آموزش پاکسازی داده ها در پایتون برای یادگیری ماشین + گواهینامه

آموزش پاکسازی داده ها در پایتون برای یادگیری ماشین + گواهینامه

اهمیت پاکسازی داده‌ها چیست؟ امروزه داده‌ها به عنوان ابزار و سوختی برای کسب‌وکارها در جهت به دست آوردن بینش‌های مهم و بهبود عملکرد خود آن‌ها است. داده‌ها فقط در مورد گذشته به ما نمی‌گویند. اگر آن‌ها را با دقت و با روش‌های دقیق مدل‌سازی کنیم، می‌توانیم الگوها و همبستگی‌هایی را برای پیش‌بینی بازارهای سهام، کشف ساختارهای بیولوژیکی و موارد دیگر پیدا کنیم. با این حال، پایگاه داده‌های امروزی به دلیل حجم بسیار بالا و هم‌چنین گاه به خاطر تجمیع از چندین منبع ناهمگن دیگر مستعد داده‌های نادرست، ناموجود و ناسازگار هستند. به طور حتم این داده‌های ناقص و ناسازگار می‌توانند در نتایج عملیاتی خلل ایجاد کنند. به منظور تسهیل و بهبود فرایند استخراج دانش از داده‌ها، پاکسازی داده‌ها یکی از مراحل اساسی قبل از دادن داده‌ها به الگوریتم‌های یادگیری ماشین تلقی می‌شود. تکنیک‌های پاکسازی داده‌ها می‌تواند به بهبود کیفیت داده‌ها کمک کند و به پیروی از آن فرایند کاوش دقیق‌تر و کارآمدتری را نیز به همراه دارد. در واقع، پاکسازی داده‌ها یکی از مهم‌ترین گام‌های فرایند کشف دانش به شمار می‌رود، چرا که کیفیت تصمیم‌گیری به کیفیت داده‌ها بستگی دارد. با توجه به این نکته که مقدار و پیچیدگی داده‌ها روز‌به‌روز در حال افزایش است، توانایی الگوریتم‌ها جهت تولید نتایج مفید به طور کامل به داده‌های خوب و درست متکی است. در این فرادرس چه چیزی یاد می‌گیریم؟ در این آموزش ما به بررسی تکنیک‌های پاکسازی داده‌ها در قالب چهار نوع پالایش داده‌ها، متعادل‌سازی داده‌ها، تغییر شکل داده‌ها و کاهش حجم داده‌ها می‌پردازیم؛ تا داده‌های باکیفیت‌تر جهت تولید نتایج مطلوب، به دست آیند.

تریلر دوره

توضیحات کامل دوره

...

سرفصل‌های دوره

  • چکیده
    0:01:11

  • شناسایی ویژگی‌های مقادیر Null
    رایگان 0:09:58
  • پیاده‌سازی روش چشم‌پوشی از تاپل
    0:11:41
  • پیاده‌سازی روش انتساب یک مقدار ثابت یا سراسری
    0:09:39
  • پیاده‌سازی روش انتساب شاخص‌های مرکزی
    0:12:35
  • پیاده‌سازی روش انتساب مقادیر میانگین یا میانه برای نمونه‌های متعلق به هر کلاس
    رایگان 0:12:11
  • تمرین ۱ - مقادیر Null
  • آزمون ۱

  • پیاده‌سازی روش نرمال‌سازی Z_Score
    0:13:10
  • پیاده‌سازی روش نرمال‌سازی MinMax و L1-Normalizer
    0:09:31
  • تمرین ۱ - نرمال‌سازی Minimax
  • آزمون ۲

  • پیاده‌سازی روش کد گذاری (Encoding)
    0:08:40
  • پیاده‌سازی روش کدبندی وان هات (One Hot Encoding)
    رایگان 0:12:19
  • تمرین ۱ - تبدیل ویژگی اسمی به عددی
  • آزمون ۳

  • پیاده‌سازی روش Over Sampling
    0:11:27
  • پیاده‌سازی روش Under Sampling
    0:11:34
  • پیاده‌سازی روش‌های SMOTE ،BorderlineSMOTE و SVMSMOTE
    0:12:21
  • تمرین ۱ - متعادل‌سازی
  • آزمون ۴

  • دسته‌بندی داده‌ها جهت کاهش مقادیر یک ویژگی
    0:11:21
  • استفاده از مقدار میانگین جهت کاهش مقادیر یک ویژگی
    0:10:11
  • کاهش مقادیر یک ویژگی با کمک نمودار هیستوگرام
    رایگان 0:13:13
  • پیاده‌سازی روش نمونه‌برداری تصادفی و منظم
    0:12:39
  • پیاده‌سازی روش نمونه‌برداری طبقه‌ای
    0:06:42
  • پیاده‌سازی روش نمونه‌برداری خوشه‌ای
    0:11:12
  • تمرین ۱ - نمونه برداری خوشه‌ای
  • آزمون ۵

  • ساخت ماتریس همبستگی (کواریانس) داده‌ها
    0:10:08
  • به دست آوردن بردارهای ویژه و مقادیر ویژه از ماتریس همبستگی و شناسایی مهم‌ترین مولفه‌ها
    0:09:38
  • ساخت ماتریس تصویرگر و انتقال داده‌ها به زیر فضای داده‌ای جدید
    0:12:50
  • تمرین ۱ - تعداد ویژگی‌ها
  • آزمون ۶

  • جمع‌بندی و ادامه مباحث
    0:03:10
  • دسترسی به آموزش‌های «ادامه یادگیری»
  • ادامه مسیر تا ورود به بازار کار

  • تمرین ۱ - کاهش تعداد ویژگی‌ها
  • تمرین ۲ - کاهش تعداد ویژگی‌ها و خوشه‌بندی

  • آموزش پاکسازی داده ها در پایتون برای یادگیری ماشین

  • خلاصه و مرور آموزش
  • واژه‌نامه (Glossary)
  • سوالات متداول (FAQ)
  • مشاغل مرتبط
  • نمونه سئوالات مصاحبه شغلی

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

1,890,000 تومان
378,000 تومان
80% تخفیف

این دوره شامل:
11 فصل آموزشی
3 ساعت ساعت آموزش
دسترسی مادام‌العمر
سطح: مبتدی
گواهی پایان دوره: ندارد
تاریخ انتشار: 1403/12/09
آخرین به‌روزرسانی: 2026-10-29 14:41:39
تعداد امتیازها: 0
تعداد دانشجو:
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: