دوره تحلیل حرفه ای داده با IBM و Python – سطح 1
معرفی دوره
در دوره آموزشی تحلیل حرفه ای داده با IBM و Python مفاهیم، روشهای و ابزارهای لازم برای تجزیه و تحلیل داده ها معرفی و ارائه می شوند. دانشجو پس از اتمام این دوره قادر است تا با به کار گیری روشها و ابزارهای مناسب تجزیه و تحلیل داده‌ها مسائل مختلف کسب و کار را حل نموده و داده ها را در جهت تصمیم گیری داده محور مورد استفاده قرار دهد.
دوره تحلیل حرفه ای داده با IBM و Python در دو بخش ارائه می شود. بخش اول مبتنی بر زبان برنامه نویسی پایتون است و در بخش دوم ابزار تحلیلی IBM SPSS مورد استفاده قرار می‌گیرد.
این دوره در سطح یک برگزار می شود و شامل مفاهیم مقدماتی تا متوسط در حوزه تحلیل داده می باشد.
افراد هدف دوره
- دانشجویان و متخصصین علاقه مند به علم داده و تحلیل داده‌ها
- تحلیلگران داده که در مراحل ابتدایی کار خود هستند
- پژوهشگران حوزه های مختلف
- کارمندان مشغول در بخشهای تحلیل داده سازمانها و ارگانهای مختلف
چشم انداز و اهداف دوره
- آشنایی با مفاهیم اساسی تحلیل داده ها
- یادگیری روشهای اصلی مورد استفاده در تحلیل داده‌ها
- یادگیری شیوه تحلیل داده برای حل مسائل کسب وکار
- به کارگیری کتابخانه‌های زبان پایتون برای اجرای روشهای تحلیلی
- به کارگیری ابزار IBM SPSS برای اجرای روشهای تحلیلی
ویژگیهای شاخص دوره تحلیل حرفه ای داده با IBM و Python
بیان مفاهیم و مولفه های تحلیل داده با استفاده از منابع جدید
استفاده از کتابخانه های به روز زبان پایتون برای تحلیل داده
استفاده از نسخه جدید نرم افزار SPSS برای آموزش تحلیل داده ها
استفاده از مثالها و نمونه های کاربردی در دنیای واقعی
برگزاری بوت کمپ هشت ساعته برای کار بر روی سناریوهای عملی
پشتیبانی استاد و دستیار استاد از دانشجو در سامانه یادگیری در مراحل مختلف یادگیری
پیش نیازهای دوره
- آشنایی اولیه با الگوریتمها و ریاضیات مبنا
انتظارات از دانش پذیران در پایان دوره
- پس از پایان این دوره از دانشجو انتظار می رود که :
- مفاهیم و روشهای اصلی تحلیل داده ها را به طور عمیق درک کند.
- برای مسائل مختلف تحلیل داده محور روشها و ابزارهای مناسب را شناسایی کند.
- ابزارهای تحلیلی داده ها را در زبان پایتون و نرم افزار SPSS به خوبی برای حل مسائل کسب وکار به کار گیرد.
نحوه برگزاری دوره تحلیل حرفه ای داده با IBM و Python
یکی از ویژگیهای شاخص این دوره این است که این دوره به صورت ترکیبی(افلاین، آنلاین و BOOTCAMP)برگزار می شود و علاوه بر این دستیار آموزشی و استاد در طول دوره در کنار شما خواهند بود.
10 ساعت کلاس مجازی (انلاین )
8 ساعت بوت کمپ
16 ساعت محتوای الکترونیکی (افلاین )
سر فصل های دوره تحلیل حرفه ای داده با IBM و Python
فصل اول - مقدمه و آشنایی با مفاهیم اولیه
- معرفی منابع و کتابها
- مقدمه ای بر تحلیل داده‌ها و فرایند آن
- معرفی مباحث مطرح شده در دوره: روشها، ابزارها و مسیر حرکت
- معرفی محیط آناکوندا و طریقه نصب
- معرفی محیط Jupyter Notebook و امکانات آن
فصل دوم – دوره سریع آشنایی با پایتون
- معرفی انواع داده‌ای در پایتون: int, float, string, …
- متغیرها و قواعد نامگذاری
- اولویت عملگرها، کامنت گذاری، نقل قول (#,ctrl+/)، پرانتز (shift + 9)
- توضیح درباره توابع و متدها (doc string ): نحوه مقداردهی به آرگومانها
- ساختارهای شرطی و حلقه‌ای در پایتون
- کار با رشته‌ها در پایتون
- لیست‌ها: تعریف، عملیات (indexing, slicing, reverse indexing)، متدها (حذف، اضافه، تغییر) و پردازش
- تاپل‌ها: عملیات و متدها
- مجموعه‌ها: عملیات و متدها
- دیکشنری‌ها: تعریف ،عملیات (متدها و خصوصیات)، پردازش (حذف ، اضافه، تغییر)
- List Comprehension برای مجموعه ها و دیکشنری ها
- توابع و عبارات لامبدا
- مدیریت استثنائات
فصل سوم – پردازش داده‌ها با کتابخانه NumPy
- آشنایی با آرایه‌های NumPy
- ایجاد آرایه‌های NumPy
- ایجاد آرایه های تصادفی
- کار کردن با آرایه‌ها: خصیصه ها و متدها
- عملیات ریاضی بر روی آرایه‌ها: توابع سراسری، الحاق ماتریس ها
- ایندکسیگ، اسلایسینگ و انتخاب در آرایه ها
- پرس و جو و تغییر عناصر آرایه‌ها
فصل چهارم – پردازش و تحلیل مقدماتی داده‌ها با کتابخانه Pandas
- آشنایی با ساختارهای اساسی داده ای در Pandas
- تولید سری ها و دیتافریم ها در Pandas
- عملیات ریاضی بر روی سری ها و دیتافریم ها
- دریافت اطلاعات آماری از دیتافریم ها
- دسترسی به عناصر و اسلایسینگ
- پیش پردازش و تمیزسازی داده ها: افزودن، تغییر و حذف ستونها و سطرها،
- تغییر نام ستونها و سطرها
- تعریف، تغییر و بازسازی ایندکس
- مرتب‌سازی مقادیر در دیتافریم‌ها
- انجام پرس و جو بر روی دیتافریم ها و سری ها
- ورودی و خروجی در Pandas
- مصورسازی داده‌ها در Pandas
فصل پنجم – مبانی و مقدمات IBM SPSS
- نصب نرم‌افزار IBM SPSS
- آشنايي با محيط نرم‌افزار
- برخی از مفاهیم و مبانی آمار (مفهوم جامعه، نمونه، متغیر و انواع آن، مقیاس‌بندی متغیرها، آمار توصیفی، آمار استنباطی، آمار پارامتریک و ناپارامتریک)
- نحوه ورود به محيط نرم‌افزار و آماده‌سازی آن
فصل ششم: آمار توصیفی در SPSS
- مبانی و مفاهیم مقدماتی (جداول فراوانی، نمودارهای آماری، شاخص‌هاي آماری)
- تحليل توصيفي براي متغيرهاي اسمي، ترتيبي، بازه‌ای و نسبتی در SPSS
- طبقه‌بندی و گروه‌بندی متغيرها (Recode) در SPSS
- ايجاد متغير جديد (compute) در SPSS
فصل هفتم: آمار استنباطی در SPSS (مقايسه ميانگين متغيرها)
مقدمات فصل
بخش اول: مقایسه میانگین
- متغیرها با استفاده از آزمون‌های پارامتريک
- مقدمه آزمون پارامتريک T و F
- آزمون ميانگين ساده
- آزمون T تک نمونه
- آزمون T مستقل
- آزمون T همبسته
- تحليل واريانس و تحليل واريانس يک طرفه
- تحليل واريانس همبسته
- تحليل واريانس دو طرفه
بخش دوم: مقایسه میانگین متغیرها با استفاده از آزمون‌های ناپارامتريک
- آزمون دو جمله‌اي
- آزمون کاي‌اسکوير تک نمونه
- آزمون دو گروه مستقل ناپارامتريک (من ويتني، کولموگروف-اسميرنف)
- آزمون K گروه مستقل ناپارامتريک (کروسکال واليس، ميانه)
- آزمون دو گروه همبسته ناپارامتريک (ويلکاکسون، مک نمار، آزمون نشانه)
- آزمون K گروه همبسته ناپارامتريک (فريدمن، کوکران)
موارد مرتبط
دوره توسعه دهنده وب با Django – سطح 1
دوره (Linux Professional Level 1) LPIC 1
نظرات
قیمت
محمد امینی عضو هیئت علمی دانشکده فناوری اطلاعات در دانشگاه مهر البرز است. او دکترای خود را در رشته مهندسی فناوری اطلاعات گرایش تجارت الکترونیکی از دانشگاه علم و صنعت ایران دریافت کرده است و هم اکنون به عنوان پژوهشگر ارشد در معاونت نوآوری و زیست بوم دیجیتال شرکت فناپ مشغول به کار است. زمینه های پژوهشی او علم داده، یادگیری ماشین، سیستمهای تصمیم یار هوشمند و سامانه‌های چند عامله است. ایشان سابقه تدریس در دانشگاه الزهرا و دانشگاه آزاد را دارد و به مدت 3 سال در موسسات و دانشگاه های مختلف دوره های آزاد علم داده و هوش مصنوعی را تدریس کرده است.
