تحلیل، شبیهسازی، مصورسازی و اکتشاف داده
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- تسلط به تایپهای داده پایتون و Numpy
- بررسی عمیق کتابخانه Pandas برای یادگیری تکنیکهای تحلیل داده
- تسلط به Matplotlib، قدرتمندترین کتابخانه پایتون برای مصورسازی و ترسیم نمودار داده
- یادگیری سفارشیسازی پیشرفته مانند نمودارهای فرعی، استایلدهی و برنامهنویسی شیگرا با Matplotlib
- بررسی عمیق Seaborn، کتابخانهای برای مصورسازی و استنتاج داده
- یادگیری نمودارهای پراکندگی، نمودارهای دستهای، نمودارهای توزیع، نمودارهای مقایسهای، گریدهای Seaborn، نمودارهای دایرهای و ماتریس
- یادگیری تحلیل داده و مصورسازی داده با تکمیل یک پروژه
- شبیهسازیهای مونته کارلو و مصورسازی با تستها و تمرینات متعدد
- یادگیری ایجاد و مصورسازی داده سری زمانی مختلف مانند سریهای ایمپالس، مربعی، مثلثی، سینوسی و مصنوعی برای تقلید از داده واقعی
- یادگیری نحوه ایجاد تصاویر و ترسیم شکلهای مختلف روی تصاویر مانند خطوط، لبهها، گوشهها، حلقهها و دایرهها
- یادگیری نحوه ایجاد مجموعه داده تصاویر سفارشی خودتان
پیشنیازهای دوره
- آشنایی با ریاضیات سطح دبیرستان توصیه میشود، اما ضروری نیست.
توضیحات دوره
این یک دوره کامل و جامع در مورد تحلیل، شبیهسازی، مصورسازی و اکتشاف داده است. این دوره عملی طراحی شده تا با حل پروژهها و تمرینها، با استفاده از مهمترین پکیجها و کتابخانههای پایتون مانند NumPy ،Pandas ،Matplotlib و Seaborn، شما را به یک کارشناس تبدیل کند.
مباحث دوره
رفرشر NumPy و پایتون
در این بخش از دوره، ما اصول و مبانی پایه پایتون را یاد میگیریم. اگر شما چیزی در مورد پایتون نمیدانید، نگران نباشید، این بخش تمام اصول مورد نیاز را به شما ارائه خواهد کرد.
Pandas (تحلیل داده)
در این بخش به عمق Pandas میپردازیم تا یاد بگیریم چگونه از سریها و دیتافریمهای Pandas، متد groupby، جدول محوری، فیلترینگ شرطی با Pandas، ترکیب دیتافریمها و دیگر تکنیکهای پیشرفته تحلیل داده استفاده کنیم.
Matplotlib (ترسیم نمودار و مصورسازی داده)
ما هر آنچه که باید در مورد Matplotlib بدانیم، از اصول تا پیشرفته را یاد میگیریم. ما میآموزیم چگونه شکلها و نمودارها را از تک بعدی به سهبعدی سفارشی کنیم.
Seaborn (مصورسازی و استنتاج داده)
در این بخش، ما به عمق Seaborn میپردازیم. این پکیج مصورسازی، مهمترین ابزار برای مصورسازی و استنتاج داده است. این کتابخانه نمودارها و مصورسازیها را به گونهای ارائه میدهد که نه تنها میتوانیم آنها را مشاهده کنیم، بلکه میتوانیم اطلاعات آماری از داده، مانند توزیع داده، میانگین، میانه، محدوده بین چارکی و غیره را استنتاج کنیم.
پروژه (تحلیل و مصورسازی داده)
بعد از یادگیری Pandas ،Matplotlib و Seaborn، اکنون وقت آن است که پروژهای را انجام دهیم که نیاز به دانش سه بخش فوق دارد. در این بخش شما باید پروژه را حل کنید تا در تحلیل داده و مصورسازی تخصص پیدا کنید.
شبیهسازیهای مونته کارلو و مصورسازی
ما شبیهسازی مونته کارلو را زمانی انجام میدهیم که از نتیجه فرآیند خاصی مطمئن نیستیم. در این بخش ما چندین تست از شبیهسازیهای مونته کارلو انجام میدهیم و در انتهای این بخش شما یک تمرین حل خواهید کرد تا مفاهیم خود را تقویت کنید.
تولید و مصورسازی سریهای زمانی
سریهای زمانی یکی از تایپهای داده بسیار مهم هستند که کاربردهای عملی فراوانی دارند. در این بخش شما یاد میگیرید چگونه انواع مختلف داده سری زمانی را ایجاد کنید. در انتهای این بخش، شما یک تمرین حل خواهید کرد تا به تولید و مصورسازی سریهای زمانی تسلط پیدا کنید.
ایجاد تصویر و مصورسازی
تصویر، تایپ داده بسیار مهم دیگری است. این بخش به شما کمک میکند تا یاد بگیرید چگونه تصاویر رنگی و خاکستری خود را ایجاد کنید. همچنین یاد میگیریم چگونه خطوط، لبهها، گوشهها، حلقهها و دایرهها را روی تصاویر ترسیم کنیم. همچنین خواهیم آموخت چگونه مجموعه داده تصاویر سفارشی خود را ایجاد کنیم. در انتهای این بخش شما یک تمرین حل خواهید کرد تا درک کاملی از ایجاد و مصورسازی تصویر پیدا کنید.
این دوره برای چه کسانی مناسب است؟
- دانشمندان داده که میخواهند ابزارهای تحلیل و مصورسازی داده را یاد بگیرند.
- کسی که میخواهد یاد بگیرد چگونه داده را شبیهسازی و مصورسازی کند.
- کسی که میخواهد مهارتهای برنامهنویسی پایتون را بهبود بخشد.
- مهندسان
- آماردانان
- دانشمندان کامپیوتر
- تحلیلگران کسبوکار
تحلیل، شبیهسازی، مصورسازی و اکتشاف داده
-
مقدمه 11:23
-
چگونه در این دوره موفق شویم؟ 01:04
-
مقدمه بخش 02:23
-
نصب درایو و خواندن مجموعه داده 13:51
-
نصب درایو و خواندن و نمایش تصویر 08:01
-
خواندن مجموعه دادههای بیشتر 04:43
-
آپلود مباحث دوره در گوگل درایو 02:38
-
مقدمه بخش 02:03
-
عملیاتهای حسابی با پایتون 12:29
-
عملگرهای مقایسه و منطقی 05:43
-
دستورات شرطی 05:44
-
NumPy - بخش 1 - ایجاد آرایهها 09:58
-
NumPy - بخش 2 - متدها و ویژگیها 15:02
-
NumPy - بخش 3 - ایندکسگذاری و اسلایس کردن 10:52
-
NumPy - بخش 4 - برودکستینگ با آرایههای NumPy 10:13
-
لیستها در پایتون 20:27
-
حلقه For - بخش 1 21:03
-
حلقه For - بخش 2 20:36
-
حلقه While 12:16
-
رشتهها در پایتون 12:39
-
فرمتبندی چاپ با رشتهها 03:36
-
دیکشنریها - بخش 1 07:11
-
دیکشنریها - بخش 2 08:04
-
توابع در پایتون - بخش 1 08:15
-
توابع در پایتون - بخش 2 07:59
-
تاپلها 06:25
-
تابع لامبدا 08:48
-
تابع نقشه 07:47
-
تابع کاهش 05:13
-
تابع Filter 04:47
-
تابع Zip 08:31
-
تابع جوین 04:13
-
مقدمه بخش 03:39
-
ایجاد سریهای Pandas 12:15
-
عملیاتها روی سریهای Pandas 07:04
-
ایجاد دیتافریم Pandas 17:18
-
کار با سطرها و ستونهای دیتافریمها 12:38
-
مدیریت مقادیر گمشده 17:49
-
فیلترینگ Pandas 15:21
-
متدهای Pandas 17:49
-
ترکیب دیتافریمها 12:19
-
متد groupby در Pandas 14:17
-
ایندکسگذاری چندسطحی در Pandas 10:09
-
متد تاریخ و زمان Pandas - بخش 1 12:42
-
متد تاریخ و زمان Pandas - بخش 2 09:17
-
جدول محوری در Pandas 18:13
-
مقدمه بخش 02:55
-
نمودار اول با Matplotlib 04:06
-
نمودار دوم در یک شکل 03:11
-
تغییر رنگ خط نمودار 03:08
-
تغییر اندازه شکل 01:56
-
تغییر عرض خط نمودار 02:14
-
برچسبگذاری محورهای نمودار 03:42
-
افزودن لجند و عنوان به نمودار 03:08
-
تنظیم محدوده برای محور X و Y نمودار 05:55
-
افزودن تیکها به محور X و Y 05:54
-
تغییر استایل خط و افزودن سفارشیسازیهای بیشتر 05:58
-
تنظیم استایلها با Matplotlib 03:11
-
ترسیم نمودارهای فرعی در Matplotlib 18:11
-
پارامترهای rc در Matplotlib 10:55
-
ایجاد آبجکت شکل - OOP در Matplotlib 22:26
-
ترسیم نمودارهای فرع با آبجکت شکل 13:10
-
نمودارهای پیشرفته Matplotlib - بخش 1 17:40
-
نمودارهای پیشرفته Matplotlib - بخش 2 16:26
-
مقدمه بخش 03:00
-
نمودارهای پراکندگی 05:35
-
نمودارهای پراکندگی در Seaborn 14:37
-
نمودارهای توزیع 08:07
-
نمودارهای توزیع در Seaborn - بخش 1 10:49
-
نمودارهای توزیع در Seaborn - بخش 2 14:16
-
نمودارهای دستهای 18:34
-
نمودارهای دستهای (countplot و barplot در Seaborn) 14:22
-
نمودارهای دستهای (نمودار جعبهای و نمودار ویولن در Seaborn) 11:14
-
نمودارهای دستهای (نمودار سوارم و نمودار جعبهای در Seaborn) 12:01
-
نمودارهای مقایسه (jointplot و pairplot در Seaborn) 15:52
-
گریدهای Seaborn 14:21
-
نمودارهای ماتریس (نقشه حرارتی و نقشه خوشهای در Seaborn) 11:50
-
نمودارهای مدل خطی (lm) در Seaborn 07:38
-
نمودار دایرهای 09:31
-
بررسی تمرین پروژه 15:39
-
راهحل تمرین پروژه - بخش 1 22:29
-
راهحل تمرین پروژه - بخش 2 18:20
-
مقدمه بخش 04:58
-
پرتاب یک سکه و یک جفت سکه 04:25
-
شبیهسازیهای مونتهکارلو - پرتاب یک سکه واحد 14:28
-
شبیهسازیهای مونتهکارلو - پرتاب یک جفت سکه 09:05
-
پرتاب یک تاس و جفت تاس 02:27
-
شبیهسازیهای مونتهکارلو - پرتاب یک تاس واحد 09:07
-
شبیهسازیهای مونتهکارلو - پرتاب یک جفت تاس و دریافت دو شش 07:57
-
شبیهسازیهای مونتهکارلو - پرتاب یک جفت تاس و دریافت دو پس از شش 04:30
-
بررسی تمرین 1 02:10
-
راهحل تمرین 1 06:24
-
بررسی تمرین 2 01:29
-
راهحل تمرین 2 04:28
-
مقدمه بخش 02:37
-
سریهای ایمپالس 03:47
-
تولید و مصورسازی سریهای ایمپالس 07:02
-
تولید و مصورسازی سریهای موج مربع 05:42
-
تولید و مصورسازی سریهای مثلثی 06:45
-
سریهای زمانی سینوسی 02:48
-
تولید و مصورسازی سریهای زمانی سینوسی 02:40
-
سریهای زمانی نمایی 03:00
-
تولید و مصورسازی سریهای زمانی نمایی 03:54
-
تولید و مصورسازی سریهای زمانی Chirp 03:23
-
تولید و مصورسازی سریهای زمانی مصنوعی 05:21
-
بررسی تمرین 01:50
-
راهحل تمرین 02:54
-
مقدمه بخش 02:09
-
اصول تصویر با NumPy و Matplotlib 11:51
-
خط، لبه و گوشه یک تصویر 03:47
-
ترسیم و مصورسازی خط روی تصویر 10:43
-
ایجاد و مصورسازی لبه و گوشه روی تصویر 17:13
-
ایجاد و مصورسازی حلقه و دایره روی تصویر 03:28
-
ایجاد مجموعه داده تصویر سفارشی شامل 4000 تصویر 12:07
-
بررسی تمرین 02:55
-
راهحل تمرین 06:46
مشخصات آموزش
تحلیل، شبیهسازی، مصورسازی و اکتشاف داده
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:همه سطوح
- تعداد درس:116
- مدت زمان :17:12:14
- حجم :5.94GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy