بوت‌کمپ استخدامی

تخفیف زودهنگام

دیتا ساینس و ماشین لرنینگ

شروع بوت کمپ از دی ماه ۱۴۰۳

+۱۶۰ساعت آموزش و پروژه
۶ ماه
همراه با منتورینگ
کمک به استخدام

معرفی دوره‌ آموزش دیتا ساینس و ماشین لرنینگ

در بوت‌کمپ دیتا ساینس دانشکار، با کمک اساتید حرفه‌ای و آموزش پروژه‌محور، با تمام اصول و ابزارهای مورد نیاز دیتا ساینس آشنا خواهید شد. مبانی برنامه‌نویسی، آمار، پایتون و موارد کاربردی دیگه، همگی با زبان ساده و تمرینات کاربردی از پایه به شما آموزش داده می‌شود.

بعد از آموزش مبانی، وارد دنیای پردازش داده‌ها خواهیم شد و با ابزارهای تحلیل و هوش مصنوعی به حل مسائل واقعی می‌پردازیم.

علاوه بر دانش تخصصی، این دوره شامل جلسات انتقال تجربه، آموزش رزومه‌نویسی و ساخت پروفایل لینکدین حرفه‌ای هم هست، تا شما آماده‌ی ورود به بازار کار شوید.

اگر در ارزیابی‌های طول دوره، تایید آکادمی را کسب کنید، وارد فرآیند کاریابی خواهید شد.

0$
میانگین حقوق ماهانه در خارج از ایران
0
میلیون تومان
میانگین حقوق ماهانه کارشناس در ایران
0%
رضایت دانش‌پذیران از دوره

کمک به استخدام در شرکت‌های منتخب

شما با استفاده از آموزش‌های بوت‌کمپ و انجام تمرین‌ و پروژه به سطحی می‌رسید که به عنوان برنامه‌نویس جونیور در شرکت‌ها مشغول به کار بشید. به شما نحوه ارسال رزومه، مصاحبه شغلی و ارتباط با شرکت‎ها رو آموزش میدیم تا خودتون هم رزومه بفرستید. برای افرادی که با حضور فعالانه، دوره را با موفقیت به آخر می‌رسونن، فرایند کاریابی شامل ارزیابی رزومه، شبیه‌سازی مصاحبه شغلی و معرفی‌شون به شرکت‌های منتخب براشون انجام میشه.

سرفصل های دوره دیتا ساینس

Soft Skills

۵ساعت

  • شخصیت شناسی (ابزارهای معتبر شخصیت شناسی تست NEO، سنجش رغبت شغلی با تست HOLLAND) و تحلیل آن
  • کارتیمی (پنج دشمن کار تیمی، بازیکن تیمی ایده آل)
  • پرورش مهارت یادگیری (مدیریت زمان، مدیریت توجه، برنامه ریزی، سطوح یادگیری)

Basics of programming

  • Computer structure
  • Types of memory
  • Phases of running the program on the computer
  • Types of programming languages
  • Compilers and interpreters
  • Preliminary basics of operating systems and their role in software implementation and hardware management
  • Algorithm and flowchart

Python

  • Introduction & Setup
  • Variables and DataTypes
  • Strings
  • Lists
  • Dictionary
  • Loops
  • Conditions
  • Functions
  • Modules and Packages
  • Object Oriented Programming
  • Error handling
  • Files
  • Regular expressions
  • Advanced topics
  • Data Structures
  • Algorithm
  • Concurrency

Git

  • Introduction
  • Browsing History
  • Branching
  • Rewriting History
  • Collaboration
  • Git in Real Project

Database

  • Types of databases
  • Data types and storage classes
  • Retrieve data from database
  • Column alias
  • Ordering data
  • Unique result
  • Filter data
  • Limit number of results
  • Search
  • Ranges
  • Aggregate functions
  • Entity relationship diagrams
  • Keys
  • Subqueries
  • Joins
  • Sets
  • Grouping data
  • Normalizing
  • Relating
  • Create statement
  • Drop statement
  • Table constraints
  • Column constraints
  • Altering tables
  • Inserting Data
  • Deleting Data
  • Updating data
  • Views
  • Common table expression
  • Soft deletions
  • Triggers
  • Indexes
  • Transactions
  • Stored procedure
  • SQL injection attacks
  • Using database in python
  • Redis

Statistics with Python

  • Distributions
  • Hypothesis Tests
  • Descriptive Statistics

Data analysis

  • Python Language Basics, IPython, and Jupyter Notebooks
  • Built In Data Structures, Functions, and Files
  • NumPy Basics: Arrays and Vectorized Computation
  • Getting Started with Pandas
  • Data Loading, Storage, and File Formats
  • Data Cleaning and Preparation
  • Data Wrangling: Join, Combine, and Reshape
  • Plotting and Visualization
  • Data Aggregation and Group Operations
  • Estimation and Hypothesis Testing
  • Time Series
  • Styling Dataframes
  • Debugging Pandas

Machine Learning

  • What Is Machine Learning?
  • Introducing Scikit Learn
  • Hyperparameters and Model Validation
  • Feature Engineering
  • In Depth: Naive Bayes Classification
  • In Depth: Linear Regression
  • In Depth: Support Vector Machines
  • In Depth: Decision Trees and Random Forests
  • In Depth: Principal Component Analysis
  • In Depth: Manifold Learning
  • In Depth: k Means Clustering
  • In Depth: Gaussian Mixture Models
  • Introduction to Probability
  • Introduction to Statistics
  • Mathematics
  • Linear Algebra

Advanced Machine Learning

  • Anomaly Detection
  • ● Isolation Forest
  • ● Local Outlier Factor
  • Feature Selection
  • ● Univariate Feature Selection
  • ● Recursive Feature Selection
  • ● Sequential Feature Selection

Interview Preparation

  • SQL interview preparation
  • Data Science interview preparation
  • Python interview preparation

Storytelling & Presentation

  • یکی از مهارت‌های کاربردی در حوزه دیتا، نحوه گزارش دهی و ارائه نتایج آماری به دست آمده است.

Resume

  • کارگاه رزومه نویسی برای دیتاساینتیست‌ها

Linkedin

  • کارگاه آموزش کار با Linkedin

Experience Transfer

  • در این بخش با تجربیات و دانش حرفه‌ای افراد موفق در حوزه‌ی دیتا همراه خواهید شد.

Experience Transfer

  • در این بخش با تجربیات و دانش حرفه‌ای افراد موفق در حوزه‌ی دیتا همراه خواهید شد.

Soft Skills

Basics of programming

Python

Git

Database

Statistics with Python

Data analysis

Machine Learning

Advanced Machine Learning

Interview Preparation

Storytelling & Presentation

Resume

Linkedin

Experience Transfer

Experience Transfer

Soft Skills

۵ساعت

  • شخصیت شناسی (ابزارهای معتبر شخصیت شناسی تست NEO، سنجش رغبت شغلی با تست HOLLAND) و تحلیل آن
  • کارتیمی (پنج دشمن کار تیمی، بازیکن تیمی ایده آل)
  • پرورش مهارت یادگیری (مدیریت زمان، مدیریت توجه، برنامه ریزی، سطوح یادگیری)

مدرسان دوره دیتا ساینس

چرا این دوره؟

مزایای این دوره

تمرین و پروژه‌های کاربردی
منتورینگ و جلسات رفع اشکال
پشتیبان آموزشی در مسیر یادگیری
آموزش مهارت‌های نرم و کار تیمی
مشاوره رزومه نویسی و مصاحبه شغلی
کمک به استخدام نفرات برتر

جدول زمان‌بندی

از طریق لینک زیر می‌توانید زمان‌بندی برگزاری کلاس‌های دوره را مشاهده کنید.

Consult

از زبان دانش پذیران آکادمی

دانش‌پذیران دوره‌‌های قبل درباره‌ی دوره چه می‌گویند؟

سلام، روزتون بخیر

بوتکمپ دیتاساینس به دو دلیل برای من خیلی مفید بود:

۱- گستردگی مباحث به شکلیه که فقط در قالب چنین دوره‌ای ممکنه به همه‌ش پرداخته بشه.

۲- تجربه‌ی کار گروهی و یادگیری مهارت‌های نرم برای ورود به بازار کار ضروریه.

در کنار این دو نکته، آشنایی با اساتید، پشتیبان، منتور و سایر دانشپذیران تجربه‌ی منحصر به فردی بود.


امیر قبادی دارینی
امیر قبادی دارینی
مریم مقدم
مجتبی پشتوان
پرستو کریمی
امیررضا ستوده‌نیا
مهدی اسدی

مسیرآموزشی در دانشکار

ورود به دوره

یادگیری در دوره

پس از دوره

هزینه دوره و ثبت‌نام اولیه

بوت‌کمپ استخدامی

Data Science & Machine Learning
ظرفیت ۵۰ نفر

تخفیف ثبت نام زودهنگام تا ۷ آذرماه

سوالات شما پاسخ داده نشد؟

برای دریافت مشاوره تخصصی رایگان روی درخواست مشاوره کلیک کنید.
در سریعترین زمان ممکن کارشناسان آکادمی با شما تماس می‌گیرند.

سوالات متداول

faq

توضیحات تکمیلی در مورد دیتا ساینس

دیتا ساینس یا علم داده چیست؟

علم داده، یک زمینه بین رشته‌ای است که از روش‌ها، الگوریتم‌ها، و سیستم‌های علمی برای استخراج بینش‌ها و دانش از داده‌های ساختاری و بی‌ساختار استفاده می‌کند. این علم شامل تکنیک‌های مختلفی مانند کاوش داده، یادگیری ماشین، تحلیل آماری و مدل‌سازی پیش‌بینی برای کشف الگوها، روندها و ارتباطات در مجموعه‌های داده می‌شود. علم داده نقش بسیار مهمی در اطلاع‌رسانی فرآیندهای تصمیم‌گیری، بهینه‌سازی عملیات و حل مسائل پیچیده در صنایع مختلف از جمله مالی، بهداشت، بازاریابی و فناوری دارد. دانشمندان داده در این زمینه دارای ترکیبی از تخصص در برنامه‌نویسی، ریاضیات و دانش حوزه‌ای هستند که امکان کنترل حجم بزرگ داده‌ها و استخراج بینش‌های قابل اعمال را برای آن‌ها فراهم می‌کند تا استراتژی‌های کسب‌وکار و نوآوری را راه‌اندازی کنند. با رشد و پیچیدگی مداوم داده‌ها، تقاضا برای دانشمندان داده ماهر که قادر به تفسیر، تجزیه‌وتحلیل و استخراج ارزش از داده‌ها هستند، به سرعت افزایش می‌یابد که همین مسئله علم داده را یک جزء اساسی و پویا از جامعه و صنعت مدرن می‌سازد.

مشاهده بیشتر
توضیحات تکمیلی در مورد دیتا ساینس
دانشکار
لوگو ساماندهی دانشکار-SAMANDEHI
دارای مجوز رسمی کاریابی الکترونیکیاز وزارت کار، تعاون و رفاه اجتماعی
لوگو نماد اعتماد دانشکار-ENAMAD
© ۱۴۰۳ تمام حقوق و محتویات این سایت متعلق به شرکت میزان بنیانمی باشد