بوت‌کمپ استخدامی

ظرفیت تخفیف ۱۵ نفر

دیتا ساینس و ماشین لرنینگ

شروع بوت کمپ از ۱۰ خرداد ۱۴۰۴

۲۷۹ نفر فارغ التحصیل بوتکمپ
+۱۱۰ساعت آموزش و پروژه
حدود ۵ ماه
همراه با منتورینگ
کمک به استخدام
۹۰% رضایت از بوتکمپ

دوره علم داده (Data Science): آموزش پروژه‌محور و مسیر ورود به بازار کار

در بوت‌کمپ دیتا ساینس دانشکار، با کمک اساتید حرفه‌ای و آموزش پروژه‌محور، با تمام اصول و ابزارهای مورد‌نیاز 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.

علاوه‌بر 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، تأیید آکادمی را کسب کنید، وارد فرایند 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
معرفی دوره از زبان هدایتگر 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 With Python

  • ● Python Language Basics, IPython, and Jupyter Notebooks
  • ● Built In Data Structures, Functions, and Files
  • ● NumPy Basics: Arrays and Vectorized Computation
  • ● Counting, Probability, and Probability Distributions
  • ● Sampling Distributions
  • ● Getting Started with Pandas
  • ● Descriptive Analytics
  • ● Importance of Data Analytics
  • ● Data Loading, Storage, and File Formats
  • ● Data Cleaning and Preparation
  • ● Data Wrangling: Join, Combine, and Reshape
  • ● Plotting and Visualization
  • ● Data Aggregation and Group Operation
  • ● Estimation and Hypothesis Testing
  • ● Time Series

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

کاربردها و استفاده از ابزار هوش مصنوعی در حوزه دیتا

  • پرامپت نویسی با ابزار‌ها
  • تولید متن و تحلیل کردن

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

Final Project

پروژه‌های واقعی که شما در این بوت کمپ به صورت عملی پیاده سازی خواهید کرد.
  • ● دیتای مسابقات تنیس
  • ● دیتای فروشگاهی

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.

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 With Python

Machine Learning

Advanced Machine Learning

کاربردها و استفاده از ابزار هوش مصنوعی در حوزه دیتا

Interview Preparation

Storytelling & Presentation

Resume

Final Project

Linkedin

Experience Transfer

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
آموزش مهارت‌های نرم و کار تیمی
همراهی پشتیبان در مسیر یادگیری
شبکه سازی با اساتید و دانش پذیران
آموزش رزومه نویسی و آمادگی برای مصاحبه شغلی
کمک به استخدام نفرات برتر
آموزش کار با هوش مصنوعی در حوزه دیتا

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
پرنیان تقوی
فاطمه نوبخت
هدیه کرمی تنها
محمدبهنام نیا
محمدرضا صدیقی
عرشیا همایونی
روزمهر اکبری

مسیرآموزشی در دانشکار

ورود به بوت‌کمپ

یادگیری در بوت‌کمپ

پس از بوت‌کمپ

هزینه دوره و ثبت‌نام اولیه

بوت‌کمپ استخدامی

Data Science & Machine Learning
ظرفیت باقیمانده برای تخفیف ۱۵ نفر

مهلت تخفیف زودهنگام تا ۱۶ اردیبهشت

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

دیتا ساینس چیست و چه کاربردی دارد؟

علم داده (Data Science)، یک حوزه بین رشته‌‌ای است که آمار، ریاضیات، برنامه‌نویسی و مدل‌سازی را برای استخراج اطلاعات و الگوها از داده‌های ساختاریافته و بدون ساختار ترکیب می‌کند. این حوزه شامل فرآیندهایی مانند جمع‌آوری داده‌ها، تمیز کردن، آنالیز، تجسم و مدل‌سازی پیش‌بینی با استفاده از تکنیک‌هایی مانند یادگیری ماشین (Machine Learning) و هوش مصنوعی (Artificial Intelligence) است. علم داده به طور گسترده در صنایع مختلف از جمله مراقبت‌های بهداشتی، مالی، بازاریابی و فناوری، برای بهینه‌سازی در تصمیم‌گیری، ارتقای استراتژی‌های کسب‌وکار، شناسایی تقلب، بهبود تجربیات مشتری و خودکارسازی فرآیندها استفاده می‌شود. سازمان‌ها با استفاده از بیگ دیتاها می‌توانند اطلاعات ارزشمندی به دست آورند که این موضوع منجر به نوآوری، کارایی و مزیت رقابتی می‌شود.

مشاهده بیشتر
دانشکار
لوگو ساماندهی دانشکار-SAMANDEHI
دارای مجوز رسمی کاریابی الکترونیکیاز وزارت کار، تعاون و رفاه اجتماعی
لوگو نماد اعتماد دانشکار-ENAMAD
© ۱۴۰۴ تمام حقوق و محتویات این سایت متعلق به شرکت میزان بنیانمی باشد