پایتون برای علم داده در 2025 - بررسی EDA با تمرینهای واقعی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- پایهای محکم در تحلیل داده با پایتون بسازید.
- شما قادر خواهید بود با ساختارهای داده پانداس کار کنید: سریها، دیتافریم و Index Objects
- صدها متد و attribute را در میان آبجکتهای متعدد پانداس یاد بگیرید.
- شما قادر خواهید بود فایلهای داده بزرگ و نامنظم را تحلیل کنید.
- شما میتوانید فایلهای داده نامنظم واقعی را برای هوش مصنوعی و یادگیری ماشین آماده کنید.
- داده را به سرعت و به طور کارآمد دستکاری کنید.
- شما تقریباً تمام مبانی پانداس لازم برای تبدیل شدن به یک "تحلیلگر داده" را یاد خواهید گرفت.
پیش نیازهای دوره
- دانشجویان باید تمایل به یادگیری تحلیل داده با زبان پایتون داشته باشند.
- اگر مبانی پایتون را میدانید، خوب است.
- تجربه اولیه یا متوسط با مایکروسافت یا نرمافزارهای صفحهگسترده دیگر خوب است، اما ضروری نیست.
- دانش اولیه نوع داده (رشتهها، اعداد صحیح، ممیز اعشاری، بولینها و غیره) خوب است، اما ضروری نیست.
- دانش اولیه برنامهنویسی یا آشنایی با هر زبان برنامهنویسی دیگر نیز کمک خواهد کرد.
توضیحات دوره
سلام به دانشجوی گرامی، به “پایتون برای علم داده در 2025 - بررسی EDA با تمرینهای واقعی" از سطح مبتدی تا پیشرفته خوش آمدید. ما به برنامهنویسی علاقهمندیم. پایتون یکی از محبوبترین زبانهای برنامهنویسی در دنیای فنی امروز است. پایتون ویژگیهای برنامهنویسی شیگرا و ساختاریافته را ارائه میدهد. به همین خاطر ما در این دوره به تحلیل داده با پانداس علاقمندیم.
این دوره برای افرادی طراحی شده است که آماده هستند مهارتهای تحلیل داده خود را با مجموعه ابزارهای تحلیل داده پایتون، یعنی "پانداس" ارتقا دهند.
این آموزش برای افراد مبتدی و سطح متوسط طراحی شده است، اما این به آن معنا نیست که ما در مورد مباحث پیشرفته نیز صحبت نخواهیم کرد. رویکرد آموزشی ما در این آموزش ساده و مستقیم است و هیچ پیچیدگی برای خسته شدن یا از دست دادن تمرکز وجود ندارد.
در این آموزش، من تمام نکات اصلی که شما برای تبدیل شدن به یک تحلیلگر داده یا دانشمند داده نیاز دارید را پوشش میدهم.
ما رویکردی عملی برای یادگیری به کار میگیریم تا به سادگی و راحتی یاد بگیرید. شما از یادگیری و همچنین از تمرینهایی برای تمرین همراه با پروژههای واقعی لذت خواهید برد (پروژههای موجود بخشی از پروژههای بزرگ تحقیقاتی صنعتی هستند).
آنچه یاد خواهید گرفت:
شما در حین یادگیری از طریق این دوره در موارد زیر متخصص خواهید شد.
- تحلیل داده با پانداس
- شما قادر خواهید بود یک فایل بزرگ را تحلیل کنید.
- پایهای محکم در تحلیل داده با پایتون بسازید.
پس از اتمام دوره، شما تجربهای حرفهای در زمینههای زیر خواهید داشت؛
- ساختارهای داده پانداس : سریها، دیتافریم و Index Objects
- قابلیتهای اساسی
- مدیریت داده
- پیشپردازش داده
- آمادهسازی داده
- گروهبندی داده
- تجمع داده
- Pivoting
- کار با ایندکسهای سلسلهمراتبی
- تبدیل انواع داده
- تحلیل سری زمانی
- ویژگیهای پیشرفته پانداس و بسیاری موارد دیگر با تمرینهای عملی
- استانداردهایی مثل Krish Naik# و KRISHAI#
بررسی سریع سریها؛
- متدها و مدیریت سریها
- معرفی دیتافریمها
- بررسی عمیق دیتافریمها
- کار با چند دیتافریمها
- MultiDimensional شدن
- GroupBy و تجمیعها
- شکلدهی مجدد با Pivots
- کار با تاریخها و زمان
- عبارات منظم و دستکاری متن
- مصورسازی داده
- ورودیوخروجی و فرمتهای داده
پانداس و پایتون به صورت مکمل یکدیگر عمل میکنند که به همین دلیل این دوره شامل کدنویسی پانداس به طور کامل نیز میباشد تا به شما در نوشتن کد پایتونی در کمترین زمان کمک کند.
این دوره برای چه کسانی مناسب است؟
- توسعهدهندگان مبتدی پایتون - کنجکاو برای یادگیری علم داده یا تحلیل داده
- افراد مبتدی در تحلیل داده
- علاقمندان به علم داده که میخواهند پایتون را به مجموعه ابزار خود اضافه کنند.
- دانشجویان و سایر متخصصان
- علاقمندان به هوش مصنوعی و یادگیری ماشین که میخواهند دانش خود را در پیشپردازش داده قبل از اعمال الگوریتمهای یادگیری ماشین در پروژههای خود ارتقا دهند.
- جویندگان شغل تحلیلگر داده که میخواهند رزومه خود را با مجموعه ابزار تحلیل داده پایتون بروز کنند.
پایتون برای علم داده در 2025 - بررسی EDA با تمرینهای واقعی
-
مقدمه دوره 03:35
-
چگونه بیشترین استفاده را از این دوره داشته باشیم؟ 02:05
-
بهتر است این موارد را بدانید 02:57
-
چگونه پایتون، IPython و Jupyter Notebook را نصب کنیم؟ 08:26
-
چگونه آناکوندا را برای کاربران macOS و Linux نصب کنیم؟ 06:37
-
چگونه با Jupyter Notebook کار کنیم؟ - بخش 1 16:12
-
چگونه با Jupyter Notebook کار کنیم؟ - بخش 2 10:59
-
چگونه با داده جدولی کار کنیم؟ 05:22
-
چگونه مستندات پانداس را بخوانیم؟ 13:48
-
تئوری درباره ساختارهای داده پانداس 05:43
-
چگونه سریهای پانداس را ساختاردهی کنیم؟ 12:18
-
چگونه آبجکتهای دیتافریم را ساختاردهی کنیم؟ 13:01
-
چگونه Index Objects پانداس را ساختاردهی کنیم؟ 12:16
-
تمرین - بخش 1 04:10
-
حل تمرین - بخش 1 21:58
-
تئوری درباره ایندکسگذاری و انتخاب داده 05:49
-
انتخاب داده در سریها - بخش 1 05:43
-
انتخاب داده در سریها - بخش 2 02:15
-
ایندکسگذاری Loc و Iloc در سریها 12:12
-
انتخاب داده در دیتافریم - بخش 1 04:33
-
انتخاب داده در دیتافریم - بخش 2 03:27
-
دسترسی به مقادیر با Loc ،Iloc و Ix در آبجکتهای دیتافریم 09:01
-
تمرین - بخش 2 02:38
-
حل تمرین - بخش 2 12:49
-
تئوری درباره قابلیتهای اساسی 10:02
-
چگونه آبجکتهای پانداس را دوباره ایندکسگذاری کنیم؟ 11:44
-
چگونه ورودیها را از یک محور حذف کنیم؟ 08:11
-
محاسبات و همراستایی داده 07:20
-
روشهای محاسباتی با Fill Values 15:25
-
Broadcasting در پانداس 06:56
-
Apply و Applymap در پانداس 07:52
-
چگونه در پانداس مرتبسازی و رتبهبندی کنیم؟ 13:22
-
چگونه با ایندکسهای تکراری کار کنیم؟ 04:06
-
خلاصهسازی و محاسبه آمار توصیفی 07:02
-
مقدارهای منحصر به فرد و تعداد مقادیر و عضویت 12:00
-
تمرین - بخش 3 02:16
-
حل تمرین - بخش 3 16:57
-
تئوری درباره مدیریت داده 04:32
-
چگونه فایلهای CSV را بخوانیم؟ - بخش 1 19:27
-
چگونه فایلهای CSV را بخوانیم؟ - بخش 2 14:38
-
چگونه فایلهای متنی را به صورت بخش بخش بخوانیم؟ 07:24
-
چگونه داده را در فرمت متنی اکسپورت کنیم؟ 09:47
-
چگونه از ماژول CSV پایتون استفاده کنیم؟ 10:40
-
تمرین - بخش 4 02:41
-
حل تمرین - بخش 4 15:30
-
تئوری درباره پیشپردازش داده 10:53
-
چگونه مقادیر گمشده را مدیریت کنیم؟ 09:34
-
چگونه مقادیر گمشده را فیلتر کنیم؟ 09:01
-
چگونه مقادیر گمشده را فیلتر کنیم؟ - بخش 2 09:08
-
چگونه ردیفها و مقادیر تکراری را حذف کنیم؟ 12:25
-
چگونه مقادیر Non Null را جایگزین کنیم؟ 09:04
-
چگونه نام برچسبهای محور را تغییر دهیم؟ 06:41
-
چگونه داده را گسسته سازی و Bin کنیم؟ - بخش 1 22:03
-
چگونه داده پرت را شناسایی و فیلتر کنیم؟ 03:46
-
چگونه تغییر ترتیب و انتخاب تصادفی انجام دهیم؟ 07:07
-
تبدیل متغیرهای دستهبندی به متغیرهای ساختگی 09:49
-
چگونه از متد map استفاده کنیم؟ 06:52
-
چگونه با رشتهها دستکاری کنیم؟ 12:24
-
استفاده از عبارات منظم 20:09
-
کار با توابع رشته برداری 08:07
-
تمرین - بخش 5 02:33
-
حل تمرین - بخش 5 14:37
-
تئوری درباره آمادهسازی داده 07:42
-
ایندکسگذاری سلسلهمراتبی 08:12
-
ایندکسگذاری سلسلهمراتبی، تغییر ترتیب و مرتب سازی 06:47
-
آمار خلاصه بر اساس سطح 02:47
-
ایندکسگذاری سلسلهمراتبی با ستونهای دیتافریم 05:03
-
چگونه آبجکتهای پانداس را ادغام کنیم؟ 19:40
-
ادغام در ایندکس سطر 13:10
-
چگونه در طول یک محور Concatenate کنیم؟ 18:37
-
چگونه با همپوشانی ترکیب کنیم؟ 06:46
-
چگونه داده را در پانداس دوباره شکلدهی و Pivot کنیم؟ 08:51
-
تمرین - بخش 6 01:22
-
حل تمرین - بخش 6 06:11
-
تئوری درباره Groupby و تجمیع داده 03:59
-
عملیات Groupby 15:37
-
چگونه بر روی آبجکت Groupby تکرار کنیم؟ 05:45
-
چگونه در متد Groupby ستونها را انتخاب کنیم؟ 02:59
-
گروهبندی با دیکشنریها و سریها 02:57
-
گروهبندی با توابع و سطح ایندکس 05:28
-
تجمیع داده 10:19
-
تمرین - بخش 7 02:54
-
حل تمرین - بخش 7 13:10
-
تئوری درباره تحلیل سری زمانی 06:28
-
آشنایی با نوع داده سری زمانی 10:12
-
چگونه رشته و تاریخ و زمان را به یکدیگر تبدیل کنیم؟ 14:40
-
مبانی سری زمانی با آبجکتهای پانداس 12:53
-
محدودههای تاریخ، فراوانی و جابهجایی 11:21
-
محدودههای تاریخ، فراوانی و جابهجایی بخش 2 10:41
-
مدیریت منطقه زمانی 08:50
-
دورهها و حساب دورهای 10:46
-
تمرین - بخش 8 02:41
-
حل تمرین - بخش 8 12:12
-
آشنایی با پروژههای پانداس 10:30
-
توضیحات پروژه 1 04:41
-
حل پروژه 1 - بخش 1 17:29
-
حل پروژه 1 - بخش 2 13:47
-
توضیحات پروژه 2 02:19
-
حل پروژه 2 19:29
-
توضیحات پروژه 3 02:37
-
حل پروژه 3 - بخش 1 12:07
-
حل پروژه 3 - بخش 2 12:25
مشخصات آموزش
پایتون برای علم داده در 2025 - بررسی EDA با تمرینهای واقعی
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:102
- مدت زمان :15:45:13
- حجم :6.4GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy