آخرین مطالب
معماری Data Mesh
روشهای استاندارد سازی داده برای افزایش قابلیت همکاری تیمها
چالشهای پاکسازی دادههای سازمانی و راهحلهای عملی
مدیریت دادههای حساس در پروژههای تجاری چگونه باید باشد؟
اعتبارسنجی داده از دیدگاه مهندسی داده
راهنمای جامع پیادهسازی مدل پیشبینی فروش برای شرکتهای ایرانی
داغ ترین مطالب
اعداد حسابی
انواع اعداد
نصب و راه اندازی scikit-learn
نصب و راهاندازی Pandas در محیط پایتون
حذف پایگاه داده در SQL (DROP DATABASE)
علوم داده
روشهای استاندارد سازی داده برای افزایش قابلیت همکاری تیمها
چالشهای پاکسازی دادههای سازمانی و راهحلهای عملی
مدیریت دادههای حساس در پروژههای تجاری چگونه باید باشد؟
راهنمای جامع پیادهسازی مدل پیشبینی فروش برای شرکتهای ایرانی
تحلیل دادههای مشتریان (Customer Analytics) با استفاده از کتابخانه Pandas
تبدیل دادههای نامنظم به ساختار قابل تحلیل در پروژههای علوم داده
چطور پروژههای تحلیل داده را سریع و بهینه ارزیابی کنیم؟
راهنمای جامع ساخت سیستمهای توصیهگر برای افزایش فروش آنلاین
مهندسی داده
معماری Data Mesh
اعتبارسنجی داده از دیدگاه مهندسی داده
کاهش هزینههای ذخیرهسازی کلانداده (Big Data)
ETL بهینه برای اجرای فرآیند در شرکتهای متوسط
چالشهای مهاجرت داده از پایگاههای قدیمی به سامانههای جدید
راهکارهای کاهش خطاهای انسانی در جمعآوری داده
کلان داده
مراحل افزودن دیتا نود به کلاستر هدوپ
DataNode در هدوپ
مراحل پیاده سازی HDFS
مراحل پیاده سازی آپاچی هدوپ با داکر
آپاچی هدوپ (Apache Hadoop)
هوش مصنوعی
تشخیص چهره
تولید تصاویر
چت بات ها
تحلیل احساسات
تولید متن
سیستم های توصیه گر
هوش مصنوعی خلاق
یادگیری عمیق برای تحلیل دادههای بزرگ
هوش مصنوعی در فضای ابری
نورون های مصنوعی
توابع فعال سازی
تابع هزینه
SQL
SQL GROUP BY CUBE
عملگرهای منطقی در SQL (Logical Operators)
لغو مجوز در SQL
مرتب سازی اطلاعات در SQL
کاربردهای SQL
عملگرهای مقایسه ای در SQL (Comparison Operators)
مدیریت زمان
Bullet Journal
GTD (Getting Things Done)
Pomodoro
مدیریت برنامه ریزی
ماتریس آیزنهاور
Numpy
ماتریس ها در NumPy
کاربرد آرایه های چند بعدی در مسائل واقعی
ایجاد، نمایش و دسترسی به عناصر آرایه های چند بعدی در NumPy
آشنایی با NumPy و کاربردهای آن
۱۰ روش برای ایجاد آرایه در NumPy
Pandas
مشاهده و چاپ DataFrame
Series: ذخیره دادههای تکبعدی
استخراج اطلاعات از متن، تجزیه و تحلیل احساسات و موضوع بندی متن با Pandas
بارگیری داده ها از فایل های CSV، JSON، Excel و پایگاه های داده
تست فرضیه برای بررسی معنی داری آماری در Pandas و scikit-learn
SciPy
محاسبات آماری توصیفی با SciPy
پردازش تصویر در علم و مهندسی با SciPy
تبدیل سیگنال با SciPy
عملیات اساسی روی آرایه ها و ماتریس ها در SciPy
حل مسائل بهینه سازی با SciPy
تجزیه و تحلیل تصویر SciPy
Scikit-learn
طبقهبندی تصویر با scikit-learn
بهینهسازی در یادگیری ماشین
بارگذاری و کاوش در دادهها با scikit-learn
چرا از scikit-learn استفاده کنیم؟
استخراج ویژگی از متن در scikit-learn
-
یادگیری تقویتی
یادگیری تقویتی (Reinforcement Learning) چیست؟ یادگیری تقویتی (Reinforcement Learning یا RL) یکی از شاخههای مهم یادگیری ماشین است که به…
- ۱۴۰۳/۱۰/۰۲
مدلهای زبانی بزرگ گوگل
-
۱۴۰۳/۱۰/۳۰یادگیری تقویتی عمیق
-
۱۴۰۴/۰۱/۱۸چت بات ها
-
۱۴۰۴/۰۱/۱۸تشخیص چهره
- ۱۴۰۳/۰۹/۱۲
هوش مصنوعی در تولید
-
۱۴۰۴/۰۱/۱۷یادگیری انتقالی و یادگیری چندوظیفه ای
- ۱۴۰۳/۰۹/۱۲
الگوریتمهای یادگیری تقویتی
- علوم داده - Data Science
ایجاد نمودار خطی در Matplotlib
ایجاد نمودار خطی در پایتون: رویکردی جامع و دقیق مقدمه نمودارهای خطی به عنوان یکی از ابزارهای بنیادی در تجسم…
-
-
-
۱۴۰۳/۰۲/۱۷علائم واختصارات در نمودارهای Matplotlib
-
۱۴۰۳/۰۲/۱۷فیلتر کردن داده ها در Matplotlib
-
۱۴۰۳/۰۲/۱۷به اشتراک گذاری نمودارهای Matplotlib در وب
-
۱۴۰۳/۰۲/۱۷ایجاد نمودار ستونی در Matplotlib
-
۱۴۰۳/۰۲/۱۷نمودارهای سه بعدی در Matplotlib
- علوم داده - Data Science
تابع where در NumPy
np.where() در NumPy: مثال جامع و توضیح np.where() یک تابع قدرتمند در NumPy است که به شما امکان می دهد…
-
۱۴۰۳/۰۱/۲۸یادگیری ماشین و هوش مصنوعی با NumPy
-
۱۴۰۳/۰۱/۲۸حل معادلات خطی با NumPy
-
۱۴۰۳/۰۱/۲۸تولید آرایههای آماده در NumPy
-
۱۴۰۳/۰۱/۲۸کاربرد آرایه های چند بعدی در مسائل واقعی
-
۱۴۰۳/۰۱/۲۸تجزیه و تحلیل داده های فروش با NumPy
-
۱۴۰۳/۰۱/۲۸تغییر شکل و بازآرایی آرایه ها در NumPy
-
- Python
ایجاد تاپل در پایتون
ایجاد تاپل در پایتون تاپل (Tuple) در پایتون یک ساختار داده است که برای ذخیره مجموعه ای از عناصر استفاده…
-
۱۴۰۲/۱۲/۲۱متدهای مخفی در پایتون
-
۱۴۰۳/۰۶/۲۵عملیات روی مجموعهها در پایتون
-
۱۴۰۳/۱۰/۱۰ایجاد ماژول پایتون
-
۱۴۰۳/۰۵/۱۰تاریخچه پایتون
-
۱۴۰۲/۱۲/۲۱متدهای استاتیک در پایتون
-
۱۴۰۳/۰۵/۱۰ویژگیهای زبان پایتون
-
۱۴۰۳/۰۲/۲۹کاربرد مجموعهها در تحلیل داده
- علوم داده - Data Science
الگوریتم های یادگیری ماشین یادگیری بدون نظارت
الگوریتم های یادگیری ماشین یادگیری بدون نظارت در یادگیری بدون نظارت، الگوریتم به طور مستقیم با برچسب یا دسته داده…
-
۱۴۰۳/۰۲/۲۴بارگذاری و کاوش در دادهها با scikit-learn
-
۱۴۰۳/۰۲/۲۴تکنیکهای رایج کاهش ابعاد در scikit-learn
-
-
۱۴۰۳/۰۲/۲۴پردازش متن با scikit-learn
-
۱۴۰۳/۰۲/۲۴انتخاب مدل در یادگیری ماشین
-
۱۴۰۳/۰۲/۲۴الگوریتمهای رگرسیون در scikit-learn
-
۱۴۰۳/۰۲/۲۴شبکههای عصبی مصنوعی در scikit-learn
- علوم داده - Data Science
ایندکس گذاری و برش گذاری در آرایه ها و ماتریس های SciPy
ایندکس گذاری و برش گذاری در آرایه ها و ماتریس های SciPy SciPy به شما امکان می دهد با استفاده…
-
-
۱۴۰۳/۰۲/۰۹فیلتر کردن سیگنال با SciPy
-
۱۴۰۳/۰۲/۰۹تجزیه و تحلیل تصویر SciPy
-
۱۴۰۳/۰۲/۰۹تبدیل سیگنال با SciPy
-
۱۴۰۳/۰۲/۰۹محاسبه انتگرال های معین و نامعین با SciPy
-
۱۴۰۳/۰۲/۰۹پردازش تصویر در علم و مهندسی با SciPy
-
۱۴۰۳/۰۲/۰۹کاوش در فضای نام SciPy
- Pandas
اعمال توابع به داده ها در Pandas
اعمال توابع به داده ها در Pandas Pandas به شما امکان می دهد توابع را به طور مستقیم بر روی…
-
۱۴۰۳/۰۲/۰۴مشاهده و چاپ DataFrame
-
۱۴۰۳/۰۲/۰۴شاخص: برچسبگذاری دادهها برای دسترسی آسان
-
۱۴۰۳/۰۲/۰۴جایگزینی مقادیر گمشده در Pandas
-
-
۱۴۰۳/۰۲/۰۴ادغام و الحاق DataFrame در Pandas
-
-
- SQL
LAG
توابع پنجره SQL LAG() – توضیح جامع با مثال LAG یک تابع پنجره در SQL است که برای دسترسی به…
-
۱۴۰۲/۱۲/۱۳تعریف کلید اولیه در SQL (Primary Key)
-
۱۴۰۳/۰۳/۳۰توابع پنجره ای (Window Functions)
-
۱۴۰۳/۰۴/۱۱Text Index
-
۱۴۰۳/۰۳/۳۰توابع پنجره ROW_NUMBER
-
۱۴۰۳/۰۷/۰۲تکثیر (Replication) در پایگاه داده
-
۱۴۰۲/۱۲/۰۹ساختار رکوردها در پایگاه داده رابطه ای
-
۱۴۰۳/۰۷/۰۴RAID
- آمار و احتمال
اعداد کسری
اعداد کسری اعداد کسری، دستهای از اعداد در ریاضیات هستند که برای نشان دادن قسمتی از یک کل استفاده میشوند.…
-
۱۴۰۳/۰۳/۰۸اصل متمم
-
۱۴۰۳/۰۲/۳۰اعداد برنولی
-
۱۴۰۳/۰۲/۳۰اعداد صحیح
-
۱۴۰۳/۰۲/۳۰متغیر تصادفی
-
۱۴۰۳/۰۲/۳۰اعداد مرکب
-
۱۴۰۳/۰۲/۳۰اعداد اول فرما
-
۱۴۰۳/۰۲/۳۰اعداد حسابی



































































