این درس از دو بخش عمده تشکیل شده است:

• تحلیل داده:

   بهره بردن از کتابخانه‌ها و امکانات زبان پایتون برای تحلیل داده و در ادامه آشنایی عمیق با مفاهیم آماری، پایه‌ی تفکر داده‌کاوی شما را شکل خواهد داد. به عنوان مثال در یکی از تمرین‌های این بخش بر اساس داده‌های فوتبال لالیگا، عملکرد باشگاه‌های فوتبال اسپانیا را با رسم نمودار از چند منظر ارزیابی خواهید کرد.

• یادگیری ماشین:

   در این بخش با الگوریتم‌های مختلف یادگیری ماشین آشنا می‌شوید و از ابزارهایی که در بخش قبلی آموخته‌اید در ترکیب با این الگوریتم‌ها، اطلاعات جالبی از داده‌هایی که در اختیارتان قرار می‌گیرد استخراج می‌کنید. به عنوان مثال، می‌آموزید که چه‌طور می‌توان با کمک داده‌های قیمت خانه‌ها، قیمت یک خانه تازه‌ساخته‌شده را پیش‌بینی کرد!

مهارت‌هایی که با گذراندن این دوره کسب می‌کنید:

• تفکر آماری برای تحلیل داده
• تحلیل اکتشافی و تصویر‌سازی داده
• تجربه‌ی استفاده از پایتون و کتابخانه‌های تخصصی آن برای کار با داده
• یادگیری نظارت شده برای مدل‌سازی و پیش‌بینی آینده
• یادگیری نظارت نشده برای خوشه‌بندی

در نهایت شما وارد مسیر رسیدن به شغل‌هایی مثل دانشمند داده (Data Scientist)، مهندس یادگیری ماشین (Machine Learning Engineer) و یا مهندس هوش مصنوعی (AI Engineer) می‌شوید. 

چرا داده‌کاوی و یادگیری ماشین؟

در دهه‌های اخیر با پیشرفت تکنولوژی و توانایی در تولید و ذخیره داده در زمینه‌های مختلف علوم از جمله ژنتیک، اقتصاد، اخترشناسی و… نیاز به چارچوبی برای تحلیل سیستماتیک و خودکار انبوهی از داده که در اختیار داریم خود را نمایان کرد، و عصری جدید شروع شد که آن را «دوران ابر داده» یا “Big Data Era” می‌نامند. امروزه چون داده، محور اصلی بیشتر کسب‌وکارها و حتی پروژه‌های تحقیقاتی است، تحلیل آن نیز بخش جدایی‌ناپذیری از فرآیند آنها شده است. این نیاز در کسب‌وکارهای داخل کشور نیز وجود دارد و متخصصان تحلیل داده و یادگیری ماشین می‌توانند در حل چالش‌های سازمان‌ها نقشی کلیدی ایفا کنند. هدف از این درس و مجموعه‌های بعدی آن پاسخی به نیاز بازار کار به مختصصان علوم‌داده و یادگیری ماشین است.