دوره آموزشی
آموزش های Coursera
دوبله زبان فارسی

پایتون برای علم داده

پایتون برای علم داده

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

  • اهمیت پایتون در علم داده و کاربردهای واقعی آن را توضیح دهید.
  •  پایتون را برای دستکاری و تحلیل منابع داده‌ی مختلف با پانداس و انواع داده مرتبط اعمال کنید.
  • مصورسازی‌های آموزنده ایجاد کنید و بینش‌ها را از توزیع‌های داده و روابط ویژگی استخراج کنید.
  • یک گردش کار کامل آماده‌سازی داده برای یادگیری ماشین، شامل تغییر مقیاس داده و مهندسی ویژگی توسعه دهید.

توضیحات دوره

درک اهمیت پایتون به عنوان یک ابزار علم داده برای هر فردی که به دنبال استفاده مؤثر از داده است، امری ضروری است. این دوره به گونه‌ای طراحی شده است که به شما مهارت‌ها و دانش اساسی لازم برای موفقیت در حوزه علم داده را آموزش دهد.

این دوره مهارت‌های حیاتی برای دستکاری داده با پانداس، انجام تحلیل‌های آماری و ایجاد مصورسازی‌های مؤثر را آموزش می‌دهد. یاد بگیرید چگونه مسائل واقعی کسب‌وکار را حل کنید و داده را برای کاربردهای یادگیری ماشین آماده کنید. برای ارزیابی‌های چالش‌برانگیز در این دوره پایتون آماده شوید که در آن مهارت‌های خود را در سناریوهای واقعی به کار خواهید گرفت و تجربه یادگیری پرباری خواهید داشت.

به ما بپیوندید و در این دوره شرکت کنید و قدمی به سوی کشفیات مبتنی بر داده بردارید. به تجربه قبلی لازم نیاز ندارید.

پایتون برای علم داده

  • به پایتون برای علم داده خوش آمدید 5:41
  • صحبت متخصص - تجربه یک دانشمند داده با پایتون 3:36
  • پایتون چیست؟ 3:33
  • کار با Jupyter notebooks 7:49
  • آشنایی با مسئله 4:25
  • رویکرد راه‌حل - آماده‌سازی جداول و نمودارها 3:55
  • رویکرد حل - کسب بینش‌ها 4:05
  • رویکرد حل - تحلیل ترافیک هواپیمایی 4:44
  • خلاصه راه‌حل 3:35
  • صحبت متخصص - چرا پایتون زبان انتخابی افراد حرفه‌ای در علم داده است؟ 9:19
  • آشنایی با مسئله 4:26
  • بررسی مسئله 4:52
  • برنامه درسی دوره None
  • راهنمای نصب None
  • کار مؤثر با Jupyter notebooks None
  • یادداشت مهم! None
  • شرح مسئله جهانی None
  • نظرتان را به ما بگویید! None
  • مقدمه 0:41
  • بررسی داده CSV 6:39
  • بازرسی داده 5:11
  • یافتن داده گمشده در داده POS 6:51
  • حذف داده گمشده و ذخیره مجموعه داده پاک‌سازی شده 7:11
  • داده لابراتوار و مسئله 3:19
  • نکته‌ای در مورد ارزیابی‌ها 0:36
  • ساختارهای داده اولیه - لیست‌ها و دیکشنری‌ها 13:32
  • ساختارهای داده اولیه - سری‌ها 3:25
  • ایجاد یک دیتافریم با لیست‌ها، دیکشنری‌ها و سری 3:33
  • برش با دقت 5:49
  • تغییر ایندکس‌ها و ذخیره دیتافریم جدید 4:18
  • هدایت بینش‌های داده 5:55
  • انتخاب داده‌ای که با معیار خاصی مطابقت دارد 4:08
  • انتخاب داده‌ای که با چندین معیار مطابقت دارد 3:44
  • صحبت متخصص - داده خود را درک کنید 5:48
  • محصولات منحصر به‌فرد در مجموعه داده POS چه هستند؟ 6:01
  • یافتن مقادیر خاص در داده 7:13
  • چقدر در هر دسته‌بندی فروش داشتیم؟ 5:36
  • یافتن مجموع‌ها و میانگین‌ها بر اساس برند و دسته‌بندی 6:28
  • گروه‌بندی بر اساس چند attribute 5:46
  • نمایش داده تجمیع‌شده در یک جدول محوری 8:01
  • صحبت متخصص - چگونه بینش‌ها و تحلیل داده یکدیگر را هدایت می‌کنند 5:27
  • کار با تاریخ‌ها 6:40
  • هر ماه چقدر فروش داشتیم؟ 6:06
  • میانگین فروش ماهانه چقدر است؟ 5:01
  • آیا تاریخ‌های خاصی وجود داشت که فروش بالا بود؟ 8:46
  • اگر بیش از یک مجموعه داده داشته باشیم، چطور؟ 5:59
  • ادغام برخی مجموعه‌های داده ساده 5:04
  • ادغام داده POS با داده آنلاین 6:07
  • خلاصه 1:18
  • پاک‌سازی داده با پایتون None
  • منابع - مجموعه‌های داده و Jupyter notebooks None
  • مبانی آمار پایتون None
  • کار با تاریخ‌ها None
  • مقدمه 0:29
  • صحبت متخصص - چرا EDA یک ابرقدرت است؟ 6:06
  • یافتن میانگین داده 6:35
  • درک پراکندگی داده 9:21
  • چندک‌ها - چگونه آن‌ها را درک و مصورسازی کنیم؟ 7:17
  • بررسی تغییرپذیری داده POS 6:35
  • شکل داده من چیست؟ 6:36
  • درک توزیع‌های ویژگی‌ها در داده POS 6:30
  • درک توزیع‌های داده 4:11
  • برخی دیگر از شکل‌های رایج داده - بخش 1 10:40
  • برخی دیگر از شکل‌های رایج داده - بخش 1 6:05
  • برخی دیگر از شکل‌های رایج داده - بخش 2 8:19
  • برخی دیگر از شکل‌های رایج داده - بخش 3 8:27
  • چه شانس‌هایی برای درآمد در یک محدوده مشخص وجود دارد؟ 3:25
  • چگونه ویژگی‌ها به یکدیگر مرتبط هستند؟ - بخش 1 5:49
  • چگونه ویژگی‌ها به یکدیگر مرتبط هستند؟ - بخش 1 5:05
  • چگونه ویژگی‌ها به یکدیگر مرتبط هستند؟ - بخش 2 4:34
  • چگونه ویژگی‌ها به یکدیگر مرتبط هستند؟ - بخش 2 5:00
  • مصورسازی ویژگی‌های دسته‌ای 6:52
  • مصورسازی تناسب‌ها 7:30
  • صحبت متخصص - قدرت مصورسازی و اهمیت آن در داستان‌سرایی 7:09
  • استفاده از نمودارهای جعبه‌ای برای مقایسه درآمدها در بخش‌های مختلف داده POS 7:31
  • ایجاد مصورسازی‌های بهتر - بخش 3 9:05
  • بیان بهتر بینش‌ها با ایجاد نمودارهای فرعی متعدد در یک نمودار یکسان 2:31
  • مقایسه توزیع درآمد برای هر بخش با قرار دادن نمودارهای KDE آن‌ها 7:56
  • نمونه‌گیری از داده - بخش 1 5:07
  • نمونه‌گیری از داده - بخش 2 4:51
  • آشنایی با آزمون فرضیه - بخش 1 5:34
  • آشنایی با آزمون فرضیه - بخش 2 4:15
  • آزمون فرضیه با آزمون Z - بخش 1 6:00
  • آزمون فرضیه با آزمون Z - بخش 2 5:39
  • آزمون فرضیه با آزمون t 6:35
  • آزمون فرضیه با آزمون مربع کای 7:08
  • خلاصه 1:10
  • منابع - مجموعه‌های داده و Jupyter notebooks None
  • مقدمه 4:06
  • صحبت متخصص - مدیریت داده گمشده 7:08
  • با مقادیر گمشده چه کار کنیم؟ 5:08
  • مقادیر گمشده در داده POS 2:30
  • مقادیر گمشده در یک سلسله‌مراتب 7:37
  • مقادیر گمشده در یک سلسله‌مراتب (ادامه) 5:58
  • اگر بخشی از سلسله‌مراتب نیز گمشده باشد چه؟ 2:33
  • تکمیل رفتار با مقدار گمشده در داده POS 5:07
  • مقادیر گمشده - یک مثال ساده‌تر دیگر 8:34
  • کار با ویژگی‌های دسته‌ای 4:57
  • تبدیل ویژگی‌ها - bin کردن و گسسته‌سازی 8:20
  • تبدیل ویژگی‌ها - bin کردن و گسسته‌سازی (ادامه) 6:14
  • کدگذاری ویژگی‌های دسته‌ای - کدگذاری برچسب و one-hot 9:07
  • کدگذاری ویژگی‌ها در داده POS 5:57
  • تکمیل کدگذاری و ذخیره داده کدگذاری شده 3:51
  • نرمال‌سازی داده چیست و چرا به آن نیاز داریم؟ 4:38
  • نرمال‌سازی داده با مقیاس‌بندی min-max 5:49
  • نرمال‌سازی داده با مقیاس Z-score 4:03
  • سایر انواع تبدیل داده 4:41
  • اعمال تبدیل لگاریتمی در داده آنلاین 4:53
  • یافتن داده دورافتاده 5:52
  • حذف داده پرت با drop کردن آن‌ها 4:38
  • چگونه با داده پرت رفتار کنیم؟ - imputation 6:42
  • چگونه با داده پرت رفتار کنیم؟ - capping 4:09
  • خلاصه 2:00
  • منابع - مجموعه‌های داده و Jupyter notebooks None
  • پیش‌پردازش داده None
  • مقدمه 1:20
  • کاهش ابعاد مجموعه‌های داده 6:26
  • بررسی ویژگی‌های مجموعه داده چاقی 7:03
  • تحلیل مولفه اصلی (PCA) چیست؟ 7:39
  • اعمال PCA در داده چاقی 4:56
  • ایجاد نسخه‌ای تبدیل شده از داده از طریق مهندسی ویژگی 8:34
  • صحبت متخصص - Gen AI در پایتون 4:34
  • آشنایی با Gen AI در پایتون برای علم داده 3:36
  • تحلیل سریع داده با PandasAI 4:29
  • مصورسازی سریع داده با PandasAI 3:16
  • خلاصه 1:18
  • راهنمای کامل مهندسی ویژگی None
  • منابع - مجموعه‌های داده و Jupyter notebooks None

4,127,500 825,500 تومان

مشخصات آموزش

پایتون برای علم داده

  • تاریخ به روز رسانی: 1404/06/14
  • سطح دوره:مقدماتی
  • تعداد درس:128
  • مدت زمان :10:27:52
  • حجم :1.44GB
  • زبان:دوبله زبان فارسی
  • دوره آموزشی:AI Academy

آموزش های مرتبط

The Great Courses
1,889,000 377,800 تومان
  • زمان: 04:47:39
  • تعداد درس: 30
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
2,659,500 531,900 تومان
  • زمان: 06:44:45
  • تعداد درس: 35
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
1,501,000 300,200 تومان
  • زمان: 03:48:11
  • تعداد درس: 47
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
7,300,500 1,460,100 تومان
  • زمان: 18:29:24
  • تعداد درس: 115
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
2,113,000 422,600 تومان
  • زمان: 05:21:41
  • تعداد درس: 51
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
9,269,000 1,853,800 تومان
  • زمان: 23:28:00
  • تعداد درس: 170
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
8,762,000 1,752,400 تومان
  • زمان: 22:11:23
  • تعداد درس: 140
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
6,734,500 1,346,900 تومان
  • زمان: 17:03:28
  • تعداد درس: 45
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
8,360,500 1,672,100 تومان
  • زمان: 21:10:47
  • تعداد درس: 202
  • سطح دوره:
  • زبان: دوبله فارسی

آیا سوالی دارید؟

ما به شما کمک خواهیم کرد تا شغل و رشد خود را افزایش دهید.
امروز با ما تماس بگیرید