    • یک مثال ساده در پایتون
    • تابع Logit در مقابل Logistic
    • ایجاد رگرسیون لجستیک
    • ایجاد رگرسیون لجستیک - تمرین
    • نکات ارزشمند کد نویسی
    • درک جداول رگرسیون لجستیک
    • درک جداول رگرسیون لجستیک - تمرین
    • واقعاً احتمال چیست؟
    • پیش بینی های باینری در یک رگرسیون لجستیک
    • پیش بینی های باینری در یک رگرسیون لجستیک - تمرین
    • محاسبه دقت مدل
    • Underfitting و Overfitting
    • تست مدل
    • تست مدل - تمرین
  • متدهای آماری پیشرفته - تجزیه و تحلیل Cluster
    • آشنایی با تجزیه و تحلیل Cluster
    • برخی از مثال های Cluster
    • تفاوت بین Classification و Clustering
    • پیش نیاز ریاضی
  • متدهای آماری پیشرفته - K-Means Clustering
    • K-Means Clustering
    • مثال ساده از Clustering
    • مثال ساده از Clustering - تمرین
    • Clustering داده های طبقه ای
    • Clustering داده های طبقه ای - تمرین
    • نحوه انتخاب تعداد Cluster ها
    • نحوه انتخاب تعداد Cluster ها - تمرین
    • جوانب مثبت و منفی K-Means Clustering
    • برای استاندارد سازی یا غیر استاندارد کردن
    • رابطه بین Clustering و رگرسیون
    • تقسیم بازار با تجزیه و تحلیل Clustering (قسمت 1)
    • تقسیم بازار با تجزیه و تحلیل Clustering (قسمت 2)
    • Clustering چگونه مفید است؟
    • تمرین : تقسیم بازار با تجزیه و تحلیل Clustering (قسمت 1)
    • تمرین : تقسیم بازار با تجزیه و تحلیل Clustering (قسمت 2)
  • متد های آماری پیشرفته - انواع دیگر Clustering
    • انواع Clustering
    • Dendrogram
    • Heatmaps
  • قسمت 6: ریاضیات
    • ماتریس چیست؟
    • Scalars و Vectors
    • جبر خطی و هندسه
    • آرایه ها در پایتون - راهی مناسب برای نمایش ماتریس
    • تانسور چیست؟
    • جمع و تفریق ماتریس
    • خطاهایی که هنگام افزودن ماتریس رخ می دهد
    • انتقال ماتریس
    • حاصل ضرب
    • حاصل ضرب ماتریس
    • چرا جبر خطی مفید است؟
  • قسمت 7: یادگیری عمیق
    • از این قسمت چه انتظاری دارید؟
    • یادگیری ماشینی چیست
  • یادگیری عمیق - آشنایی با شبکه های عصبی
    • معرفی شبکه های عصبی
    • آموزش مدل
    • انواع یادگیری ماشینی
    • مدل خطی (نسخه جبری خطی)
    • مدل خطی
    • مدل خطی با ورودی های چندگانه
    • مدل خطی با ورودی های چندگانه و خروجی های چندگانه
    • بازنمایی گرافیکی شبکه های عصبی ساده
    • تابع Objective چیست؟
    • توابع Objective متداول : L2-norm Loss
    • توابع Objective متداول : Cross-Entropy Loss
    • الگوریتم بهینه سازی: 1-Parameter Gradient Descent
    • الگوریتم بهینه سازی: n-Parameter Gradient Descent
  •  یادگیری عمیق - نحوه ساختن شبکه عصبی از Scratch با NumPy
    • مثال پایه ای شبکه عصبی (قسمت 1)
    • مثال پایه ای شبکه عصبی (قسمت 2)
    • مثال پایه ای شبکه عصبی (قسمت 3)
    • مثال پایه ای شبکه عصبی (قسمت 4)
    • تمرین مثال اساسی شبکه عصبی
  • یادگیری عمیق - TensorFlow 2.0 : معرفی
    • نحوه نصب TensorFlow 2.0
    • طرح کلی TensorFlow و مقایسه با سایر کتابخانه ها
    • TensorFlow 1 در مقابل TensorFlow 2
    • نکته در مورد سینتکس TensorFlow 2
    • انواع فایل فرمت های ئشتیبانی شده در TensorFlow
    • ترسیم مدل با TensorFlow 2
    • تفسیر نتیجه و استخراج Weights و Bias
    • شخصی سازی مدل TensorFlow 2
    • شبکه عصبی پایه ای با TensorFlow : تمرین
  • یادگیری عمیق - عمیق شدن در شبکه ها عصبی : معرفی شبکه های عصبی عمیق
    • لایه چیست؟
    • Deep Net چیست؟
    • عمیق شدن در Deep Net
    • غیر خطی و هدف آن ها
    • توابع Activation
    • توابع Softmax Activation : Activation
    • Backpropagation
    • تصویر backpropagation
    • Backpropagation - نگاهی به بهینه سازی ریاضیات
  • یادگیری عمیق : Overfitting
    • Overfitting چیست؟
    • Underfitting و Overfitting برای طبقه بندی
    • اعتبار سنجی چیست؟
    • آموزش،  اعتبار سنجی و Datasets
    • اعتبار سنجی N-Fold Cross
    • توقف زودهنگام یا زمان متوقف کردن آموزش
  • یادگیری عمیق - مقدار دهی اولیه
    • مقدار دهی اولیه چیست؟
    • انواعی از مقدار دهی های اولیه ساده
    • پیشرفته ترین متد- مقدار دهی اولیه (Xavier) Glorot
  • یادگیری عمیق عمیق تر شدن در Gradient Descent و Learning Rate Schedules
    • نزول شیب تصادفی
    • مشکل های نزول شیب
    • Momentum
    • برنامه های نرخ یادگیری یا نحوه انتخاب نرخ مطلوب یادگیری
    • برنامه های نرخ یادگیری بصری Visualized
    • برنامه های نرخ یادگیری تطبیقی (AdaGrad و RMSprop)
    • Adam (Adaptive Moment Estimation)
  • یادگیری عمیق - پیش پردازش
    • معرفی پیش پردازش
    • انواع پایه ای پیش پردازش
    • استاندارد سازی
    • پیش پردازش داده های طبقه ای
    • انکودینگ One-Hot و باینری
  • یادگیری عمیق - طبقه بندی در MNIST دیتاست
    • MNIST: دیتاست
    • MNIST: چگونه با MNIST بر خورد شود
    • MNIST: وارد کردن پکیج های مربوطه و بارگیری داده ها
    • MNIST: پیش پردازش داده ها - یک مجموعه اعتبار سنجی ایجاد کرده و آن را مقیاس گذاری کنید
    • MNIST: پیش پردازش داده ها - مقیاس داده های تست - تمرین
    • MNIST: پیش پردازش داده ها - Shuffle و Batch
    • MNIST: پیش پردازش داده ها - Shuffle و Batch - تمرین
    • MNIST: طرح بندی مدل
    • MNIST: انتخاب Loss  و Optimizer
    • MNIST: آموزش
    • MNIST: تمرین
    • MNIST: تست مدل
  • یادگیری عمیق - مثال مورد تجاری
    • مورد تجاری: بررسی دیتاست و شناسایی پیش بینی کنندگان
    • مورد تجاری: تشریح راه حل
    • مورد تجاری: متعادل کردن دیتاست
    • مورد تجاری: پیش پردازش دیتا
    • مورد تجاری: پیش پردازش دیتا - تمرین
    • مورد تجاری: بارگزاری داده های پیش پردازش شده
    • مورد تجاری: بارگزاری داده های پیش پردازش شده -تمرین
    • مورد تجاری: یادگیری و تفسیر نتیجه
    • مورد تجاری: تنظیم مکانیسم اولیه توقف
    • تنظیم مکانیسم اولیه توقف - تمرین
    • مورد تجاری: تست مدل
    • مورد تجاری: تمرین نهایی
  • یادگیری عمیق - نتیجه
    • خلاصه آنچه شما آموخته اید
    • آنچه در ادامه از لحاظ یادگیری ماشین وجود دارد
    • DeepMind و Deep Learning
    • مروری بر CNN
    • مروری بر CNN
    • مروری بر رویکردهای غیر NN
  • ضمیمه: یادگیری عمیق - TensorFlow 1: معرفی
    • READ ME!!!!
    • نحوه نصب TensorFlow 1
    • نکته در مورد نصب پکیج ها در آناکوندا
    • معرفی TensorFlow
    • معرفی واقعی TensorFlow
    • انواع فرمت های فایل، پشتیبانی از Tensor ها
    • مثال اصلی NN با TF: ورودی ها، خروجی ها، اهداف،  Weight ها، Biases
    • مثال اولیه NN با TF: تابع Loss و Gradient Descent
    • مثال اصلی NN با TF: خروجی مدل
    • مثال پایه NN با تمرینات TF
  • ضمیمه: یادگیری عمیق  - TensorFlow 1: طبقه بندی در دیتاست MNIST
    • MNIST: دیتاست MNIST چیست؟
    • MNIST: چگونه می توان با MNIST مقابله کرد
    • MNIST: پکیج های مربوطه
    • MNIST: مدل طرح کلی
    • MNIST: الگوریتم Optimization و Loss
    • محاسبه دقت مدل
    • MNIST: دسته بندی و متوقف کردن زود هنگام
    • MNIST: یادگیری
    • MNIST: نتیجه گیری و تست
    • MNIST: راه حل
    • MNIST: تمرین
  • ضمیمه: یادگیری عمیق  - TensorFlow 1: مورد تجاری
    • مورد تجاری: آشنایی با دیتاست
    • مورد تجاری: طرح کلی راه حل
    • اهمیت کار با یک دیتاست متعادل
    • مورد تجاری: پیش پردازش
    • مورد تجاری: پیش پردازش تمرین
    • ایجاد یک Data Provider
    • مورد تجاری: طرح کلی مدل
    • مورد تجاری: بهينه سازی
    • مورد تجاری: تفسیر
    • مورد تجاری: تست مدل
    • مورد تجاری: کامنت درباره تکالیف
    • مورد تجاری: تمرین نهایی
  • ادغام نرم افزار
    • داده ها، سرورها، کلاینت ها، درخواست ها و پاسخ ها چیست
    • اتصال داده ها، API ها و Endpoint ها چیست؟
    • نگاهی دقیق تر به API ها
    • ارتباط بین محصولات نرم افزاری از طریق فایل های متنی
    • ادغام نرم افزار - Explained
  • مطالعه موردی - دوره بعدی چیست؟
    • پلن بازی برای تمرین تجاری پایتون، SQL و Tableau
    • وظیفه تجارت
    • معرفی دیتاست
  • مطالعه موردی - پیش پردازش "Absenteeism_data"
    • از بخش های بعدی چه انتظاری دارید؟
    • وارد کردن داده های Absenteeism در پایتون
    • بررسی محتوای دیتاست
    • آشنایی با اصطلاحات با معانی متعدد
    • تجزیه و تحلیل رگرسیون چیست - یک Refresher سریع
    • استفاده از رویکرد آماری به سوی راه حل تمرین
    • انداختن یک ستون از DataFrame در پایتون
    • تمرین- انداختن ستون از DataFrame در پایتون
    • راه حل - انداختن ستون از DataFrame در پایتون
    • تحلیل دلایل غیبت
    • به دست آوردن Dummies از یک ویژگی واحد
    • تمرین - به دست آوردن Dummies از یک ویژگی واحد
    • راه حل - به دست آوردن Dummies از یک ویژگی واحد
    • انداختن یک متغیر Dummy از دیتاست
    • اطلاعات بیشتر در مورد متغیرهای Dummy : دیدگاه آماری
    • طبقه بندی دلایل مختلف غیبت
    • استفاده از ()concat. در پایتون
    • تمرین -استفاده از ()concat. در پایتون
    • راه حل - استفاده از ()concat. در پایتون
    • تنظیم مجدد ستون ها در یک DataFrame Pandas در پایتون
    • تمرین -تنظیم مجدد ستون ها در یک DataFrame Pandas در پایتون
    • راه حل - تنظیم مجدد ستون ها در یک DataFrame Pandas در پایتون
    • ایجاد Checkpoints در هنگام کدنویسی در Jupyter
    • تمرین - ایجاد Checkpoints در هنگام کدنویسی در Jupyter
    • راه حل - ایجاد Checkpoints در هنگام کدنویسی در Jupyter
    • تجزیه و تحلیل Dates از دیتاست های اولیه
    • استخراج مقدار ماه از ستون "Date"
    • استخراج روز هفته از ستون "Date"
    • تمرین- حذف ستون "Date"
    • تجزیه و تحلیل چندین ستون "Straightforward" برای این تمرین
    • کار روی "Education"، "Children" و "Pets"
    • ملاحظات نهایی این بخش
    • نکاتی درباره اکسپورت داده های شما به عنوان فایل *.csv
  • مطالعه موردی - یادگیری ماشینی برای ایجاد "absenteeism_module"
    • بررسی مسئله با یک Mindset یادگیری ماشین
    • ایجاد اهداف برای رگرسیون لجستیک
    • انتخاب ورودی برای رگرسیون لجستیک
    • استاندارد سازی داده ها
    • تقسیم داده ها برای یادگیری و تست
    • تناسب مدل و ارزیابی دقیق آن
    • ایجاد جدول خلاصه با ضرایب و جداکننده
    • تفسیر ضرایب برای مشکل ما
    • استاندارد کردن فقط متغیرهای عددی (ایجاد مقیاس سنج سفارشی)
    • تفسیر ضرایب رگرسیون لجستیک
    • Backward Elimination یا نحوه ساده کردن مدل شما
    • آزمایش مدلی که ایجاد کردیم
    • صرفه جویی در مدل و آماده سازی آن برای استقرار
    • ماده - نکته در مورد 'pickling'
    • تمرین -صرفه جویی در مدل (و مقیاس پذیر)
    • آماده سازی استقرار مدل از طریق ماژول
  • مطالعه موردی - بارگذاری "absenteeism_module"
    • آیا مطمئن هستید که همه تنظیم شده اید؟
    • بکارگیری "absenteeism_module" - قسمت اول
    • بکارگیری "absenteeism_module" - قسمت دوم
    • اکسپورت دیتاست به دست آمده به عنوان *.csv
  • مطالعه موردی - تجزیه و تحلیل نتایج پیش بینی شده در Tableau
    • تمرین- سن در مقابل احتمال
    • تجزیه و تحلیل سن در مقابل احتمال در Tableau
    • تمرین - دلایل در مقابل احتمال
    • تجزیه و تحلیل دلایل در مقابل احتمال در Tableau
    • تمرین- هزینه حمل و نقل در مقابل احتمال
    • تجزیه و تحلیل هزینه حمل و نقل در مقابل احتمال در Tableau
  • درس جایزه
    • درس جایزه: مراحل بعدی

 

مثال عملی آنچه در این دوره می آموزید

 

استفاده از داده های سنتی، بیگ دیتا، BI، علوم داده سنتی، یادگیری ماشین

 

جمعیت و نمونه (آمار)

 

این دوره چه چیزهایی را پوشش می دهد؟

 

ایمپورت کردن ماژول ها در پایتون


 

آیا این نوشته را دوست داشتید؟
Udemy The Data Science Course 2019 Complete Data Science Bootcamp Publisher:Udemy Author:365 Careers Team Duration:28.5 hours

What you'll learn

  • The course provides the entire toolbox you need to become a data scientist
  • Fill up your resume with in demand data science skills: Statistical analysis, Python
  • programming with NumPy, pandas, matplotlib, and Seaborn, Advanced statistical analysis, Tableau, Machine Learning with stats models and scikit-learn, Deep learning with TensorFlow
  • Impress interviewers by showing an understanding of the data science field
  • Learn how to pre-process data
  • Understand the mathematics behind Machine Learning (an absolute must which other courses don’t teach!)
  • Start coding in Python and learn how to use it for statistical analysis
  • Perform linear and logistic regressions in Python
  • Carry out cluster and factor analysis
  • Be able to create Machine Learning algorithms in Python, using NumPy, statsmodels and scikit-learn
  • Apply your skills to real-life business cases
  • Use state-of-the-art Deep Learning frameworks such as Google’s TensorFlowDevelop a business intuition while coding and solving tasks with big data
  • Unfold the power of deep neural networks
    Improve Machine Learning algorithms by studying underfitting, overfitting, training,
  • validation, n-fold cross validation, testing, and how hyperparameters could improve performance
  • Warm up your fingers as you will be eager to apply everything you have learned here to more and more real-life situations

Curriculum

  • Part 1: Introduction
    • A Practical Example: What You Will Learn in This Course
    • What Does the Course Cover
    • Download All Resources and Important FAQ
  • The Field of Data Science - The Various Data Science Disciplines
    • Data Science and Business Buzzwords: Why are there so many?
    • Data Science and Business Buzzwords: Why are there so many?
    • What is the difference between Analysis and Analytics
    • What is the difference between Analysis and Analytics
    • Business Analytics, Data Analytics, and Data Science: An Introduction
    • Business Analytics, Data Analytics, and Data Science: An Introduction
    • Continuing with BI, ML, and AI
    • Continuing with BI, ML, and AI
    • A Breakdown of our Data Science Infographic
    • A Breakdown of our Data Science Infographic
  • The Field of Data Science - Connecting the Data Science Disciplines
    • Applying Traditional Data, Big Data, BI, Traditional Data Science and ML
    • Applying Traditional Data, Big Data, BI, Traditional Data Science and ML
  • The Field of Data Science - The Benefits of Each Discipline
    • The Reason behind these Disciplines
    • The Reason behind these Disciplines
  • The Field of Data Science - Popular Data Science Techniques
    • Techniques for Working with Traditional Data
    • Techniques for Working with Traditional Data
    • Real Life Examples of Traditional Data
    • Techniques for Working with Big Data
    • Techniques for Working with Big Data
    • Real Life Examples of Big Data
    • Business Intelligence (BI) Techniques
    • Business Intelligence (BI) Techniques
    • Real Life Examples of Business Intelligence (BI)
    • Techniques for Working with Traditional Methods
    • Techniques for Working with Traditional Methods
    • Real Life Examples of Traditional Methods
    • Machine Learning (ML) Techniques
    • Machine Learning (ML) Techniques
    • Types of Machine Learning
    • Types of Machine Learning
    • Real Life Examples of Machine Learning (ML)
    • Real Life Examples of Machine Learning (ML)
  • The Field of Data Science - Popular Data Science Tools
    • Necessary Programming Languages and Software Used in Data Science
    • Necessary Programming Languages and Software Used in Data Science
  • The Field of Data Science - Careers in Data Science
    • Finding the Job - What to Expect and What to Look for
    • Finding the Job - What to Expect and What to Look for
  • The Field of Data Science - Debunking Common Misconceptions
    • Debunking Common Misconceptions
    • Debunking Common Misconceptions
  • Part 2: Probability
    • The Basic Probability Formula
    • The Basic Probability Formula
    • Computing Expected Values
    • Computing Expected Values
    • Frequency
    • Frequency
    • Events and Their Complements
    • Events and Their Complements
  • Probability - Combinatorics
    • Fundamentals of Combinatorics
    • Fundamentals of Combinatorics
    • Permutations and How to Use Them
    • Permutations and How to Use Them
    • Simple Operations with Factorials
    • Simple Operations with Factorials
    • Solving Variations with Repetition
    • Solving Variations with Repetition
    • Solving Variations without Repetition
    • Solving Variations without Repetition
    • Solving Combinations
    • Solving Combinations
    • Symmetry of Combinations
    • Symmetry of Combinations
    • Solving Combinations with Separate Sample Spaces
    • Solving Combinations with Separate Sample Spaces
    • Combinatorics in Real-Life: The Lottery
    • Combinatorics in Real-Life: The Lottery
    • A Recap of Combinatorics
    • A Practical Example of Combinatorics
  • Probability - Bayesian Inference
    • Sets and Events
    • Sets and Events
    • Ways Sets Can Interact
    • Ways Sets Can Interact
    • Intersection of Sets
    • Intersection of Sets
    • Union of Sets
    • Union of Sets
    • Mutually Exclusive Sets
    • Mutually Exclusive Sets
    • Dependence and Independence of Sets
    • Dependence and Independence of Sets
    • The Conditional Probability Formula
    • The Conditional Probability Formula
    • The Law of Total Probability
    • The Additive Rule
    • The Additive Rule
    • The Multiplication Law
    • The Multiplication Law
    • Bayes' Law
    • Bayes' Law
    • A Practical Example of Bayesian Inference
  • Probability - Distributions
    • Fundamentals of Probability Distributions
    • Fundamentals of Probability Distributions
    • Types of Probability Distributions
    • Types of Probability Distributions
    • Characteristics of Discrete Distributions
    • Characteristics of Discrete Distributions
    • Discrete Distributions: The Uniform Distribution
    • Discrete Distributions: The Uniform Distribution
    • Discrete Distributions: The Bernoulli Distribution
    • Discrete Distributions: The Bernoulli Distribution
    • Discrete Distributions: The Binomial Distribution
    • Discrete Distributions: The Binomial Distribution
    • Discrete Distributions: The Poisson Distribution
    • Discrete Distributions: The Poisson Distribution
    • Characteristics of Continuous Distributions
    • Characteristics of Continuous Distributions
    • Continuous Distributions: The Normal Distribution
    • Continuous Distributions: The Normal Distribution
    • Continuous Distributions: The Standard Normal Distribution
    • Continuous Distributions: The Standard Normal Distribution
    • Continuous Distributions: The Students' T Distribution
    • Continuous Distributions: The Students' T Distribution
    • Continuous Distributions: The Chi-Squared Distribution
    • Continuous Distributions: The Chi-Squared Distribution
    • Continuous Distributions: The Exponential Distribution
    • Continuous Distributions: The Exponential Distribution
    • Continuous Distributions: The Logistic Distribution
    • Continuous Distributions: The Logistic Distribution
    • A Practical Example of Probability Distributions
  • Probability - Probability in Other Fields
    • Probability in Finance
    • Probability in Statistics
    • Probability in Data Science
  • Part 3: Statistics
    • Population and Sample
    • Population and Sample
  • Statistics - Descriptive Statistics
    • Types of Data
    • Types of Data
    • Levels of Measurement
    • Levels of Measurement
    • Categorical Variables - Visualization Techniques
    • Categorical Variables - Visualization Techniques
    • Categorical Variables Exercise
    • Numerical Variables - Frequency Distribution Table
    • Numerical Variables - Frequency Distribution Table
    • Numerical Variables Exercise
    • The Histogram
    • The Histogram
    • Histogram Exercise
    • Cross Tables and Scatter Plots
    • Cross Tables and Scatter Plots
    • Cross Tables and Scatter Plots Exercise
    • Mean, median and mode
    • Mean, Median and Mode Exercise
    • Skewness
    • Skewness
    • Skewness Exercise
    • Variance
    • Variance Exercise
    • Standard Deviation and Coefficient of Variation
    • Standard Deviation
    • Standard Deviation and Coefficient of Variation Exercise
    • Covariance
    • Covariance
    • Covariance Exercise
    • Correlation Coefficient
    • Correlation
    • Correlation Coefficient Exercise
  • Statistics - Practical Example: Descriptive Statistics
    • Practical Example: Descriptive StatisticsPreview
    • Practical Example: Descriptive Statistics Exercise
  • Statistics - Inferential Statistics Fundamentals
    • Introduction
    • What is a Distribution
    • What is a Distribution
    • The Normal Distribution
    • The Normal Distribution
    • The Standard Normal Distribution
    • The Standard Normal Distribution
    • The Standard Normal Distribution Exercise
    • Central Limit Theorem
    • Central Limit Theorem
    • Standard error
    • Standard Error
    • Estimators and Estimates
    • Estimators and Estimates
  • Statistics - Inferential Statistics: Confidence Intervals
    • What are Confidence Intervals?
    • What are Confidence Intervals?
    • Confidence Intervals; Population Variance Known; z-score
    • Confidence Intervals; Population Variance Known; z-score; Exercise
    • Confidence Interval Clarifications
    • Student's T Distribution
    • Student's T Distribution
    • Confidence Intervals; Population Variance Unknown; t-score
    • Confidence Intervals; Population Variance Unknown; t-score; Exercise
    • Margin of Error
    • Margin of Error
    • Confidence intervals. Two means. Dependent samples
    • Confidence intervals. Two means. Dependent samples Exercise
    • Confidence intervals. Two means. Independent samples (Part 1)
    • Confidence intervals. Two means. Independent samples (Part 1) Exercise
    • Confidence intervals. Two means. Independent samples (Part 2)
    • Confidence intervals. Two means. Independent samples (Part 2) Exercise
    • Confidence intervals. Two means. Independent samples (Part 3)
  • Statistics - Practical Example: Inferential Statistics
    • Practical Example: Inferential Statistics
    • Practical Example: Inferential Statistics Exercise
  • Statistics - Hypothesis Testing
    • Null vs Alternative HypothesisPreview
    • Further Reading on Null and Alternative Hypothesis
    • Null vs Alternative Hypothesis
    • Rejection Region and Significance Level
    • Rejection Region and Significance Level
    • Type I Error and Type II Error
    • Type I Error and Type II Error
    • Test for the Mean. Population Variance Known
    • Test for the Mean. Population Variance Known Exercise
    • p-value
    • p-value
    • Test for the Mean. Population Variance Unknown
    • Test for the Mean. Population Variance Unknown Exercise
    • Test for the Mean. Dependent Samples
    • Test for the Mean. Dependent Samples Exercise
    • Test for the mean. Independent samples (Part 1)
    • Test for the mean. Independent samples (Part 1). Exercise
    • Test for the mean. Independent samples (Part 2)
    • Test for the mean. Independent samples (Part 2)
    • Test for the mean. Independent samples (Part 2) Exercise
  • Statistics - Practical Example: Hypothesis Testing
    • Practical Example: Hypothesis Testing
    • Practical Example: Hypothesis Testing Exercise
  • Part 4: Introduction to Python
    • Introduction to Programming
    • Introduction to Programming
    • Why Python?
    • Why Python?
    • Why Jupyter?
    • Why Jupyter?
    • Installing Python and Jupyter
    • Understanding Jupyter's Interface - the Notebook Dashboard
    • Prerequisites for Coding in the Jupyter Notebooks
    • Jupyter's Interface
    • Python 2 vs Python 3
  • Python - Variables and Data Types
    • Variables
    • Variables
    • Numbers and Boolean Values in Python
    • Numbers and Boolean Values in Python
    • Python Strings
    • Python Strings
  • Python - Basic Python Syntax
    • Using Arithmetic Operators in Python
    • Using Arithmetic Operators in Python
    • The Double Equality Sign
    • The Double Equality Sign
    • How to Reassign Values
    • How to Reassign Values
    • Add Comments
    • Add Comments
    • Understanding Line Continuation
    • Indexing Elements
    • Indexing Elements
    • Structuring with Indentation
    • Structuring with Indentation
  • Python - Other Python Operators
    • Comparison Operators
    • Comparison Operators
    • Logical and Identity Operators
    • Logical and Identity Operators
  • Python - Conditional Statements
    • The IF Statement
    • The IF Statement
    • The ELSE Statement
    • The ELIF Statement
    • A Note on Boolean Values
    • A Note on Boolean Values
  • Python - Python Functions
    • Defining a Function in Python
    • How to Create a Function with a Parameter
    • Defining a Function in Python - Part II
    • How to Use a Function within a Function
    • Conditional Statements and Functions
    • Functions Containing a Few Arguments
    • Built-in Functions in Python
    • Python Functions
  • Python - Sequences
    • Lists
    • Lists
    • Using Methods
    • Using Methods
    • List Slicing
    • Tuples
    • Dictionaries
    • Dictionaries
  • Python - Iterations
    • For LoopsPreview
    • For Loops
    • While Loops and Incrementing
    • Lists with the range() Function
    • Lists with the range() Function
    • Conditional Statements and Loops
    • Conditional Statements, Functions, and Loops
    • How to Iterate over Dictionaries
  • Python - Advanced Python Tools
    • Object Oriented Programming
    • Object Oriented Programming
    • Modules and Packages
    • Modules and Packages
    • What is the Standard Library?
    • What is the Standard Library?
    • Importing Modules in Python
    • Importing Modules in Python
  • Part 5: Advanced Statistical Methods in Python
    • Introduction to Regression Analysis
    • Introduction to Regression Analysis
  • Advanced Statistical Methods - Linear regression with StatsModels
    • The Linear Regression Model
    • The Linear Regression Model
    • Correlation vs Regression
    • Correlation vs Regression
    • Geometrical Representation of the Linear Regression Model
    • Geometrical Representation of the Linear Regression Model
    • Python Packages Installation
    • First Regression in Python
    • First Regression in Python Exercise
    • Using Seaborn for Graphs
    • How to Interpret the Regression Table
    • How to Interpret the Regression Table
    • Decomposition of Variability
    • Decomposition of Variability
    • What is the OLS?
    • What is the OLS
    • R-Squared
    • R-Squared
  • Advanced Statistical Methods - Multiple Linear Regression with StatsModels
    • Multiple Linear Regression
    • Multiple Linear Regression
    • Adjusted R-Squared
    • Adjusted R-Squared
    • Multiple Linear Regression Exercise
    • Test for Significance of the Model (F-Test)
    • OLS Assumptions
    • OLS Assumptions
    • A1: Linearity
    • A1: Linearity
    • A2: No Endogeneity
    • A2: No Endogeneity
    • A3: Normality and Homoscedasticity
    • A4: No Autocorrelation
    • A4: No autocorrelation
    • A5: No Multicollinearity
    • A5: No Multicollinearity
    • Dealing with Categorical Data - Dummy Variables
    • Dealing with Categorical Data - Dummy Variables
    • Making Predictions with the Linear Regression
  • Advanced Statistical Methods - Linear Regression with sklearn
    • What is sklearn and How is it Different from Other Packages
    • How are Going to Approach this Section?
    • Simple Linear Regression with sklearnPreview
    • Simple Linear Regression with sklearn - A StatsModels-like Summary TablePreview
    • A Note on Normalization
    • Simple Linear Regression with sklearn - Exercise
    • Multiple Linear Regression with sklearn
    • Calculating the Adjusted R-Squared in sklearn
    • Calculating the Adjusted R-Squared in sklearn - Exercise
    • Feature Selection (F-regression)
    • A Note on Calculation of P-values with sklearn
    • Creating a Summary Table with p-values
    • Multiple Linear Regression - Exercise
    • Feature Scaling (Standardization)
    • Feature Selection through Standardization of Weights
    • Predicting with the Standardized Coefficients
    • Feature Scaling (Standardization) - Exercise
    • Underfitting and Overfitting
    • Train - Test Split Explained
  • Advanced Statistical Methods - Practical Example: Linear Regression
    • Practical Example: Linear Regression (Part 1)
    • Practical Example: Linear Regression (Part 2)
    • A Note on Multicollinearity
    • Practical Example: Linear Regression (Part 3)
    • Dummies and Variance Inflation Factor - Exercise
    • Practical Example: Linear Regression (Part 4)
    • Dummy Variables - Exercise
    • Practical Example: Linear Regression (Part 5)
    • Linear Regression - Exercise
  • Advanced Statistical Methods - Logistic Regression
    • Introduction to Logistic Regression
    • A Simple Example in Python
    • Logistic vs Logit Function
    • Building a Logistic Regression
    • Building a Logistic Regression - Exercise
    • An Invaluable Coding Tip
    • Understanding Logistic Regression Tables
    • Understanding Logistic Regression Tables - Exercise
    • What do the Odds Actually Mean
    • Binary Predictors in a Logistic Regression
    • Binary Predictors in a Logistic Regression - Exercise
    • Calculating the Accuracy of the Model
    • Calculating the Accuracy of the Model
    • Underfitting and Overfitting
    • Testing the Model
    • Testing the Model - Exercise
  • Advanced Statistical Methods - Cluster Analysis
    • Introduction to Cluster Analysis
    • Some Examples of Clusters
    • Difference between Classification and Clustering
    • Math Prerequisites
  • Advanced Statistical Methods - K-Means Clustering
    • K-Means Clustering
    • A Simple Example of Clustering
    • A Simple Example of Clustering - Exercise
    • Clustering Categorical Data
    • Clustering Categorical Data - Exercise
    • How to Choose the Number of Clusters
    • How to Choose the Number of Clusters - Exercise
    • Pros and Cons of K-Means Clustering
    • To Standardize or not to Standardize
    • Relationship between Clustering and Regression
    • Market Segmentation with Cluster Analysis (Part 1)
    • Market Segmentation with Cluster Analysis (Part 2)
    • How is Clustering Useful?
    • EXERCISE: Species Segmentation with Cluster Analysis (Part 1)
    • EXERCISE: Species Segmentation with Cluster Analysis (Part 2)
  • Advanced Statistical Methods - Other Types of Clustering
    • Types of Clustering
    • Dendrogram
    • Heatmaps
  • Part 6: Mathematics
    • What is a matrix?
    • What is a Matrix?
    • Scalars and Vectors
    • Scalars and Vectors
    • Linear Algebra and Geometry
    • Linear Algebra and Geometry
    • Arrays in Python - A Convenient Way To Represent Matrices
    • What is a Tensor?
    • What is a Tensor?
    • Addition and Subtraction of Matrices
    • Addition and Subtraction of Matrices
    • Errors when Adding Matrices
    • Transpose of a Matrix
    • Dot Product
    • Dot Product of Matrices
    • Why is Linear Algebra Useful?
  • Part 7: Deep Learning
    • What to Expect from this Part?
    • What is Machine Learning
  • Deep Learning - Introduction to Neural Networks
    • Introduction to Neural Networks
    • Introduction to Neural Networks
    • Training the Model
    • Training the Model
    • Types of Machine Learning
    • Types of Machine Learning
    • The Linear Model (Linear Algebraic Version)
    • The Linear Model
    • The Linear Model with Multiple Inputs
    • The Linear Model with Multiple Inputs
    • The Linear model with Multiple Inputs and Multiple Outputs
    • The Linear model with Multiple Inputs and Multiple Outputs
    • Graphical Representation of Simple Neural Networks
    • Graphical Representation of Simple Neural Networks
    • What is the Objective Function?
    • What is the Objective Function?
    • Common Objective Functions: L2-norm Loss
    • Common Objective Functions: L2-norm Loss
    • Common Objective Functions: Cross-Entropy Loss
    • Common Objective Functions: Cross-Entropy Loss
    • Optimization Algorithm: 1-Parameter Gradient Descent
    • Optimization Algorithm: 1-Parameter Gradient Descent
    • Optimization Algorithm: n-Parameter Gradient Descent
    • Optimization Algorithm: n-Parameter Gradient Descent
  • Deep Learning - How to Build a Neural Network from Scratch with NumPy
    • Basic NN Example (Part 1)
    • Basic NN Example (Part 2)
    • Basic NN Example (Part 3)
    • Basic NN Example (Part 4)
    • Basic NN Example Exercises
  • Deep Learning - TensorFlow 2.0: Introduction
    • How to Install TensorFlow 2.0
    • TensorFlow Outline and Comparison with Other Libraries
    • TensorFlow 1 vs TensorFlow 2
    • A Note on TensorFlow 2 Syntax
    • Types of File Formats Supporting TensorFlow
    • Outlining the Model with TensorFlow 2
    • Interpreting the Result and Extracting the Weights and Bias
    • Customizing a TensorFlow 2 Model
    • Basic NN with TensorFlow: Exercises
  • Deep Learning - Digging Deeper into NNs: Introducing Deep Neural Networks
    • What is a Layer?
    • What is a Deep Net?
    • Digging into a Deep Net
    • Non-Linearities and their Purpose
    • Activation Functions
    • Activation Functions: Softmax Activation
    • Backpropagation
    • Backpropagation picture
    • Backpropagation - A Peek into the Mathematics of Optimization
  • Deep Learning - Overfitting
    • What is Overfitting?
    • Underfitting and Overfitting for Classification
    • What is Validation?
    • Training, Validation, and Test Datasets
    • N-Fold Cross Validation
    • Early Stopping or When to Stop Training
  • Deep Learning - Initialization
    • What is Initialization?
    • Types of Simple Initializations
    • State-of-the-Art Method - (Xavier) Glorot Initialization
  • Deep Learning - Digging into Gradient Descent and Learning Rate Schedules
    • Stochastic Gradient Descent
    • Problems with Gradient Descent
    • Momentum
    • Learning Rate Schedules, or How to Choose the Optimal Learning Rate
    • Learning Rate Schedules Visualized
    • Adaptive Learning Rate Schedules (AdaGrad and RMSprop )
    • Adam (Adaptive Moment Estimation)
  • Deep Learning - Preprocessing
    • Preprocessing Introduction
    • Types of Basic Preprocessing
    • Standardization
    • Preprocessing Categorical Data
    • Binary and One-Hot Encoding
  • Deep Learning - Classifying on the MNIST Dataset
    • MNIST: The Dataset
    • MNIST: How to Tackle the MNIST
    • MNIST: Importing the Relevant Packages and Loading the Data
    • MNIST: Preprocess the Data - Create a Validation Set and Scale It
    • MNIST: Preprocess the Data - Scale the Test Data - Exercise
    • MNIST: Preprocess the Data - Shuffle and Batch
    • MNIST: Preprocess the Data - Shuffle and Batch - Exercise
    • MNIST: Outline the Model
    • MNIST: Select the Loss and the Optimizer
    • MNIST: Learning
    • MNIST - Exercises
    • MNIST: Testing the Model
  • Deep Learning - Business Case Example
    • Business Case: Exploring the Dataset and Identifying Predictors
    • Business Case: Outlining the Solution
    • Business Case: Balancing the Dataset
    • Business Case: Preprocessing the Data
    • Business Case: Preprocessing the Data - Exercise
    • Business Case: Load the Preprocessed Data
    • Business Case: Load the Preprocessed Data - Exercise
    • Business Case: Learning and Interpreting the Result
    • Business Case: Setting an Early Stopping Mechanism
    • Setting an Early Stopping Mechanism - Exercise
    • Business Case: Testing the Model
    • Business Case: Final Exercise
  • Deep Learning - Conclusion
    • Summary on What You've Learned
    • What's Further out there in terms of Machine Learning
    • DeepMind and Deep Learning
    • An overview of CNNs
    • An Overview of RNNs
    • An Overview of non-NN Approaches
  • Appendix: Deep Learning - TensorFlow 1: Introduction
    • READ ME!!!!
    • How to Install TensorFlow 1
    • A Note on Installing Packages in Anaconda
    • TensorFlow Intro
    • Actual Introduction to TensorFlow
    • Types of File Formats, supporting Tensors
    • Basic NN Example with TF: Inputs, Outputs, Targets, Weights, Biases
    • Basic NN Example with TF: Loss Function and Gradient Descent
    • Basic NN Example with TF: Model Output
    • Basic NN Example with TF Exercises
  • Appendix: Deep Learning - TensorFlow 1: Classifying on the MNIST Dataset
    • MNIST: What is the MNIST Dataset?
    • MNIST: How to Tackle the MNIST
    • MNIST: Relevant Packages
    • MNIST: Model Outline
    • MNIST: Loss and Optimization Algorithm
    • Calculating the Accuracy of the Model
    • MNIST: Batching and Early Stopping
    • MNIST: Learning
    • MNIST: Results and Testing
    • MNIST: Solutions
    • MNIST: Exercises
  • Appendix: Deep Learning - TensorFlow 1: Business Case
    • Business Case: Getting acquainted with the dataset
    • Business Case: Outlining the Solution
    • The Importance of Working with a Balanced Dataset
    • Business Case: Preprocessing
    • Business Case: Preprocessing Exercise
    • Creating a Data Provider
    • Business Case: Model Outline
    • Business Case: Optimization
    • Business Case: Interpretation
    • Business Case: Testing the Model
    • Business Case: A Comment on the Homework
    • Business Case: Final Exercise
  • Software Integration
    • What are Data, Servers, Clients, Requests, and Responses
    • What are Data, Servers, Clients, Requests, and Responses
    • What are Data Connectivity, APIs, and Endpoints?
    • What are Data Connectivity, APIs, and Endpoints?
    • Taking a Closer Look at APIs
    • Taking a Closer Look at APIs
    • Communication between Software Products through Text Files
    • Communication between Software Products through Text Files
    • Software Integration - Explained
    • Software Integration - Explained
  • Case Study - What's Next in the Course?
    • Game Plan for this Python, SQL, and Tableau Business Exercise
    • The Business Task
    • Introducing the Data Set
    • Introducing the Data Set
  • Case Study - Preprocessing the 'Absenteeism_data'
    • What to Expect from the Following Sections?
    • Importing the Absenteeism Data in Python
    • Checking the Content of the Data Set
    • Introduction to Terms with Multiple Meanings
    • What's Regression Analysis - a Quick Refresher
    • Using a Statistical Approach towards the Solution to the Exercise
    • Dropping a Column from a DataFrame in Python
    • EXERCISE - Dropping a Column from a DataFrame in Python
    • SOLUTION - Dropping a Column from a DataFrame in Python
    • Analyzing the Reasons for Absence
    • Obtaining Dummies from a Single Feature
    • EXERCISE - Obtaining Dummies from a Single Feature
    • SOLUTION - Obtaining Dummies from a Single Feature
    • Dropping a Dummy Variable from the Data Set
    • More on Dummy Variables: A Statistical Perspective
    • Classifying the Various Reasons for Absence
    • Using .concat() in Python
    • EXERCISE - Using .concat() in Python
    • SOLUTION - Using .concat() in Python
    • Reordering Columns in a Pandas DataFrame in Python
    • EXERCISE - Reordering Columns in a Pandas DataFrame in Python
    • SOLUTION - Reordering Columns in a Pandas DataFrame in Python
    • Creating Checkpoints while Coding in Jupyter
    • EXERCISE - Creating Checkpoints while Coding in Jupyter
    • SOLUTION - Creating Checkpoints while Coding in Jupyter
    • Analyzing the Dates from the Initial Data Set
    • Extracting the Month Value from the "Date" Column
    • Extracting the Day of the Week from the "Date" Column
    • EXERCISE - Removing the "Date" Column
    • Analyzing Several "Straightforward" Columns for this Exercise
    • Working on "Education", "Children", and "Pets"
    • Final Remarks of this Section
    • A Note on Exporting Your Data as a *.csv File
  • Case Study - Applying Machine Learning to Create the 'absenteeism_module'
    • Exploring the Problem with a Machine Learning Mindset
    • Creating the Targets for the Logistic Regression
    • Selecting the Inputs for the Logistic Regression
    • Standardizing the Data
    • Splitting the Data for Training and Testing
    • Fitting the Model and Assessing its Accuracy
    • Creating a Summary Table with the Coefficients and Intercept
    • Interpreting the Coefficients for Our Problem
    • Standardizing only the Numerical Variables (Creating a Custom Scaler)
    • Interpreting the Coefficients of the Logistic Regression
    • Backward Elimination or How to Simplify Your Model
    • Testing the Model We Created
    • Saving the Model and Preparing it for Deployment
    • ARTICLE - A Note on 'pickling'
    • EXERCISE - Saving the Model (and Scaler)
    • Preparing the Deployment of the Model through a Module
  • Case Study - Loading the 'absenteeism_module'
    • Are You Sure You're All Set?
    • Deploying the 'absenteeism_module' - Part I
    • Deploying the 'absenteeism_module' - Part II
    • Exporting the Obtained Data Set as a *.csv
  • Case Study - Analyzing the Predicted Outputs in Tableau
    • EXERCISE - Age vs Probability
    • Analyzing Age vs Probability in Tableau
    • EXERCISE - Reasons vs Probability
    • Analyzing Reasons vs Probability in Tableau
    • EXERCISE - Transportation Expense vs Probability
    • Analyzing Transportation Expense vs Probability in Tableau
  • Bonus lecture
    • Bonus Lecture: Next Steps

This course includes

  • 28.5 hours on-demand video
  • 90 articles
  • 147 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion

Requirements

  • No prior experience is required. We will start from the very basics
  • You’ll need to install Anaconda. We will show you how to do that step by step
  • Microsoft Excel 2003, 2010, 2013, 2016, or 365

Description

The Problem

Data scientist is one of the best suited professions to thrive this century. It is digital, programming-oriented, and analytical. Therefore, it comes as no surprise that the demand for data scientists has been surging in the job marketplace.     

However, supply has been very limited. It is difficult to acquire the skills necessary to be hired as a data scientist.  

And how can you do that?  

Universities have been slow at creating specialized data science programs. (not to mention that the ones that exist are very expensive and time consuming)  

Most online courses focus on a specific topic and it is difficult to understand how the skill they teach fit in the complete picture  

The Solution  

Data science is a multidisciplinary field. It encompasses a wide range of topics.  

  • Understanding of the data science field and the type of analysis carried out  

  • Mathematics  

  • Statistics  

  • Python  

  • Applying advanced statistical techniques in Python  

  • Data Visualization  

  • Machine Learning  

  • Deep Learning  

Each of these topics builds on the previous ones. And you risk getting lost along the way if you don’t acquire these skills in the right order. For example, one would struggle in the application of Machine Learning techniques before understanding the underlying Mathematics. Or, it can be overwhelming to study regression analysis in Python before knowing what a regression is.  

So, in an effort to create the most effective, time-efficient, and structured data science training available online, we created The Data Science Course 2020.  

We believe this is the first training program that solves the biggest challenge to entering the data science field – having all the necessary resources in one place.  

Moreover, our focus is to teach topics that flow smoothly and complement each other. The course teaches you everything you need to know to become a data scientist at a fraction of the cost of traditional programs (not to mention the amount of time you will save).  

The Skills

   1. Intro to Data and Data Science

Big data, business intelligence, business analytics, machine learning and artificial intelligence. We know these buzzwords belong to the field of data science but what do they all mean?     

Why learn it? As a candidate data scientist, you must understand the ins and outs of each of these areas and recognise the appropriate approach to solving a problem. This ‘Intro to data and data science’ will give you a comprehensive look at all these buzzwords and where they fit in the realm of data science.  

   2. Mathematics 

Learning the tools is the first step to doing data science. You must first see the big picture to then examine the parts in detail.  

We take a detailed look specifically at calculus and linear algebra as they are the subfields data science relies on.  

Why learn it?  

Calculus and linear algebra are essential for programming in data science. If you want to understand advanced machine learning algorithms, then you need these skills in your arsenal.

   3. Statistics 

You need to think like a scientist before you can become a scientist. Statistics trains your mind to frame problems as hypotheses and gives you techniques to test these hypotheses, just like a scientist.  

Why learn it?  

This course doesn’t just give you the tools you need but teaches you how to use them. Statistics trains you to think like a scientist.

   4. Python

Python is a relatively new programming language and, unlike R, it is a general-purpose programming language. You can do anything with it! Web applications, computer games and data science are among many of its capabilities. That’s why, in a short space of time, it has managed to disrupt many disciplines. Extremely powerful libraries have been developed to enable data manipulation, transformation, and visualisation. Where Python really shines however, is when it deals with machine and deep learning.

Why learn it?  

When it comes to developing, implementing, and deploying machine learning models through powerful frameworks such as scikit-learn, TensorFlow, etc, Python is a must have programming language.  

   5. Tableau

Data scientists don’t just need to deal with data and solve data driven problems. They also need to convince company executives of the right decisions to make. These executives may not be well versed in data science, so the data scientist must but be able to present and visualise the data’s story in a way they will understand. That’s where Tableau comes in – and we will help you become an expert story teller using the leading visualisation software in business intelligence and data science.

Why learn it?  

A data scientist relies on business intelligence tools like Tableau to communicate complex results to non-technical decision makers.  

   6. Advanced Statistics 

Regressions, clustering, and factor analysis are all disciplines that were invented before machine learning. However, now these statistical methods are all performed through machine learning to provide predictions with unparalleled accuracy. This section will look at these techniques in detail.  

Why learn it?  

Data science is all about predictive modelling and you can become an expert in these methods through this ‘advance statistics’ section.  

   7. Machine Learning 

The final part of the program and what every section has been leading up to is deep learning. Being able to employ machine and deep learning in their work is what often separates a data scientist from a data analyst. This section covers all common machine learning techniques and deep learning methods with TensorFlow.  

Why learn it?  

Machine learning is everywhere. Companies like Facebook, Google, and Amazon have been using machines that can learn on their own for years. Now is the time for you to control the machines.  

You will become a data scientist from scratch  

We are happy to offer an unconditional 30-day money back in full guarantee. No risk for you. The content of the course is excellent, and this is a no-brainer for us, as we are certain you will love it.

Why wait? Every day is a missed opportunity.

Click the “Buy Now” button and become a part of our data scientist program today.

Who this course is for:

  • You should take this course if you want to become a Data Scientist or if you want to learn about the field
  • This course is for you if you want a great career
  • The course is also ideal for beginners, as it starts from the fundamentals and gradually builds up your skills

پیشنهاد آموزش مرتبط در فرادرس

خرید لینک های دانلود
  • حجم فایل: 14.5GB
  • زبان: انگلیسی
  • زیرنویس انگلیسی: دارد
  • قیمت: 10000 تومان
  • بوت کمپ کامل علم داده - Udemy The Data Science Course 2019 یک محصول ویژه است و دریافت لینک های دانلود آن با پرداخت هزینه امکان پذیر است. اطلاعات بیشتر

مهرداد محمدیان 4 ماه قبل

سلام خسته نباشید
فایل های تمرینی و کوییزها و یا سورس کد های این دوره هم داخل فایل ها موجوده ؟

مدیر سایت 4 ماه قبل

فایل های تمرینی و سورس کدها و هر چیز قابل دانلود در این فایل موجود است. احتمالا یک سری کوئیزهایی که آنلاین است داخل این فایل نباشد اما هر چیزی که قابل دریافت باشد همراه این فایل است.

صابر 4 ماه قبل

سلام و درود
خدایی حاضریم پول بیشتری بدیم و زیرنویس فارسی قرار بدین

مدیر سایت 4 ماه قبل

درود، در حال حاضر زیرنویس فارسی ارائه نمی کنیم. به دلیل سرعت توسعه بالای این تکنولوژی ها ایده آل ترین حالت برای هر متخصص تقویت زبان انگلیسی است و برای این کار هر زمان که اقدام کنید دیر نیست.

امیر 4 ماه قبل

دود بر شما
ممنونم از بابت زحمات شما
آیا تمام بخشهای این آموزش شامل زیرنویس فارسی میشود ؟

مدیر سایت 4 ماه قبل

زیرنویس این آموزش به زبان انگلیسی است.

sapa 4 ماه قبل

سلام.
خیلی بهتر میشد اگر که تعداد بخش ها بیشتر میشد و حجم هر بخش کم تر می شد.

مدیر سایت 4 ماه قبل

فایل های حجیم رو معمولا به پارت های 4 گیگابایتی تقسیم میکنیم. برای دانلود حتما از یک نرم افزار مدیریت دانلود استفاده کنید. در صورتی که مشکلی در دانلود دارید از طریق فرم تماس با ما اعلام کنید تا بررسی کنیم.