نتایج جست و جو :
PYTHON
کارشناس برنامه نویسی پایتونPython
23 آوریل 2019

 Dive into Programming

  1. The Way of the Program
  2. Variables, Expressions and Statements
  3. Functions
  4. Case Study: Interface Design
  5. Conditionals and Recursion
  6. Fruitful Functions
  7. Iteration
  8. Strings
  9. Case Study: Word Play
  10. Lists
  11. Dictionaries
  12. Tuples
  13. Case Study: Data Structure Selection
  14. Files
  15. Classes and Objects
  16. Classes and Functions
  17. Classes and Methods
  18. The Goodies
  19. IDE and Debugging

Extra Achievements

  1. Knowing essential work skills to promotion
  2. Developing under Linux Operating System, you could try windows too
  3. Learn one Linux point every week
  4. Lots of exercises, doing at least two exercises every week
  5. Being practical, you have to do at least three projects
  6. Having teacher assistants to contact(they are present in class)
  7. Learn every programming language you want without teacher

 

 ورود به پایتون:

-راه برنامه نویسی

-متغیرها، عبارات و تعاریف

-توابع

-طراحی Interface

-شرط ها و روند بازگشت

-توابع خیلی راحت

-تکرار و پیمایش

-رشته ها

-بازی کلمات

-لیست ها

-دیکشنری ها

-چند تایی ها

-انتخاب ساختار داده

-فایل ها

-کلاس ها و اشیاء

-کلاس ها و توابع

-کلاس ها و متدها

-مغز مطالب

-محیط توسعه و خطایابی

 



Text Mining with Python
17 ژانویه 2019

بنا به اصلاحات انجام شده و کاربردی تر کردن دوره های مربوط به حوزه علم داده این دوره با تغییر سرفصل های آموزشی در قالب دوره ای جدید ارائه می گردد برای اطلاع از دوره های جدید به لینک زیر مراجعه کنید.

دانشمند داده Data Scientist

 

متن کاوی به دنبال استخراج اطلاعات مفید از داده‌های متنی غیر ساخت‌یافته از طریق تشخیص و نمایش الگوها است یا به‌عبارت‌دیگر متن کاوی روشی برای استخراج دانش از متون است. متن کاوی كشف اطلاعات جديد و از پيش ناشناخته، به‌وسیله استخراج خودكار اطلاعات از منابع مختلف نوشتاری است.

متن کاوی مشابه داده‌کاوی است، اما ابزارهاي داده‌کاوی طراحی‌شده‌اند تا داده‌های ساخت‌یافته از پايگاه داده را به كار ببرند. می‌توان گفت، متن‌کاوی راه‌حل بهتری براي شرکت‌ها است. پس تفاوت متن‌ کاوی و داده‌کاوی این است که داده‌کاوی بر روی‌داده‌های ساخت‌یافته پايگاه داده كار می‌کند و متن‌ کاوی، بر روی‌داده‌های غير ساخت‌یافته و نيم ساخت‌یافته مانند Email  و مستندات تمام متني كار می‌کند. در متن‌کاوی  سعي می‌گردد از همان فن‌های داده‌کاوی استفاده گردد. براي اين منظور به فنّاوری‌هایی ديگري مانند پردازش زبان طبيعي، يادگيري ماشين و … نياز است تا به‌صورت اتوماتيك آمارهايي را جمع‌آوری نموده و ساختار و معنای مناسبي از متن استخراج گردد. در اين موارد، ديدگاه عمومي استخراج ویژگی‌های كليدی از متن است. ویژگی‌های استخراج‌شده به‌عنوان داده براي تحليل استفاده می‌گردد.

 

دوره آموزشی متن کاوی text mining با سرفصل های آموزشی ذیل برگزار می شود:

-مقدمه‌ای بر متن‌ کاوی text mining
-آشنایی با کتابخانه nltk
-پیش‌پردازش متن
-مقدمه‌ای بر عبارات منظم
-ساخت بردار ویژگی‌ها با استفاده از کلمات
-رده‌بندی و خوشه‌بندی متن‌ها
-تحلیل احساسات
-متن‌کاوی فارسی
-تعبیه‌سازی کلمات و کاربرد یادگیری عمیق( deep learning) در متن‌ کاوی

 

 



برنامه نویسی با پایتون
18 مارس 2020

 Getting Started

      What is Python-

    Installing Python-

 Python Extension-

 Formatting Python Code-

  Running Python Code-

Python Implementations-

  How Python Code is Executed-

Python Basics

  Variables-

  Dynamic Typing-

  Type Annotation-

  Mutable and Immutable Types-

  Strings-

 Escape Sequences-

 Formatted Strings-

  Useful String Methods-

 Numbers-

 Arithmetic Operators-

  Working with Numbers-

 Type Conversion-

 Conditional Statements-

 Logical Operators-

Ternary Operator-

For Loops-

 For…Else-

  While Loops-

Functions-

Scope-

 Debugging-

Data Structures

  Lists-

 Accessing Items-

List Unpacking-

 Looping over Lists-

 Adding or Removing Items-

 Finding Items-

  Sorting Lists-

 Lambda Functions-

 Map Function-

Filter Function-

 List Comprehensions-

 Zip Function-

 Stacks-

  Queues-

 Tuples-

 Swapping Variables-

Arrays-

Sets-

 Dictionaries-

 Classes and Object-oriented Programming (OOP)

Classes and Instances-

Operator Overloading-

Polymorphism-

Modules and Packages

Error Handling and Exceptions



دانشمند داده (Data Scientist)
25 سپتامبر 2019

 

EDA)Exploratory Data Analysis)-

Python for Data Science-

Neural Networks-

Deep learning-

Image processing-

Text mining-



علم داده
8 سپتامبر 2019

ما در جهاد دانشگاهی صنعتی شریف برای شما عزیزانی که علاقه مند ورود به این  حوزه  ها هستید و می خواهید توانمندی هایتان را در این مباحث گسترش دهید مجموعه ای از افراد خبره این حوزه  را دورهم جمع کردیم و برای کسانی که می خواهند توی این حوزه وارد شوند  یک دوره مسیر یابی شغلی را بر اساس مباحث روز در نظر گرفته ایم که در این دوره شما با عمده مباحث مطرح شده به خوبی آشنا می شوید و بعد از آن می توانید به راحتی مسیر شغلی خود  رادر حوزه داده انتخاب کنید همینطور در کنار آن نقشه راه و همچنین تک دوره هایی را به صورت  جداگانه تدارک  دیدیم که در هر کدام از آن ها با عمق بیشتری به مباحث ذکر شده پرداخته میشود  و آن ها را تکمیل میکند

Introduction to Data

SQL Design & Querying-

Data Analysis in practice

 Microsoft Power BI –

QlikView –

Data Engineering in practice

R for Data Engineering –

Python for Data Engineering –

Big Data –

Data Science in practice

Exploratory Data Analysis Concept-

R for DataScience –

Python for DataScience –

EDA

Story Telling Concept

صدای مشاور- شماره دو

صدای مشاور- شماره یک

متقاضیان دوره های علم داده سوالات خود را مطرح کردند.

در پرسش و پاسخی آنلاین دکتر صادقی عقیلی به سوالات پاسخ دادند

ویدیو مقابل یک ساعت پاسخ به سوالات متقاضیان دوره های علم داده، تحلیلگر داده، دانشمند داده و مهندس داده است.



deep learning
یادگیری عمیق Deep Learning
5 مارس 2019

بنا به اصلاحات انجام شده و کاربردی تر کردن دوره های مربوط به حوزه علم داده این دوره با تغییر سرفصل های آموزشی در قالب دوره ای جدید ارائه می گردد برای اطلاع از دوره های جدید به لینک زیر مراجعه کنید.

دانشمند داده Data Scientist

مبانی مقدماتی و مفاهیم شبکه‌های عصبی عمیق

-مقدمه ­ای بر شبکه­ های عصبی

-شبکه­ های عصبی پرسپترون چند لایه

-چالش­ های شبکه ­های عصبی چندلایه و ظهور یادگیری عمیق( deep learning)

-مفاهیم یادگیری عمیق( deep learning)

شبکه‌های عصبی کانولوشنی CNN

-مقدمه ­ای بر پردازش تصویر

-شبکه­ های عصبی کانولوشنی

-تشخیص اشیا

-تشخیص چهره

-رده­ بندی تصاویر

شبکه‌های عصبی برگشتیRNN

-آشنایی با مفاهیم سری زمانی

-آشنایی با شبکه­های عصبی برگشتی RNN

-LSTM

تعبیه سازی کلمات و یادگیری عمیق(Deep learning) در پردازش زبان طبیعی

-آشنایی با مفهوم word2vec

-آشنایی با مفهوم word embedding

-رده ­بندی متون با یادگیری عمیق در پایتون

-مدل­ های زبانی و یادگیری عمیق در پایتون

یادگیری عمیق(Deep learning) در داده‌های جدولی و سیستم‌های توصیه‌گر

-رده­ بندی و رگرسیون داده ­های جدولی با یادگیری عمیق

-سیستم ­های توصیه ­گر با یادگیری عمیق



Practical Big Data Analytics
16 دسامبر 2018

بنا به اصلاحات انجام شده و کاربردی تر کردن دوره های مربوط به حوزه علم داده این دوره با تغییر سرفصل های آموزشی در قالب دوره ای جدید ارائه می گردد برای اطلاع از دوره های جدید به لینک زیر مراجعه کنید.

دوره مهندس داده Data Engineer

Introduction to Big Data

What is Big Data-

Big Data opportunities, Challenges-

Characteristics of Big Data-

Introduction to Hadoop

Hadoop Distributed File System-

Comparing Hadoop & SQL-

Data Locality-

Hadoop Architecture-

Map Reduce & HDFS-

(Hadoop Distributed File System (HDFS

HDFS Design & Concepts-

Blocks, Name nodes and Data nodes-

HDFS High-Availability and HDFS Federation-

Hadoop DFS The Command-Line Interface-

Basic File System Operations-

Anatomy of File Read, File Write-

Metadata, FS image, Edit log, Secondary Name Node and Safe Mode-

(How to add New Data Node dynamically, decommission a Data Node dynamically (Without stopping cluster-

How to override default configuration at system level and Programming level-

Map Reduce

Map Reduce Functional Programming Basics-

Map and Reduce Basics-

How Map Reduce Works-

Anatomy of a Map Reduce Job Run-

Shuffling and Sorting-

Splits, Record reader, Partition, Types of partitions & Combiner-

(Distributed Cache and Hadoop Streaming (Python, Ruby and R

Apache YARN-

Sequential Files and Map Files-

Map side Join with distributed Cache-

Map Reduce Programming – Java Programming

Hands on “Word Count” in Map Reduce in standalone and Pseudo Distribution Mode-

Write some Map Reduce programs to solve some real world problems-

Apache HIVE Installation

Installing Hive-

Configuring Hive-

Configuring Metastore of Hive-

Verifying Hive Installation-

Database Operations-

Create Database Statement-

Drop Database Statement-

Table Operations

Create Table Statement-

Load Data Statement-

Alter Table Statement-

Change Statement-

Add Columns Statement-

Replace Statement-

Drop Table Statement-

Apache Spark Basics

? What is Apache Spark-

 Spark Installation-

 Spark Configuration-

 Spark Context-

 Using Spark Shell-

 Resilient Distributed Datasets (RDDs) – Features, Partitions, Tuning Parallelism-

 Functional Programming with Spark-

Working with RDDs

 RDD Operations – Transformations and Actions-

 Types of RDDs-

 Key-Value Pair RDDs – Transformations and Actions-

 MapReduce and Pair RDD Operations-

 Serialization-

Spark on a cluster

Overview-

A Spark Standalone Cluster-

The Spark Standalone Web UI-

Executors & Cluster Manager-

Spark on YARN Framework-



تربیت کارشناس علم داده
2 سپتامبر 2018

بنا به اصلاحات انجام شده و کاربردی تر کردن دوره های مربوط به حوزه علم داده این دوره با تغییر سرفصل های آموزشی در قالب دوره ای جدید ارائه می گردد
برای اطلاع از دوره های جدید به لینک زیر مراجعه کنید.

دوره آموزشی علم داده

 

 

با علم داده data science شروع به سفر علمی داده های خود کنید، در این دوره آموزشی یاد می گیرید چه چیز باعث تبدیل شدن شما  به یک دانشمند داده data scientist می شود. یاد بگیرید که از داده های مختلفی از تجسم، تحلیلی و تکنیک های آماری استفاده کنید.

کارشناسان علم داده می‌توانند مهارت‌هایشان را برای دست یابی به طیف وسیعی از نتایج نهایی به کار گیرند. تعدادی از این مهارت ها به شرح ذیل هستند:

  • توانایی استخراج و تفسیر منابع داده
  • مدیریت حجم زیاد اطلاعات با سخت‌افزار
  • محدودیت‌های نرم‌افزاری و پهنای باند
  • ادغام منابع داده با یک دیگر
  • تضمین پایداری مجموعه‌های داده
  • مصورسازی داده برای فهم آن
  • ساخت مدل‌های ریاضی با استفاده از داده، مانند مدلهای ریگرسیون و طبقه بندی
  • مقایسه آماری مدلهای ریاضی گوناگون و انتخاب مدل برتر، فی المثل توسط آزمون آ/ب
  • به اشتراک گذاری یافته‌ها و دیدگاه‌ها در حوزه داده با متخصصان دیگر یا مخاطب عام

مباحثی که در این دوره آموزشی، به فراگیران آموزش داده می شود طبق سرفصل های عنوان شده توسط مایکروسافت برای کارشناسان علم داده می باشد که به تفصیل در ذیل آورده شده :

Introduction to Data Science

Analyzing and Visualizing Data

Analyzing and Visualizing Data with Power BI

        Analyzing and Visualizing Data with Qlikview-

          Query Relational Data

Querying Data with Transact-SQL-

Introduction to SSIS-

Explore Data with Code

Introduction to R for Data Science-

Introduction to Python for Data Science-

Plan and Conduct Data Studies

Data Science Research Methods: R Edition-

Data Science Research Methods: Python Edition-

Build Machine Learning Models

Principles of Machine Learning: R Edition-

 Principles of Machine Learning: Python Edition-

Build Predictive Solutions at Scale

Analyzing Big Data with Microsoft R-

Big Data Processing Framework4

Final project

 



تربیت متخصص علم داده Data Science
17 جولای 2018

با علم داده data science شروع به سفر علمی داده های خود کنید، در این دوره آموزشی یاد می گیرید چه چیز باعث تبدیل شدن شما  به یک دانشمند داده data scientist می شود. یاد بگیرید که از داده های مختلفی از تجسم، تحلیلی و تکنیک های آماری استفاده کنید.
کارشناسان علم داده می‌توانند مهارت‌هایشان را برای دست یابی به طیف وسیعی از نتایج نهایی به کار گیرند. تعدادی از این مهارت ها به شرح ذیل هستند:
  • توانایی استخراج و تفسیر منابع داده
  • مدیریت حجم زیاد اطلاعات با سخت‌افزار
  • محدودیت‌های نرم‌افزاری و پهنای باند
  • ادغام منابع داده با یک دیگر
  • تضمین پایداری مجموعه‌های داده
  • مصورسازی داده برای فهم آن
  • ساخت مدل‌های ریاضی با استفاده از داده، مانند مدلهای ریگرسیون و طبقه بندی
  • مقایسه آماری مدلهای ریاضی گوناگون و انتخاب مدل برتر، فی المثل توسط آزمون آ/ب
  • به اشتراک گذاری یافته‌ها و دیدگاه‌ها در حوزه داده با متخصصان دیگر یا مخاطب عام
مباحثی که در این دوره آموزشی، به فراگیران آموزش داده می شود طبق سرفصل های عنوان شده توسط مایکروسافت برای کارشناسان علم داده می باشد که به تفصیل در ذیل آورده شده :

Introduction to Data Science

Analyzing and Visualizing Data

Analyzing and Visualizing Data with Power BI
        Analyzing and Visualizing Data with Qlik sense-
            Analyzing and Visualizing Data with tableau-

   Query Relational Data

Querying Data with Transact-SQL-

Explore Data with Code

Introduction to R for Data Science-
Introduction to Python for Data Science-

Plan and Conduct Data Studies

Data Science Research Methods: R Edition-
Data Science Research Methods: Python Edition-

Build Machine Learning Models

Principles of Machine Learning: R Edition-
 Principles of Machine Learning: Python Edition-

Build Predictive Solutions at Scale

Analyzing Big Data with Microsoft R-

Final project

 اساتید دوره آموزشی تربیت کارشناس علم داده



logo