آموزش دوره Data Analyst (AI Tier 1)

مدت دوره

170 ساعت

دوره دیتا ساینتیست یک برنامه آموزشی جامع است که به تحلیل و تفسیر داده‌ها به منظور ایجاد دانش و پیش‌بینی‌های دقیق در موقعیت‌های پیچیده می‌پردازد. در این دوره، مشارکت‌کنندگان با مفاهیم پیشرفته داده‌کاوی، یادگیری ماشین، شبکه‌های عصبی و تجزیه و تحلیل تصویری آشنا می‌شوند. مخاطبان این دوره عموماً افرادی هستند که دارای پیش‌زمینه در علوم کامپیوتر، ریاضیات یا مهندسی هستند و تمایل دارند تحلیل داده‌ها را با استفاده از الگوریتم‌های پیچیده و ابزارهای پیشرفته انجام دهند. اهداف دوره برای دوره دیتا ساینتیست عبارتند از: 1. آشنایی با الگوریتم‌ها و تکنیک‌های پیشرفته تحلیل داده و یادگیری ماشین. 2. تسلط بر ابزارها و زبان‌های برنامه‌نویسی مورد استفاده در دیتا ساینس، مانند Python و R. 3. آموزش تفسیر و تحلیل داده‌های بزرگ و پیچیده با استفاده از مدل‌های احتمالاتی و شبکه‌های عصبی. 4. توانایی ایجاد مدل‌های پیش‌بینی بر اساس داده‌ها و ارزیابی عملکرد آن‌ها. 5. آشنایی با مفاهیم تجزیه و تحلیل تصویری و پردازش زبان طبیعی در داده‌ها. این دوره افراد را برای بهره‌برداری از داده‌ها به صورت گسترده تر و پیشرفته‌تر آماده می‌کند و آن‌ها را قادر می‌سازد تا به راحتی داده‌های پیچیده را تحلیل کرده و دانش قابل استفاده را از آن‌ها استخراج کنند.

PROBABILITY THEORY : 25H

Introduction to probability:

• Probability and Statistics
• Basic Concepts
• Rules
• Conditional Probability
• Bayes Theorem

Probability distributions

• Random Variables
• Bernoulli Distribution
• Binomial Distribution
• Normal Distribution
• Central Limit Theorem
• Mathematical Expectation
• Computer simulation

Statistical Analysis

• Descriptive Statistics
• Inferential Statistics
• Computer simulation

Statistical Analysis

• Descriptive Statistics
• Inferential Statistics
• Computer simulation

IBM SPSS statistics

• Introducing IBM SPSS
• Descriptive Statistics in SPSS
• Computer simulation
• Hypothesis Testing
• Computer Simulation

Independence

• Concepts
• Computer Simulation
• Odds Ratios
• Chi Square Test
• Fisher Exact Test
• T Independent Test
• Two-Sample T-Test

Variance Analysis

• Concepts and Implications
• Computer Simulation
• Follow-up Test
• Two-Way ANOVA
• Understanding Covariance Test
• Steps to Implementing Covariance Test

Round up topics in statistics

• Correlation Test
• Non-Parametric Test
• AB Test
• Computer Simulation
• Final Statistics Project

DATA MINING: 45 H

Data Mining Introduction

• Introducing Data Mining
• Data Description and Data Mining Methods
• SPSS Modeler Introduction
• Data Entry in SPSS Modeler
• Data Quality
• Handling Out of Range Data
• Handling Outliers and Missing Data

Data transformation

• Data Normalisation
• Feature Creation
• Discretisation
• Data Aggregation
• Data Smoothing
• Computer Simulation

Dimensionality reduction

• Feature Selection
• Feature Extraction
• Sampling
• Data Integration
• Project: Analysing Customer Behaviour

Rule based Predictive models

• Introducing Predictive Models
• Decision Tree
• Rule Assessment and Interpretation
• Classification Model Assessment
• Regression Model Assessment

Rule based Predictive models

• Introducing Predictive Models
• Decision Tree
• Rule Assessment and Interpretation
• Classification Model Assessment
• Regression Model Assessment

Unbalanced Data

• Challenges in Handling Unbalanced Data
• Implementing Decision Tree
• Confusion Matrix
• Regression Tree in SPSS

Statistical predictive models

• Naïve Bayes
• Linear Regression
• Parameter Estimation
• Model Hypothesis Tests
• Implementing Linear Regression
• Logistic Regression
• Implementing Logistic Regression

Ensemble predictive models

• Introducing
• Stacking
• Bagging
• Boosting
• Implementing Ensemble Learning in Classification
• Implementing Ensemble Learning in Regression

Unsupervised Learning

• Introducing Clustering
• Hierarchical Clustering
• K-Means Algorithm
• DB-SCAN Algorithm
• Association Rules
• Apriori Algorithm

PYTHON FUNDAMENTAL:55H

Introduction and basics

• Introduction
• Interpreter vs. Compiler
• Understanding and Getting to Know Python
• More on Variables and Strings String Formatting
• Displaying Numbers, Variables and Strings

Program flow control

• Conditions with IF ELIF ELSE
• FOR Loops
• Understanding CONTINUE and BREAK
• Augmented Assignments
• WHILE Loops
• Nesting Conditions and Loops

Understanding sequences

• Lists in Python
• Understanding Iterators
• Using Ranges
• Ordered Sets Using Tuples
• Binary and Hex Numbers in Python

Understanding mappings

• Dictionaries and More
• Sets in Python

Handling files, Input and output

• Reading and Writing Text Files
• Appending to Files
• Writing Binary Files Manually
• Using PICKLE to Write Binary Files
• Shelves
• Manipulating Data with Shelves
• Updating With Shelves

Modules and functions – P1

• Modules and Import
• Standard Python Library
• Time and Date in Python
• Timezones and PYTZ
• Checking Path
• Functions in Python
• Scope in Functions
• Global Variables

Modules and functions – P2

• Importing Techniques
• Underscores in Python
• Namespaces
• Recursion
• Nonlocal
• LEGB

Exceptions

• Reviews
• Handling Exceptions
• Raising Exceptions
• Customising Exceptions

Object oriented programming – P1

• OOP and Classes
• Instances, Constructors, Self and More
• Class Attributes
• Methods
• Non Public and Mangling
• DocString and Raw Literals
• Compile Time
• Getters and Properties

Object oriented programming – P2

• Getters and Setters
• Encapsulation
• Inheritance
• Subclasses and Overloading
• Calling Super Methods
• Overriding Methods
• Polymorphism
• Duck Test

Object oriented programming – P3

• Composition
• Aggregation
• Delegation
• Abstract Classes and Interfaces

PYTHON FOR  DATA SCIENCE:25H

Working with databases – p1

• Introduction to Databases
• Database Concepts
• Keys
• Introduction to SQlite
• CRUD on SQlite
• Introducing ‘Cursor’

Working with databases – p2

• Tools of the Trade in Big Databases
• Configuring MySQL
• Connection Error Handling
• CRUD in MySQL

Working with databases – p2

• Tools of the Trade in Big Databases
• Configuring MySQL
• Connection Error Handling
• CRUD in MySQL

Introducing API concepts – p1

• Introduction to API
• Discussing Rest-API
• API Call
• Getting to Know JSON Format
• Working with Restful APIs
• Project: Getting Data From ‘NASA’ Mars Rover

Introducing API concepts – p2

• Concepts of fastAPI
• Writing Your First API
• Path Parameters
• Enumerations
• Query Parameters

Crawling

• What Are Crawlers?
• Selenium
• Quick Overview on CSS Styling
• Quick Overview on HTML Tags
• Extracting the Exact Information From Websites
• Project: Crawling Digikala

Introducing numpy

• Jupyter Notebook
• Introducing Numpy
• Creating a Numpy Array
• Numpy Array vs List
• Calculating Norm and Inner Product
• Matrices in Numpy
• Solving Linear Systems in Numpy

Introducing matplotlib

• Getting to Know Charts
• Histograms
• Piechart
• Boxplot
• Errorbar

Introducing pandas

• Reading Files Into Pandas
• Matrix Manipulation in Pandas
• Introducing Data Frames
• Working With Rows and Columns

Introducing Scikit-learn

• Data Cleaning
• Data Encoding
• Re-scaling Data
• Introducing Outliers
• Outlier Detection
• Project: Avocado Price Estimation

Scipy

• Quick Intro to Scipy

Final Project

• Dataset Introduction
• Data Pre-processing Modules
• KNN Estimator
• Confusion Matrix of KNN Results
• Creating CNN Model
• CNN Results