دوره
یاد بگیرید چطور داده‌هاتون رو برای یادگیری ماشین تمیز و آماده کنید!
این دوره مفاهیم پایه پیش‌پردازش داده رو پوشش می‌ده و یاد می‌گیرید چه زمانی و چطور داده‌هاتون رو برای یادگیری ماشین آماده کنید. پیش‌پردازش یکی از مراحل ضروری هر پروژه یادگیری ماشینه و بین وارد کردن و تمیز کردن داده‌ها و برازش مدل قرار می‌گیره.
یاد می‌گیرید داده‌هاتون رو استاندارد کنید تا در قالب مناسبی برای مدل قرار بگیرن، ویژگی‌های جدید بسازید تا اطلاعات بیشتری از دیتاست استخراج کنید و بهترین ویژگی‌ها رو برای بهبود برازش مدل انتخاب کنید. در پایان هم با آماده‌سازی یک دیتاست از مشاهدات UFO برای مدل‌سازی، پیش‌پردازش داده رو به‌صورت عملی تمرین می‌کنید.
در این بخش یاد می‌گیرید پیش‌پردازش داده یعنی چی. همچنین اولین قدم‌های این فرآیند رو برمی‌دارید؛ از بررسی انواع داده گرفته تا مدیریت داده‌های گمشده.
این بخش درباره استانداردسازی داده‌هاست. مدل‌ها اغلب فرض‌هایی درباره توزیع یا مقیاس ویژگی‌ها دارن. استانداردسازی کمک می‌کنه داده‌هاتون با این فرض‌ها هماهنگ بشن و عملکرد الگوریتم بهتر بشه.
در این بخش با مهندسی ویژگی آشنا می‌شید. روش‌های مختلفی رو برای ساخت ویژگی‌های جدید و کاربردی‌تر از ویژگی‌های موجود در دیتاست بررسی می‌کنید. همچنین یاد می‌گیرید چطور از ویژگی‌های عددی و متنی، اطلاعات رو کدگذاری، تجمیع و استخراج کنید.
در این بخش با چند روش مختلف برای انتخاب مهم‌ترین ویژگی‌های دیتاست آشنا می‌شید. یاد می‌گیرید چطور ویژگی‌های اضافی رو حذف کنید، با بردارهای متنی کار کنید و با استفاده از تحلیل مولفه‌های اصلی یا PCA، تعداد ویژگی‌های دیتاست رو کاهش بدید.
حالا که با پیش‌پردازش داده آشنا شدید، این تکنیک‌ها رو روی دیتاستی شامل اطلاعات مشاهده‌های UFO به کار می‌برید.
با تکمیل این دوره، شما یک گواهی معتبر دریافت می‌کنید که بیانگر کسب مهارت‌های لازم مرتبط با این دوره آموزشی است.
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم می‌کند.
می‌توانید گواهی‌های خود را به‌راحتی در شبکه‌های حرفه‌ای مانند لینکدین با دیگران به اشتراک بگذارید.
این دوره مفاهیم پایه پیش‌پردازش داده رو پوشش می‌ده و یاد می‌گیرید چه زمانی و چطور داده‌هاتون رو برای یادگیری ماشین آماده کنید. پیش‌پردازش یکی از مراحل ضروری هر پروژه یادگیری ماشینه و بین وارد کردن و تمیز کردن داده‌ها و برازش مدل قرار می‌گیره.
یاد می‌گیرید داده‌هاتون رو استاندارد کنید تا در قالب مناسبی برای مدل قرار بگیرن، ویژگی‌های جدید بسازید تا اطلاعات بیشتری از دیتاست استخراج کنید و بهترین ویژگی‌ها رو برای بهبود برازش مدل انتخاب کنید. در پایان هم با آماده‌سازی یک دیتاست از مشاهدات UFO برای مدل‌سازی، پیش‌پردازش داده رو به‌صورت عملی تمرین می‌کنید.
در این بخش یاد می‌گیرید پیش‌پردازش داده یعنی چی. همچنین اولین قدم‌های این فرآیند رو برمی‌دارید؛ از بررسی انواع داده گرفته تا مدیریت داده‌های گمشده.
این بخش درباره استانداردسازی داده‌هاست. مدل‌ها اغلب فرض‌هایی درباره توزیع یا مقیاس ویژگی‌ها دارن. استانداردسازی کمک می‌کنه داده‌هاتون با این فرض‌ها هماهنگ بشن و عملکرد الگوریتم بهتر بشه.
در این بخش با مهندسی ویژگی آشنا می‌شید. روش‌های مختلفی رو برای ساخت ویژگی‌های جدید و کاربردی‌تر از ویژگی‌های موجود در دیتاست بررسی می‌کنید. همچنین یاد می‌گیرید چطور از ویژگی‌های عددی و متنی، اطلاعات رو کدگذاری، تجمیع و استخراج کنید.
در این بخش با چند روش مختلف برای انتخاب مهم‌ترین ویژگی‌های دیتاست آشنا می‌شید. یاد می‌گیرید چطور ویژگی‌های اضافی رو حذف کنید، با بردارهای متنی کار کنید و با استفاده از تحلیل مولفه‌های اصلی یا PCA، تعداد ویژگی‌های دیتاست رو کاهش بدید.
حالا که با پیش‌پردازش داده آشنا شدید، این تکنیک‌ها رو روی دیتاستی شامل اطلاعات مشاهده‌های UFO به کار می‌برید.
با تکمیل این دوره، شما یک گواهی معتبر دریافت می‌کنید که بیانگر کسب مهارت‌های لازم مرتبط با این دوره آموزشی است.
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم می‌کند.
می‌توانید گواهی‌های خود را به‌راحتی در شبکه‌های حرفه‌ای مانند لینکدین با دیگران به اشتراک بگذارید.
با اپلیکیشن فینکا، به بیشتر دوره‌ها و مسیرها روی موبایل دسترسی دارید، تمرین می‌کنید و یادگیری رو هم‌زمان روی موبایل و دسکتاپ ادامه می‌دید.