دوره تحلیل داده پیشرفته - امروز به یک تحلیلگر داده تبدیل شوید
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- مهارتهای کامل تحلیل داده ضروری برای یک تحلیلگر داده
- روشهای مختلف خواندن و دستکاری داده با ماژولهای پایتون
- مصورسازی داده با ماژولهای مختلف پایتون
- مهارتهای پایهای کامل که برای انتقال آسان به علم داده نیاز است.
پیشنیازهای دوره
برای شرکت در این دوره هیچ پیشنیاز خاصی وجود ندارد.
توضیحات دوره
این دوره یک دوره جامع است که برای تجهیز شرکتکنندگان به مهارتها و دانشهای بنیادی لازم برای موفقیت در حوزه علم داده و یادگیری ماشین طراحی شده است. در طول این برنامه، دانشجویان به مفاهیم کلیدی، تکنیکها و ابزارهای ضروری برای استفاده از داده برای استخراج بینشهای معنادار و انجام تحلیل با تکنیکهای جذاب مصورسازی میپردازند.
این دوره با معرفی اصول علم داده آغاز میشود که موضوعاتی مانند دستکاری، پاکسازی و مصورسازی داده با ابزارهای محبوبی مانند پایتون و کتابخانههایی مانند پانداس، NumPy ،matplotlib ،Plotly ،Seaborn و غیره را پوشش میدهد. تاکید ویژهای بر کاربرد عملی هر مفهوم با مثالهای واقعی برای تحلیل مجموعه دادهها، شناسایی الگوها و توسعه مهارتهای تحلیلی وجود دارد.
در پایان این برنامه، دانشجویان یک پایه قوی در علم داده برای یادگیری ماشین خواهند داشت که به آنها این امکان را میدهد تا با اطمینان به چالشهای پیچیده داده بپردازند، تصمیمات مبتنی بر داده اتخاذ کنند و بهطور مؤثر در حوزههای مختلف مشارکت کنند. چه دانشمندان داده آینده یا متخصصان که به دنبال ارتقاء مهارتهای خود هستند، این دوره ابزارها و دانش لازم برای موفقیت در دنیای مبتنی بر داده امروز را در اختیار افراد قرار میدهد.
این دوره بهدقت طراحی شده و هر موضوع بهگونهای ارائه شده است که دانشجویان بیشترین بهره را از زمان خود در یادگیری دوره ببرند.
این دوره برای چه کسانی مناسب است؟
- دانشجویانی که میخواهند به عنوان یک تحلیلگر داده کار کنند.
- افرادی که میخواهند به علم داده منتقل شوند.
- افرادی که میخواهند پایتون برای علم داده را به عنوان یک مهارت به مجموعه مهارتهای خود اضافه کنند.
- برنامهنویسانی که میخواهند به علم داده منتقل شوند.
دوره تحلیل داده پیشرفته - امروز به یک تحلیلگر داده تبدیل شوید
-
انگیزه برای یادگیری پایتون 05:56
-
آشنایی با پایتون 08:58
-
آشنایی با آناکوندا و Jupyter Note Book 07:01
-
نصب آناکوندا 09:26
-
آشنایی با رابط کاربری Jupyter Notebook 08:54
-
سینتکس زبان برنامهنویسی 10:17
-
کاراکتر خط جدید 02:28
-
عناصر، کلیدواژهها و Identifierها 11:03
-
دستور کامنتها 08:19
-
تخصیص متغیر 13:46
-
نوع داده - قسمت 1 - در برنامهنویسی پایتون 09:02
-
نوع داده - قسمت 2 31:48
-
تبدیل نوع داده 08:20
-
فرمتبندی خروجی و تابع ورودی 13:36
-
عملگرها در برنامهنویسی پایتون 25:35
-
دستورات IF 19:56
-
دستورات حلقه While 14:35
-
دستور حلقه For 41:33
-
دستورات break و continue 17:52
-
لیستها - قسمت 1 20:38
-
لیستها - قسمت 2 25:22
-
تاپلها 19:48
-
رشتهها 25:16
-
مجموعهها 29:52
-
دیکشنری 21:52
-
توابع 27:23
-
آرگومانها و پارامترهای تابع 14:35
-
توابع داخلی 16:53
-
تابع بازگشتی 09:48
-
تابع لامبدا 09:29
-
ماژولها، پکیج و کتابخانهها 19:04
-
عملیات ورودی و خروجی فایل 26:20
-
کار با دایرکتوری و فایلهای پایتون 10:02
-
مدیریت استثنا با پایتون 15:58
-
Comprehension در پایتون 10:39
-
پروژه 1 - تحلیل داده توییتر 17:42
-
پروژه 2 - تحلیل داده توییتر 11:18
-
پروژه 3 - تحلیل داده توییتر 06:02
-
پروژه 4 - تحلیل داده توییتر 08:41
-
پروژه 5 - تحلیل داده توییتر 04:01
-
آشنایی با Matplotlib 02:00
-
ترسیم نمودار خطی 14:55
-
ترسیم نمودار میلهای 12:44
-
هیستوگرام و نمودار پراکندگی 06:07
-
نمودار انباشته و نمودار پای 08:43
-
نمودارهای فرعی 11:48
-
آشنایی با Numpy 15:49
-
ایجاد آرایه Numpy 15:51
-
Reshape و Arange در Numpy 10:45
-
تبدیل آرایه Numpy 13:28
-
دسترسی به مقادیر آرایه 22:44
-
عملیاتهای Numpy 23:00
-
ایندکسگذاری Fancy و مرتبسازی آرایهها 15:38
-
محصولات آرایه و Concatenation 23:11
-
Broadcasting 14:50
-
آشنایی با پانداس 04:34
-
سری پانداس 21:23
-
دیتافریمهای پانداس 24:43
-
مدیریت داده گمشده 25:56
-
انتخاب شرطی و ایندکسگذاری مجدد 11:56
-
ورودی داده و خروجی داده 11:38
-
پردازش داده 22:37
-
گروهبندی و جدول محوری 15:59
-
Concatenate کردن دیتافریمها و درج ردیفها 13:56
-
منطق ادغام و Concatenate کردن 19:09
-
ادغام و جوین 15:44
-
ضرب دکارتی بین دیتافریمها 05:55
-
مدیریت داپلیکیتهای در دیتافریمها 12:31
-
مدیریت رشته 23:03
-
تاریخ و زمان - ایجاد تاریخ و زمان 11:38
-
تاریخ و زمان - توابع تاریخ و زمان پانداس 11:40
-
تاریخ و زمان - خواندن تاریخها با Informatها 25:44
-
سری تاریخ و زمان - DateRange و DateOffs 13:43
-
آشنایی با آمار 06:33
-
آشنایی با آمار استنباطی 08:48
-
معیارهای گرایش به مرکز 13:11
-
معیارهای پراکندگی 10:40
-
آشنایی با احتمال 09:43
-
انواع توابع احتمال 05:46
-
تابع چگالی احتمال 17:32
-
تابع توزیع تجمعی 16:07
-
چولگی و کشیدگی 09:17
-
نمودار جعبهای 17:43
-
نمودار KDE 17:43
-
کوواریانس 15:20
-
همبستگی و علیت 21:32
-
آشنایی با رگرسیون خطی 18:51
-
تحلیل داده اکتشافی با مجموعه داده کلاس درس 21:42
-
تحلیل داده اکتشافی با مجموعه داده بارندگی IMD 30:56
-
تحلیل داده اکتشافی از مجموعه داده املاک 25:45
-
تحلیل داده اکتشافی با مجموعه داده عملکرد بازیکنان IPL 28:33
مشخصات آموزش
دوره تحلیل داده پیشرفته - امروز به یک تحلیلگر داده تبدیل شوید
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:همه سطوح
- تعداد درس:91
- مدت زمان :23:38:12
- حجم :13.5GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy