Leveraging Online Resources for Python Analytics

تاریخ: ۲۲:۲۴:۴۶ ۱۳۹۹/۵/۲۸ سه شنبه
توسط: MotoMan
امتیاز: ۰
تعداد بازدید: ۱۷۷
دیدگاه ها: ۰
برچسب ها: data | Python | Data Mining | Video |
دوره ویدیویی Leveraging Online Resources for Python Analytics
Pluralsight
Janani Ravi
2019
2h 11m
English

با توجه به اینکه علوم داده‌ها و تجزیه و تحلیل داده‌ها روز به روز محبوب‌تر و تخصصی‌تر می‌شوند، تعداد و تنوع ابزارها و فن آوری‌های موجود، اغلب بسیار زیاد به نظر می‌رسند. در دوره ویدیویی Leveraging Online Resources for Python Analytics موسسه Pluralsight که توسط Janani Ravi تدریس شده است، شما توانایی پیدا کردن منابعی را پیدا خواهید کرد که به شما کمک می‌کنند تا مسئله خود را به درستی تنظیم و حل کنید.

در ابتدا، تعدادی از کتابخانه‌های مهم تصویر سازی، چارچوب‌های یادگیری ماشین، یادگیری عمیق و راهکار‌های مبتنی بر ابر را بررسی می‌کنید. در ادامه، مزایای استفاده از ابزاری مانند BigML را بررسی خواهید کرد که پلتفرمی برای ساخت مدل‌های ML است که بخش عمده ای از پیچیدگی‌های اساسی را حذف می‌کند. دموکراسی سازی ML، امروزه گرایش مهمی است و فناوری هایی مانند BigML در صدر این گرایش قرار دارند. برای مثال شما خواهید دید که چگونه BigML بدون عیب و نقص تصویر سازی‌های شناخته شده به عنوان partial dependency plots را یکپارچه می‌کند تا نتایج تعداد زیادی از پیش بینی‌های ML را به شکلی ارائه دهد که به راحتی قابل فهم باشند و بتوانید دقیقا بفهمید که مدل ML شما چه کاری انجام می‌دهد.

در آخر، شما با کار با Google Colab که یک روش مجانی تحت وب برای ساخت مدل‌ها است، دانش خود را کامل می‌کنید. مدل‌ها در notebook‌های Jupyter که در Google Drive موجود هستند و بر روی ماشین‌های مجازی در ابر اجرا می‌شوند، میزبانی می‌شوند. وقتی که این دوره را به پایان رساندید، شما مهارت‌ها و دانش لازم برای شناسایی سریع و موثر منابع و کتابخانه‌های ارزشمند آنلاین که به شما به عنوان یک متخصص علوم داده به شما کمک خواهند کرد را در اختیار خواهید داشت.


فیلم آموزشی «استفاده از منابع آنلاین برای تجزیه و تحلیل با پایتون» موسسه پلورال سایت که توسط Janani Ravi تدریس شده است، دارای فایل Transcript انگلیسی است.

 

Table of Contents:
Course Overview
- Course Overview
Getting Started with Python Analytics
- Module Overview
- Prerequisites and Course Outline
- Python for Data Analysts
- Python Resources for Analysts
- Demo: Exploring Online Resources
- Workflows in Data Analytics
- Demo: Cleaning Data
- Demo: Summary Statistics and Basic Analysis
- Demo: Visualizing Relationships in Data
- Demo: Sharing Visualizations Online Using Plotly
- Demo: Prototyping a Classifier
- Demo: Writing a Python Script for a Classification Model
- Module Summary
Leveraging Online Resources for Python Analytics with BigML
- Module Overview
- Introducing Big ML
- Demo: Getting Started with Big ML
- Demo: Configuring Data Sources and Creating Datasets
- Demo: Data Preparation and Visualization
- Demo: Splitting into Training and Test Subsets
- Demo: Building Models
- Demo: Evaluating Models
- Demo: Batch and Individual Predictions
- Demo: Clustering
- Demo: Anomaly Detection
- Module Summary
Working with Interactive Environment Using Google Colab
- Module Overview
- Introducing Google Colab
- Demo: Introducing the Google Colab Interface
- Demo: Colab Notebooks—Similar yet Different
- Demo: Interactive Forms
- Demo: Accessing Google Drive Contents from Colab
- Demo: Widgets
- Demo: Building a Regression Model
- Demo: Integrating with Github
- Summary and Further Study
like می پسندم
dislike به درد نمی خوره
مطالب مشابه
دیدگاه ها
  • اولین نفری باشید که نظری می دهید!
loading...

لطفا منتظر بمانید...