در حال بارگزاری

منابع و نقشه راه یادگیری پایتون و علم داده

شما اینجا هستید:
منابع و نقشه راه یادگیری پایتون و علم داده

منابع و نقشه راه یادگیری پایتون و یادگیری ماشین

در این مطلب، منابع و نقشه راه یادگیری پایتون و حوزه یادگیری ماشین رو بررسی می‌کنیم! و به طور موردی در مورد هر موضوع، منبع معرفی میکنیم!

مقدمه: کتاب آری یا خیر؟!

بذارید همین اول راست و پوست کنده یه چیزی رو بهتون بگم! من خودم برای یادگیری این حوزه به ندرت کتاب میخونم! بیشتر دوره میبینم! چون به نظرم اقتضای این حوزه اینه! مثلاً من خودم در حوزه دیگری خیلی بیشتر کتاب میخونم! اما در این حوزه و باتوجه به اقتضای آن، تا جای ممکن سعی میکنم کتاب نخونم! در عوض سعی میکنم دوره ببینم!

حالا چرا؟!

بذارید یک مثال بزنم! شخصی به اسم Jeff Heaton که استاد دانشگاه واشینگتن هم هست، در یوتیوب کانالی داره! این شخص برای یکی از پکیج‌های زبان برنامه نویسی پایتون، به محض انتشار نسخه جدید، یک ویدئو ضبط میکنه و میذاره!

حالا فرض کنید به محض انتشار هر نسخه یک کتاب بخواد چاپ کنه! اولاً این کار مسخره است! دوماً توضیح اون فرآیند در کتاب سخته! سوماً تا موقعی که کتاب چاپ بشه، احتمالاً نسخه بعدی اومده! و تا موقعی که اون کتاب ترجمه بشه و بیاد توی ایران، احتمالاً اون نسخه منسوخ شده!

پس اولاً توضیح این موارد در قالب کتاب سخته! دوماً نرخ پیشرفت مطالب و بروزرسانی آن‌ها به حدی است که چاپ کتاب گاهاً جوابگو نیست!

 

شاید دوست داشته باشید بخوانید:

چقدر طول میکشه تا در پایتون موفق بشم؟!

منبع مناسب برای یادگیری زبان برنامه نویسی پایتون !

هیچ ماست بندی نمیگه ماست من ترشه! قطعاً من هم دوره خودمون رو پیشنهاد میدم! دوره‌ای که به شدت براش زحمت کشیدیم و خیلی خیلی براش زمان گذاشتیم! نظرات دانشجوها گذشته هم حاکی از رضایت بالای آن‌ها از این دوره است! این دوره، هم جزوه داره، هم تمرین جلسه به جلسه داره و هم مباحث به شیوه کاملاً گویا و روان بیان شده!

دوره آموزش زبان برنامه نویسی پایتون !

منبع مناسب برای یادگیری حوزه یادگیری ماشین !

خب! قبل باید یکم مقدمه بگم!

مقدمه: برخی پکیج‌های ناقولا در پایتون!

بعد از یادگرفتن خود پایتون، اگر بخواید یادگیری ماشین یاد بگیرید! یه نکته رو باید قبلش بدونید! یادگیری ماشین یک سری الگوریتم و روش است که شما روی داده‌هاتون استفاده میکنید! اما چندتا موضوع دیگه هم هست که باید بهش توجه کنید!

  • همون داده‌ها رو چجوری باید در پایتون خوند؟!
  • همون داده‌ها اگر داده گم شده داشت چجوری باید مثلاً سطرش رو حذف کرد یا هر چیز دیگه؟!
  • همون داده‌ها رو اگر خواستیم رسم کنیم باید چیکار کنیم؟!
  • همون‌ها رو اگر خواستیم یک تابع ریاضی برای یک ستونش بنویسم، یاد چیکار کنیم؟!
  • همون داده‌ها رو اگر بخوایم به ترتیب صعودی یا نزولی طبق یه شاخص مرتب کنیم باید چیکار کنیم؟!
  • و مواردی از این دست!

دیگه این موارد جزء یادگیری ماشین حساب نمیشه! ایناها مربوط به پکیج‌هایی مانند numpy و matplotlib و pandas است! پس کاملاً مشخصه که اینا رو باید حتماً یاد داشته باشید! حالا در رابطه به این پکیج‌ها عموماً دو رویکرد میشه داشت:!

  1. اول برید دوره یادگیری ماشین رو نگاه کنید! (چون عموماً اول این دوره‌ها در حدی که کارشون رو راه بندازه در طول آموزش، یه مقدمه میگن!) و بعدها برید عمیق‌تر این پکیج‌ها رو یاد بگیرید!
  2. اول برید این پکیج‌ها رو یاد بگیرید و بعد برید سراغ یادگیری ماشین!

توصیه من مورد دوم است، اما خب عموماً افراد کار اول رو انجام میدن [چون براشون جذاب‌تره که سریع برن ببینن یادگیری ماشین که میگن چی هست اصلاً! و چون نمیخوان صبر کنن، معمولاً رویگرد اول بین افراد رایج‌تره! اما توصیه من مورد دوم است! اما در اینجا هرجور خودتون راحت بودید، اقدام کنید!]

منبع مناسب برای یادگیری پکیج numpy و matplotlib و pandas !

خوشبختانه برای این موضوع هم دوره داریم! این دوره طولانی‌تر از دوره پایتون هستن و سطحش هم به مراتب بالاتره! و قطعاً پیش‌نیازش همون پایتون هست! توجه کنید که اگر پایتون رو قبلاً یاد نگرفته باشید و بعد برید سراغ این پکیج‌ها، به هیچ دردتون نمیخوره!

برای این موضوع میتونید دوره NMP خودمون (این لفظ NMP من درآوردی خودمون هست و مخفف numpy و matplotlib و pandas است!) رو تهیه کنید! این دوره هم خیلی براش زحمت کشیده شده و خیلی سعی کردیم مطالبش کامل و منسجم باشه! جزوه و مینی‌پروژه جلسه به جلسه (تمرین‌هایی که واقعاً شبیه پروژه هستن!) هم داره!

دوره آموزش پکیج‌های numpy و matplotlib و pandas پایتون !

منبع مناسب برای یادگیری ماشین !

  • دوره یادگیری ماشین با پایتون – آقای سعید مظلومی راد – فرادرس !
  • دوره A-Z Machine Learning – آقایان Kirill Eremenko, Hadelin de Ponteves – موسسه Udemy – به زبان انگلیسی!
  • دوره Machine Learning, Data Science and Deep Learning with Python – آقای Frank Kane – موسسه Udemy – به زبان انگلیسی !

توجه کنید که در معرفی منابع بالا، نظر شخصی دخیل است! یعنی این نظر منه! ممکنه شخص دیگه نظر دیگه داشته باشه! در ضمن اشخاص معروف دیگری در این حوزه هستن که سواد بالایی دارن! اما لزوماً کسی که سواد خوبی داره، به خوبی هم تدریس نمیکنه! این مورد رو سعی کردم در معرفی منابع لحاظ کنم!

شبکه عصبی، یادگیری عمیق و بینایی ماشین !

  • دوره‌های آقای علی رضا اخوان پور (برای مشاهده سایت ایشون اینجا کلیک کنید)!
    • من خیلی ایشون رو توصیه میکنم! هم سواد خیلی خوبی دارن [وقتی فیلم‌ها رو می‌بینید با تمام وجود درک میکنید که مطالعات خوبی داشتن و سواد خوبی دارن]! و هم اینکه تدریس روان و خوبی دارن! کلاً من خیلی دوست دارم مطالبشون رو!
    • نه من ایشونو میشناسم، و نه ایشون من رو! اینو گفتم چون ممکنه فکر کنید من با ایشون رابطه‌ای دارم که معرفی‌شون میکنم! اصلاً اینطور نیست! و چون من خودم خوب بودنش رو به عینه دیدم، معرفی کردم!
  • کانال یوتیوب Jeff Heaton – به زبان انگلیسی !

یه تکته رو لحاظ کنید!

شما حتی اگر تمام این دوره‌ها رو هم ببینید، باز خیلی نکات هست که حتی توی یک کدوم از ایناها هم نبوده! مثلاً به شخصه برای یک پروژه خوشه‌بندی مجبور بودم مقالات مختلف رو بررسی کنم، تا روش‌های خوب برای ارزیابی خوشه‌بندی رو پیدا کنم! و کدهاش رو با هزار فلاکت خودم بنویسیم! (چون عموماً برای مقالاتی که به تازگی چاپ میشن، پکیج وجود نداره!)

پس اینو لحاظ کنید که این موارد نقطه پایان شما نخواهند بود! بلکه بعد از این‌ها باید خودتون به صورت سرچ محور و همینطور که درگیر مسائل مختلف میکنید خودتون رو، موارد بیشتر یاد بگیرید! (اون داستان 6 سال کلاس زبان خودم که در مطلب گفتم رو یادتون بیاد!)

 

منبع مناسب برای یادگیری حوزه‌های دیگر !

در حال حاضر بنده تخصص آنچنانی در این حوزه‌ها ندارم که بخوام منبعی توصیه کنم! من فقط در مورد حوزه خودم میتونستم نظر بدم که در این مورد سعی کردم برخی از منابع رو معرفی کنم!

 

امیدوارم این مطلب هم مفید بوده باشه براتون!

 

در ضمن اگر به حوزه توسعه شخصی علاقه‌مند هستید، شاید این مطلب براتون مفید باشه:

عجیب ترین راز ارل نایتینگل !

مطالب مرتبط

آموزش numpy - تابع linspace در پایتون تابع linspace در numpy پایتون ، گروهی از اعداد صحبح رو...

آموزش numpy - تابع ones و تابع zeros در پایتون با تابع ones در numpy پایتون ، آرایه...

جزئیات نوشته
تعداد دیدگاه 0
تعداد بازدید 1.1K
تاریخ انتشار 10/07/2021
تاریخ بروزرسانی 13/09/2021
نویسنده گروه آموزشی کولاک
برای ارسال دیدگاه ابتداواردشوید