⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵نکات مقدماتی Excel برای تجزیه و تحلیل داده
📎https://t.me/data_ml/526

🔵نکات پیشرفته Excel برای تجزیه و تحلیل داده
📎https://t.me/data_ml/529

🔵آشنایی با Google Sheet در تحلیل داده‌
📎https://t.me/data_ml/532

🔵طراحی داشبورد تعاملی در Google Sheets
📎https://t.me/data_ml/535

🔵آشنایی با Google Looker
📎https://t.me/data_ml/538

🔵آشنایی با Google Analytics
📎https://t.me/data_ml/542

🔺 کوئیز

🔵کوییز شماره ۱۴۶: فرمول‌های اکسل
📎https://t.me/data_ml/527

🔵کوییز شماره ۱۴۷: ایجاد یک لیست کشویی در اکسل
📎https://t.me/data_ml/530

🔵کوییز شماره ۱۴۸: وارد کردن داده‌ها از یک صفحه گسترده دیگه
📎https://t.me/data_ml/533

🔵کوییز شماره ۱۴۹: تفاوت بین Control Widget و Filter در Data Studio
📎https://t.me/data_ml/536

🔵کوییز شماره ۱۵۰: جدول‌های مشتق شده در Looker
📎https://t.me/data_ml/540

🔵کوییز شماره ۱۵۱: Google Analytics و تحلیل مسیرهای کاربر در سایت
📎https://t.me/data_ml/543

🔺 نکته

🔵 روش‌های پاکسازی داده در اکسل
📎https://t.me/data_ml/528

🔵ساخت یک داشبورد تعاملی از صفر تا ۱۰۰ در اکسل
📎https://t.me/data_ml/531

🔵تابع GOOGLETRANSLATE در Google Sheets
📎https://t.me/data_ml/534

🔵ارسال خودکار ایمیل با داده‌های Google Sheets
📎https://t.me/data_ml/537

🔵متاداده، بیگ کوئری و ترافور و ارتباط‌شون با Looker
📎https://t.me/data_ml/541

🔵استفاده از گزارش Cohort Analysis
📎https://t.me/data_ml/544

#Weekend
#Data_Analysis

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵قسمت اول: مفاهیم پایه‌ای تبلو
📎 https://t.me/data_ml/549

🔵بخش دوم مفاهیم تبلو
📎 https://t.me/data_ml/552

🔵بخش سوم مفاهیم تبلو
📎 https://t.me/data_ml/554

🔵آشنایی با نرم افزار Power BI
📎 https://t.me/data_ml/557

🔵آشنایی با DAX و M: دو زبان مهم در Power BI
📎 https://t.me/data_ml/560

🔺 کوئیز

🔵کوییز شماره ۱۵۲: Marks در تبلو
📎 https://t.me/data_ml/550

🔵کوییز شماره ۱۵۳: هدف از استفاده از پارامترها در تبلو
📎 https://t.me/data_ml/553

🔵کوییز شماره ۱۵۴: هدف از استفاده از ویژگی Show Me در تبلو
📎 https://t.me/data_ml/555

🔵کوییز شماره ۱۵۵: اشتراک‎‌گذاری گزارش‌ها و داشبوردهای Power BI با دیگران
📎 https://t.me/data_ml/558

🔵کوییز شماره ۱۵۶: توابع تو در تو در DAX
📎 https://t.me/data_ml/561

🔺 نکته

🔵 پیاده سازی یک داشبورد فروش با کمک Tableau
📎 https://t.me/data_ml/551

🔵 ۷ نکته برای طراحی داشبورد
📎 https://t.me/data_ml/556

🔵چند مثال برای زبان‌های M و DAX
📎 https://t.me/data_ml/562

#Weekend
#Data_Analysis

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵پیش پردازش داده: Data Cleaning و Data Cleansing
📎 https://t.me/data_ml/566

🔵پیش پردازش داده: نرمال‌سازی داده
📎 https://t.me/data_ml/569

🔵پیش پردازش داده: مدیریت حافظه
📎 https://t.me/data_ml/571

🔵پیش پردازش داده: مدیریت داده‌های پرت
📎 https://t.me/data_ml/575

🔵پیش پردازش داده: انتخاب ویژگی
📎 https://t.me/data_ml/578

🔵پیش پردازش داده: افزایش داده
📎 https://t.me/data_ml/581

🔺 کوئیز

🔵کوییز شماره ۱۵۷: استانداردسازی داده‌های متنی در پاکسازی داده‌ها
📎 https://t.me/data_ml/567

🔵کوییز شماره ۱۵۸: تکنیک Memory Pooling در پردازش موازی داده‌ها
📎 https://t.me/data_ml/572

🔵کوییز شماره ۱۵۹: کاهش نقاط پرت با استفاده از تبدیل‌های ریاضی
📎 https://t.me/data_ml/576

🔵کوییز شماره ۱۶۰: محاسبه اهمیت ویژگی‌ها در روش انتخاب ویژگی‌ تعبیه‌شده
📎 https://t.me/data_ml/579

🔵کوییز شماره ۱۶۱: افزایش داده و کاهش وابستگی مدل به محل قرارگیری اشیاء
📎 https://t.me/data_ml/582

🔺 نکته

🔵 بررسی پیش پردازش داده یا Data Preprocessing
📎 https://t.me/data_ml/568

🔵بهینه کردن زمان اجرا و حافظه دیتافریم‌
📎 https://t.me/data_ml/574

🔵مثال عملی شناسایی و مدیریت داده‌های پرت در پایتون
📎 https://t.me/data_ml/577

🔵تفاوت بین انتخاب ویژگی و استخراج ویژگی
📎 https://t.me/data_ml/580

🔵کاربرد تقویت داده در یادگیری عمیق و بهبود عملکرد چطوره؟
📎 https://t.me/data_ml/583

#Weekend
#Data_Analysis

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵بررسی معیارهای ارزیابی SSE ،MSE و SAE
📎 https://t.me/data_ml/587

🔵ضریب تعیین یا R² Score
📎 https://t.me/data_ml/590

🔵ماتریس درهم ریختگی یا Confusion Matrix
📎 https://t.me/data_ml/594

🔵معیار ROC / AUC
📎 https://t.me/data_ml/597

🔵ارزیابی خوشه‌بندی: روش‌های باناظر
📎 https://t.me/data_ml/601

🔵ارزیابی خوشه‌بندی: روش‌های بدون ناظر
📎 https://t.me/data_ml/603

🔺 کوئیز

🔵کوییز شماره ۱۶۲: انتخاب معیار محاسبه خطا برای یک مسئله
📎 https://t.me/data_ml/588

🔵کوییز شماره ۱۶۳: شرایط استفاده از ضریب تعیین
📎 https://t.me/data_ml/592

🔵کوییز شماره ۱۶۴: ماتریس سردرگمی و دقت مدل
📎 https://t.me/data_ml/595

🔵کوییز شماره ۱۶۵: تحلیل چند کلاسه و روش محاسبه AUC
📎 https://t.me/data_ml/598

🔵کوییز شماره ۱۶۶: چرا از ضریب رند تعدیل‌شده استفاده می‌شه؟
📎 https://t.me/data_ml/602

🔵کوییز شماره ۱۶۷: شاخص ارزیابی برای محاسبه میزان فشردگی داخل خوشه‌ها
📎 https://t.me/data_ml/604

🔺 نکته

🔵 معیارهای بررسی خطا در مدل‌های یادگیری ماشین
📎 https://t.me/data_ml/589

🔵برنامه‌ریزی برای یادگیری ماشین لرنینگ
📎 https://t.me/data_ml/593

🔵فهم ماتریس درهم ریختگی با رسم شکل
📎 https://t.me/data_ml/596

🔵نقشه‌راه یادگیری هوش مصنوعی از پایه در سال ۲۰۲۴
📎 https://t.me/data_ml/599

#Weekend
#Evaluation_Metrics

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵تعریف خوشه‌بندی (Clustering)
📎 https://t.me/data_ml/609

🔵الگوریتم K-means
📎 https://t.me/data_ml/611

🔵خوشه‌بندی سلسله‌مراتبی یا Hierarchical Clustering
📎 https://t.me/data_ml/614

🔵الگوریتم DBSCAN
📎 https://t.me/data_ml/617

🔵استفاده از شبکه‌های عصبی برای خوشه‌بندی
📎 https://t.me/data_ml/621

🔵معیارهای ارزیابی خوشه‌بندی
📎 https://t.me/data_ml/624

🔺 کوئیز

🔵کوییز شماره ۱۶۸: کاهش تاثیر داده‌های پرت در نتایج K-means
📎 https://t.me/data_ml/612

🔵کوییز شماره ۱۶۹: کاربرد روش UPGMA در خوشه‌بندی سلسله‌مراتبی
📎 https://t.me/data_ml/615

🔵کوییز شماره ۱۷۰: تشخیص نقاط پرت توسط DBSCAN
📎 https://t.me/data_ml/619

🔵کوییز شماره ۱۷۱: وجه تمایز SOM از بقیه روش‌های خوشه‌بندی
📎 https://t.me/data_ml/622

🔵کوییز شماره ۱۷۲: ارزیابی شباهت بین دو خوشه‌بندی با استفاده از احتمال شرطی
📎 https://t.me/data_ml/625

🔺 نکته

🔵 معرفی جامع تکنیک‌های خوشه‌بندی در یادگیری ماشین
📎 https://t.me/data_ml/610

🔵بلاگ معرفی الگوریتم K-means
📎 https://t.me/data_ml/613

🔵مقایسه K-means و خوشه‌بندی سلسله‌مراتبی
📎 https://t.me/data_ml/616

🔵بلاگ الگوریتم DBSCAN
📎 https://t.me/data_ml/620

🔵جمع‌بندی معیارهای ارزیابی خوشه‌بندی
📎 https://t.me/data_ml/626

#Weekend
#Clustering

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵عملیات CRUD در پایگاه‌های داده
📎 https://t.me/data_ml/630

🔵پرس‌وجو یا Query در پایگاه داده
📎 https://t.me/data_ml/633

🔵به‌کارگیری شرط (WHERE) در پرس‌وجوها
📎 https://t.me/data_ml/636

🔵مفاهیم Group By و Order By در پایگاه‌ داده‌ها
📎 https://t.me/data_ml/639

🔵آشنایی با Subquery یا زیرپرس‌وجو
📎https://t.me/data_ml/642

🔵ابزارها و نرم‌افزارهای پایگاه داده
📎 https://t.me/data_ml/646

🔺 کوئیز

🔵کوییز شماره ۱۷۳: مزایای استفاده از Stored Procedures
📎 https://t.me/data_ml/631

🔵کوییز شماره ۱۷۴: عبارت MERGE در SQL
📎 https://t.me/data_ml/634

🔵کوییز شماره ۱۷۵: بررسی یک کوئری
📎 https://t.me/data_ml/637

🔵کوییز شماره ۱۷۶: از GROUP BY با ROLLUP
📎 https://t.me/data_ml/640

🔵کوییز شماره ۱۷۷: عملگر EXISTS در Subquery
📎 https://t.me/data_ml/644

🔵کوییز شماره ۱۷۸: یک ابزار برای یکپارچه سازی داده
📎 https://t.me/data_ml/647

🔺 نکته

🔵 بلاگ زبان SQL و دستورهای آن برای دیتا ساینس
📎 https://t.me/data_ml/632

🔵تفاوت پایگاه‌های داده SQL و NoSQL
📎 https://t.me/data_ml/635

🔵متداول‌ترین سوالات مصاحبه SQL
📎 https://t.me/data_ml/638

🔵بررسی کامل یک کوئری
📎 https://t.me/data_ml/641

🔵بررسی مفهوم ساب‌کوئری با یک مثال
📎 https://t.me/data_ml/645

🔵بهترین ابزارهای نرم‌افزاری علم داده
📎 https://t.me/data_ml/648

#Weekend
#Database

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵نرمال‌سازی و نرمال‌زدایی در پایگاه‌های داده
📎 https://t.me/data_ml/652

🔵مفهوم ایندکس‌گذاری در پایگاه‌های داده
📎 https://t.me/data_ml/656

🔵انواع JOIN در پایگاه داده‌ها
📎 https://t.me/data_ml/660

🔵انبار داده یا Data Warehousing
📎 https://t.me/data_ml/663

🔵پایگاه داده‌های NoSQL
📎 https://t.me/data_ml/667

🔵پشتیبان‌گیری و بازیابی در پایگاه‌های داده
📎 https://t.me/data_ml/669

🔺 کوئیز

🔵کوییز شماره ۱۷۹: شرایطی استفاده از Materialized Views در نرمال‌زدایی
📎 https://t.me/data_ml/654

🔵کوییز شماره ۱۸۰: توصیفی از ایندکس خوشه‌بندی شده در پایگاه‌داده‌ها
📎 https://t.me/data_ml/658

🔵کوییز شماره ۱۸۱: HASH JOIN در پایگاه داده
📎 https://t.me/data_ml/661

🔵کوییز شماره ۱۸۲: امکان بارگذاری موازی و مقیاس‌پذیری بالا در Data Vault 2.0
📎 https://t.me/data_ml/665

🔵کوییز شماره ۱۸۳: تکنیک Log Shipping در SQL Server
📎 https://t.me/data_ml/670

🔺 نکته

🔵 مروری بر تکنیک‌های نرمال‌زدایی
https://t.me/data_ml/655

🔵مقایسه انبار داده و پایگاه داده
📎 https://t.me/data_ml/659

🔵مقایسه انبار داده و دریاچه داده
📎 https://t.me/data_ml/662

🔵آشنایی با معماری Data Vault 2.0
📎 https://t.me/data_ml/666

🔵تفاوت پایگاه‌های داده SQL و NoSQL
📎 https://t.me/data_ml/668

🔵مروری بر انواع وابستگی در پایگاه داده‌ها
📎 https://t.me/data_ml/671

#Weekend
#Database

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵مدیریت کیفیت داده در حاکمیت داده
🔵امنیت داده‌ها و حریم خصوصی در حاکمیت داده
🔵مدیریت چرخه حیات داده در حاکمیت داده
🔵دسترسی و کنترل داده در حاکمیت داده
🔵مدیریت متادیتا در حاکمیت داده

🔺 کوئیز

🔵کوییز شماره ۱۸۶: چالش در مدیریت کیفیت داده در محیط‌های Big Data
🔵کوییز شماره ۱۸۷: تکنیک رمزنگاری برای حفظ محرمانگی داده‌ها در حال استفاده
🔵کوییز شماره ۱۸۸: حذف کامل و غیرقابل بازیابی داده‌ها از سیستم‌های ابری
🔵کوییز شماره ۱۸۹: مدیریت هویت و دسترسی (IAM)
🔵کوییز شماره ۱۹۰: مفهوم Data Lineage در زمینه مدیریت متادیتا

🔺 نکته

🔵 داده به عنوان محصول (Data as a Product)
🔵آشنایی با رمزنگاری همومورفیک

#Weekend
#Data_Governance

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵توسعه مدل و نسخه بندی در MLOps
🔵فرآیند CI/CD در MLOps
🔵اهمیت مدیریت داده‌ها در MLOps
🔵حاکمیت و تطابق مدل در MLOps
🔵مقیاس‌پذیری و مدیریت منابع در MLOps

🔺 کوئیز

🔵کوییز شماره ۱۹۱: مفهوم Shadow Mode Deployment در MLOps
🔵کوییز شماره ۱۹۲: تکنیک مدیریت کیفیت داده در MLOps
🔵کوییز شماره ۱۹۳: بهبود شفافیت و قابلیت توضیح مدل‌های یادگیری ماشین
🔵کوییز شماره ۱۹۴: مفهوم Elastic Inference در زمینه مقیاس‌پذیری MLOps

🔺 نکته

🔵مراحل چرخه MLOps
🔵 داکر در دیتا ساینس و پروژه‌های ماشین لرنینگ

#Weekend
#MLOps

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵فرمت CSV
🔵فرمت JSON
🔵فرمت Parquet
🔵فرمت Pickle
🔵فرمت XML

🔺 کوئیز

🔵کوییز شماره ۱۹۵: مفهوم CSV on the Web (CSVW)
🔵کوییز شماره ۱۹۶: استفاده از JSON در فرمت فایل BSON
🔵کوییز شماره ۱۹۷: قابلیت‌های Page Index در Parquet
🔵کوییز شماره ۱۹۸: تفاوت بین pickle و json
🔵کوییز شماره ۱۹۹: XML Catalogs

🔺 نکته

🔵گویش در فایل‌های CSV
🔵فرمت JSONL
🔵ویژگی Bloom Filter در Parquet
🔵مکانیزم Memo در Pickle
🔵ویژگی XML Signature

#Weekend
#File_Formats

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵PyCharm IDE
🔵Visual Studio Code IDE
🔵Jupyter Notebook IDE
🔵Spyder IDE
🔵Atom & IDLE IDEs

🔺 کوئیز

🔵کوییز شماره ۲۰۰: ابزار Profiler در PyCharm
🔵کوییز شماره ۲۰۱: امکان مدیریت و اجرای وظایف مختلف پروژه در VS Code
🔵کوییز شماره ۲۰۲: استفاده از Magic Commands در Jupyter Notebook
🔵کوییز شماره ۲۰۳: امکان مشاهده مستندات و سایر اطلاعات در Spyder
🔵کوییز شماره ۲۰۴: پیاده‌سازی IDLE

#Weekend
#Python_IDEs

@Data_ML | دیتاساینس و ماشین‌ لرنینگ