تسلط به تحلیل داده – NumPy ،Pandas، مصورسازی و Streamlit
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- مدیریت داده عددی بهصورت کارآمد با NumPy
- پاکسازی، سازماندهی و تحلیل مجموعههای داده با استفاده از Pandas
- ایجاد مصورسازیهای جذاب با Matplotlib و Seaborn
- ساخت داشبوردهای تعاملی با Streamlit
- درک مفاهیم آماری کلیدی مورد استفاده در علم داده
- اعمال تکنیکها بر روی مجموعههای داده و مثالهای دنیای واقعی
پیش نیازهای دوره
- آشنایی با مقدمات پایتون
- مبانی آمار
توضیحات دوره
در دنیای امروز، داده همان نفت جدید است و توانایی تحلیل و تفسیر آن، یکی از پرتقاضاترین مهارتها در صنایع مختلف به شمار میرود. کسبوکارها، دولتها و پژوهشگران برای اتخاذ تصمیمات هوشمندانه، کشف الگوها و حل مسائل واقعی به داده وابسته هستند. با این حال، داده خام اغلب بدون ابزارهای مناسب، بینظم و بیمعنا هستند.
این دوره شما را با کتابخانههای ضروری پایتون برای تحلیل داده NumPy Pandas ،Matplotlib ،Seaborn و Plotly آماده میکند تا با اطمینان داده را پاکسازی، پردازش و مصورسازی کنید. NumPy عملیات عددی را قدرتمند میسازد، Pandas مدیریت مجموعههای داده پیچیده را ساده میکند و Matplotlib به شما کمک میکند تا مصورسازیهای متقاعدکنندهای ایجاد کنید و با داده داستانسرایی کنید. این ابزارها در کنار هم، اصول جعبه ابزار هر تحلیلگر داده یا دانشمند داده را تشکیل میدهند.
آنچه این دوره را قدرتمندتر میکند، افزودن Streamlit است؛ ابزاری مدرن که به شما امکان میدهد تحلیلهای خود را به داشبوردهای تعاملی و قابل اشتراک تبدیل کنید. به جای گزارشهای ایستا، یاد خواهید گرفت چگونه اپلیکیشن های پویایی بسازید که بینشهای شما را زنده کنند.
چه دانشجویی باشید که مسیرهای شغلی داده را کاوش میکند، چه مبتدی در برنامهنویسی، یا حرفهای که به دنبال ارتقای مهارتهای خود است، این دوره دانش عملی و پروژههای دنیای واقعی لازم برای متمایز شدن در بازار کار هدایتشده توسط داده را به شما ارائه میدهد.
موفقیت در علم داده با تسلط به ابزارهایی آغاز میشود که به شما کمک میکنند داده را بررسی، تبدیل و مصورسازی کنید. این دوره نظریه و عمل را به هم پیوند میدهد و شما را از اصول تحلیل داده تا ساخت داشبوردهای تعاملی خودتان و آمادهسازی مجموعههای داده برای یادگیری ماشین راهنمایی میکند.
این دوره برای چه کسانی مناسب است؟
- مبتدیانی که میخواهند شغلی در علم داده یا یادگیری ماشین آغاز کنند.
- تحلیلگرانی که به دنبال ارتقای مهارتهای مدیریت داده و مصورسازی مبتنی بر پایتون هستند.
- هر کسی که مشتاق ایجاد گزارشها و داشبوردهای بینشآور، بدون پیچیدگی طاقتفرسا است.
- افرادی که علاقهمند به ساخت وب اپلیکیشن ها با تحلیلهای داده هستند.
- دانشجویان و حرفهایانی که خواهان دانش کاربردی و عملی با مجموعههای داده واقعی هستند.
تسلط به تحلیل داده – NumPy ،Pandas، مصورسازی و Streamlit
-
معرفی دوره 03:25
-
محتوای دوره و نقشه راه 09:37
-
پیشنیازها 02:07
-
نصب پایتون 06:10
-
نصب Jupyter Notebook (Anaconda) 05:19
-
چگونگی استفاده از Jupyter Notebook – بخش 1 17:35
-
چگونگی استفاده از Jupyter Notebook – بخش 2 04:29
-
نصب PyCharm community برای توسعه اپلیکیشن های Streamlit 08:25
-
چرا به آرایهها، DataFrames و تنسورها نیاز داریم؟ 04:32
-
مقدمهای بر NumPy 03:42
-
ویژگیهای آرایهها 02:34
-
ایجاد آرایه 03:15
-
لیست در مقابل آرایهها 04:17
-
بردارها در مقابل ماتریسها در مقابل تنسورها 07:00
-
تغییر شکل و اندازه آرایهها 07:22
-
مقداردهی اولیه آرایهها – متدهای zeros ،ones و full 07:32
-
متد arange 05:13
-
مقدمهای بر Pandas 02:29
-
مستندات Pandas 06:30
-
داده Series در مقابل DataFrame 07:18
-
ایجاد DataFrame با داده 07:22
-
صدور DataFrameها 03:51
-
برچسبگذاری ستونها و شاخصها در DataFrameها 04:02
-
ایجاد DataFrame از فایلهای CSV 05:34
-
DataFrame – متدهای head و tail 04:58
-
DataFrame – ستونها، شاخص، اطلاعات 03:55
-
نمایهگذاری و برش سطرها 04:44
-
ایجاد DataFrame از فایلهای Excel 03:46
-
ایجاد DataFrame از سرورهای داده (اختیاری) 13:55
-
نمایهگذاری ستون و برش ستون 03:07
-
سطرها/ستونهای تکراری 08:39
-
فیلتر کردن DataFrame – شرط تکی 06:55
-
فیلتر کردن با متد filter بر اساس نام ستونها 02:52
-
فیلتر کردن DataFrame – شرایط چندگانه 06:52
-
تبدیل نوع داده – float به int 09:11
-
کار با ستون Datetime 11:16
-
کار با دادههای طبقهای در DataFrame – Unique و Value counts 08:55
-
شمارش مقادیر – شاخص و مقادیر 06:50
-
درج ستون/ستونهای اضافی در DataFrame 05:18
-
درج سطر/سطرهای اضافی در DataFrame 04:09
-
حذف ستون/ستونهای غیرضروری 08:40
-
صدور DataFrame به Excel و CSV 03:40
-
مقدمه بخش 03:10
-
مروری بر تکنیکهای کدگذاری 06:03
-
کدگذاری داده – تابع map 06:56
-
کدگذاری داده – Label Encoding (رویکرد مبتنی بر الگوریتم) 05:45
-
pd.get_dummies (One Hot Encoding) 05:19
-
Label Encoding در مقابل OneHotEncoding 04:25
-
دستهبندی داده – فرآیند باینینگ 16:35
-
مقدمه بخش 02:30
-
مرتبسازی داده – مرتبسازی تکسطحی 07:37
-
مرتبسازی داده – مرتبسازی چندسطحی 06:32
-
Groupby – گروهبندی تکسطحی 10:38
-
گروهبندی چندسطحی 06:40
-
Pivot کردن DataFrameها 10:30
-
DataFrame – joinها، merge، concat 09:07
-
DataFrame – concat 05:18
-
پیوند مرکزی، پیوند چپ و پیوند راست 13:22
-
مقدمه بخش 02:03
-
مقادیر گمشده – تئوری 05:40
-
تأثیر مقادیر گمشده و گزینهها – تئوری 04:48
-
مدیریت مقادیر گمشده – تکنیکهای جبران – تئوری 08:02
-
مدیریت مقادیر گمشده – بخش کدنویسی 16:18
-
داده پرت یا ناهنجاریها 10:25
-
کمیسازی داده پرت از طریق IQR (متد بینچارکی) – تئوری 08:50
-
کمیسازی داده پرت از طریق IQR (متد بینچارکی) – کدنویسی 12:35
-
مدیریت یا جبران داده پرت 04:52
-
مقدمه بخش 02:38
-
نصب کتابخانههای matplotlib ،seaborn و Plotly 06:19
-
نمودارکشی، برچسبها، اندازه برچسبها، رسم داده (x.y) 09:46
-
چندین نمودار در یک گراف 07:09
-
()plt.show – کارکرد و ذخیره نمودارها در حافظه خارجی 04:46
-
نمودارهای میلهای 06:34
-
نمودارهای دایرهای 08:12
-
نمودارهای دایرهای از DataFrameها 06:04
-
نمودارهای پراکندگی 04:09
-
نمودارهای جعبهای 05:03
-
هیستوگرامها 02:57
-
Seaborn – نمودارهای توزیع 08:11
-
Seaborn – Pairplots 06:08
-
Seaborn – نقشه حرارتی 11:04
-
Plotly – نمودارهای سهبعدی 06:29
-
Plotly – مصورسازی تعاملی – نمودارهای پراکندگی 06:40
-
Plotly – مصورسازی تعاملی – نقشههای درختی 06:43
-
Plotly – مصورسازی تعاملی – نمودارهای پرتوی خورشیدی 06:02
-
مقدمه بخش 05:08
-
Streamlit – بررسی 04:52
-
طراحی پروژه و الزامات 05:05
-
راهاندازی پروژه و محیط 14:30
-
اجرای اولین اپلیکیشن 09:27
-
app_development.py 14:03
مشخصات آموزش
تسلط به تحلیل داده – NumPy ،Pandas، مصورسازی و Streamlit
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:91
- مدت زمان :10:19:21
- حجم :4.21GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy