دوره تحلیل‌گر داده: بوت‌کمپ کامل تحلیل‌گر داده

آنچه یاد خواهید گرفت:

• این دوره آماده‌سازی کامل لازم برای تبدیل شدن به یک تحلیل‌گر داده را فراهم می‌کند.
• رزومه خود را با مهارت‌های پرطرفدار داده پر کنید: برنامه‌نویسی پایتون، NumPy، پانداس، آماده‌سازی داده - جمع‌آوری داده، پاکسازی داده، پیش‌پردازش داده، مصورسازی داده؛ تحلیلگر داده، تحلیل داده
• درک کلی از نقش تحلیل‌گر داده کسب کنید.
• یادگیری Python مبتدی و پیشرفته
• مطالعه ریاضیات برای Python
• آموزش NumPy و pandas، مبانی و پیشرفته
• توانایی کار با فایل‌های متنی
• درک انواع مختلف داده‌ها و میزان استفاده آن‌ها از حافظه
• یادگیری نحوه دریافت اطلاعات جالب و بلادرنگ از یک API با یک اسکریپت ساده
• پاکسازی داده با سری های pandas و DataFrames
• انجام تمرین پاکسازی داده در زمینه نرخ غیبت
• گسترش دانش خود در NumPy – آمار و پیش‌پردازش
• بررسی کامل مطالعه موردی داده‌های وام و به‌کارگیری مهارت‌های NumPy
• تسلط به مصورسازی داده
• یادگیری نحوه ایجاد نمودارهای دایره‌ای، میله‌ای، خطی، منطقه‌ای، هیستوگرام، پراکندگی، رگرسیون و combo 
• شرکت در تمرین‌های کدنویسی که شما را برای شغل آماده می‌کند
• تمرین با داده‌های دنیای واقعی
• حل پروژه پایانی جامع

پیش‌نیازهای دوره

• نیازی به تجربه قبلی نیست. از پایه‌ترین مباحث شروع خواهیم کرد.
• باید Anaconda را نصب کنید. نصب آن را مرحله به مرحله آموزش خواهیم داد.

توضیحات دوره

مسئله

اکثر دوره‌های تحلیل‌گر داده، علم داده و برنامه‌نویسی یک مرحله عملی حیاتی را از قلم می‌اندازند. آن‌ها به شما نمی‌آموزند چگونه با داده‌های خام کار کنید، آن‌ها را پاکسازی و پیش‌پردازش کنید. این موضوع شکاف بزرگی بین مهارت‌های لازم در محل کار و توانایی‌های کسب‌شده در آموزش ایجاد می‌کند. واقعیت این است که داده‌های واقعی اغلب نامرتب هستند، بنابراین باید بدانید چگونه این مانع را پشت سر بگذارید تا یک متخصص داده مستقل شوید.

بوت‌کمپ‌هایی که به صورت آنلاین یا حضوری دیده‌ایم، این بخش را نادیده می‌گیرند و فقط به شما نشان می‌دهند چگونه با داده‌های تمیز کار کنید. اما این کار به نفع شما نیست. در واقع، این موضوع در زمان جستجوی شغل و حتی در محیط کار برای شما مشکل‌ساز خواهد شد.

راه‌حل

هدف ما ارائه آماده‌سازی جامع است. این دوره شما را به یک تحلیل‌گر داده آماده به کار تبدیل می‌کند. برای رسیدن به این هدف موضوعات پایه‌ای زیر را به‌طور کامل پوشش می‌دهیم.

• نظریه‌ای درباره حوزه تحلیل داده
• Python پایه
• Python پیشرفته
• NumPy
• pandas
• کار با فایل‌های متنی
• جمع‌آوری داده
• پاکسازی داده
• پیش‌پردازش داده
• مصورسازی داده
• مثال عملی نهایی

هر کدام از این موضوعات بر اساس موارد قبلی ساخته شده‌اند. و این دقیقاً ارزش برنامه آموزشی ما را نشان می‌دهد. همه چیز به ترتیب صحیح آموزش داده می‌شود و تضمین می‌کنیم که شما در مسیر یادگیری گم نشوید، چون همه مراحل لازم ویدئویی آموزش داده شده‌اند (هیچ قسمت جامانده نیست). به عبارت دیگر، ما به شما نحوه تحلیل داده را قبل از یادگیری جمع‌آوری و پاکسازی آن آموزش نخواهیم داد.

پس برای آماده کردن شما برای شغل مبتدی که در ادامه منجر به موقعیت‌های علم داده می‌شود – یعنی تحلیل‌گر داده – دوره تحلیل‌گر داده را ایجاد کرده‌ایم.

این برنامه آموزشی نسبتاً منحصر به فرد است چون اصول اساسی مورد نیاز در شغل را آموزش می‌دهد؛ نکته‌ای که اغلب نادیده گرفته می‌شود اما اهمیت بالایی دارد.

علاوه بر این، تمرکز ما آموزش موضوعاتی است که به صورت روان و مکمل یکدیگر پیش می‌روند. این دوره آماده‌سازی کامل برای کسی است که می‌خواهد با هزینه‌ای کمتر نسبت به برنامه‌های سنتی، تحلیل‌گر داده شود (و البته زمان قابل‌توجهی هم صرفه‌جویی می‌کند). باور داریم این منبع، شانس شما در کسب شغل را به شکل قابل‌توجهی افزایش می‌دهد، چون شما را برای وظایف عملی و مفاهیم معمول در مصاحبه‌ها آماده می‌کند.

موضوعاتی که پوشش می‌دهیم

1. نظریه درباره حوزه تحلیل داده

2. Python پایه

3. Python پیشرفته

4. NumPy

5. pandas

6. کار با فایل‌های متنی

7. جمع‌آوری داده

8. پاکسازی داده

9. پیش‌پردازش داده

10. مصورسازی داده

11. مثال عملی نهایی

1. نظریه درباره حوزه تحلیل داده

اینجا روی بررسی کلی تمرکز می‌کنیم. اما تصور نکنید که قرار است مطالب طولانی و خسته‌کننده‌ای باشد که هر دقیقه مجبور باشید واژه‌ها را در دیکشنری جستجو کنید. بلکه هدف ما تعریف «تحلیل‌گر داده» است؛ اینکه چه کسی است، چه کاری انجام می‌دهد و چطور برای سازمان ارزش ایجاد می‌کند.

چرا باید یاد گرفت؟

شما باید درک کلی داشته باشید تا ارزش هر بخش دوره را در ارتباط با بقیه محتوا بفهمید. گفته‌اند اگر بدانید هدفتان کجاست، احتمال رسیدن به آن بیشتر است. و چون شغل تحلیل‌گر داده و سایر مشاغل داده نسبتا جدید و در حال پیشرفت هستند، می‌خواهیم درک خوبی از نقش تحلیل‌گر داده به شما بدهیم. سپس در فصل‌های بعدی ابزارهای لازم برای تبدیل شدن به یک تحلیل‌گر داده را آموزش می‌دهیم.

2. Python پایه

این دوره حول محور Python است. پس از پایه‌ترین مباحث شروع می‌کنیم. اگر تجربه قبلی برنامه‌نویسی ندارید نگران نباشید.

چرا باید یاد گرفت؟

برای بهره‌برداری کامل از دنیای پر داده‌ای که در آن زندگی می‌کنیم باید یک زبان برنامه‌نویسی یاد بگیرید. اگر این مهارت را نداشته باشید همیشه وابسته به دیگران برای استخراج و دستکاری داده‌ها خواهید بود، در حالی که می‌خواهید در تحلیل‌ها خودکفا باشید، درست است؟ همچنین نیازی نیست چند زبان برنامه‌نویسی یاد بگیرید. تسلط کامل روی یک زبان کافی است؛ ما هم طبیعتا Python را انتخاب کرده‌ایم که به‌عنوان زبان شماره یک برای تحلیل داده و علم داده شناخته شده است (به‌خاطر کتابخانه‌های غنی و انعطاف‌پذیری آن).

3. Python پیشرفته

موضوعات پیشرفته Python مانند کار با داده‌های متنی و استفاده از ابزارهایی مثل list comprehensions و توابع ناشناس را معرفی می‌کنیم.

چرا باید یاد گرفت؟

این درس‌ها شما را به کاربر حرفه‌ای Python تبدیل می‌کند که در کار مستقل است. توانایی استفاده از قدرت اصلی Python را به نفع خود خواهید داشت. پس اینجا فقط موضوعات مطرح نیست، عمق آموزش ابزارهای مرتبط Python هم مهم است.

4. NumPy

NumPy بسته بنیادین Python برای محاسبات علمی است. این ابزار وقتی می‌خواهید عملیات ریاضی و آماری انجام دهید، ابزاری پیش‌فرض محسوب می‌شود.

چرا باید یاد گرفت؟

بخش زیادی از کار تحلیل‌گر داده مربوط به پیش‌پردازش مجموعه داده‌ها است. بی‌شک این بخش شامل تکنیک‌های فراوان ریاضی و آماری است که NumPy در آن تخصص دارد. افزون بر این، این بسته ساختار آرایه‌های چندبعدی را معرفی می‌کند و مجموعه‌ای گسترده از توابع و متدهای داخلی برای کار با آن‌ها ارائه می‌دهد. به بیان دیگر، NumPy ابزاری پایدار و پیشرفته در Python است که انعطاف‌پذیری بالایی دارد و می‌تواند تحلیل شما را به سطح بعدی ببرد.

5. pandas

کتابخانه pandas یکی از محبوب‌ترین ابزارهای Python برای تسهیل دستکاری و تحلیل داده است. این کتابخانه بسیار ارزشمند است چون قابلیت کار با انواع داده‌ها را از جداول عددی و سری‌های زمانی گرفته تا داده‌های متنی دارد.

چرا باید یاد گرفت؟

pandas ابزار اصلی دیگری است که یک تحلیل‌گر برای پاکسازی و پیش‌پردازش داده‌ها به آن نیاز دارد. امکانات دستکاری داده در pandas در میان کتابخانه‌های Python بی‌نظیر است به‌خاطر تنوع و غنای توابع و متدهایی که دارد. ترکیب توانایی کار با هر دو NumPy و pandas بسیار قدرتمند است چون این دو کتابخانه مکمل هم هستند. شما باید بتوانید به طور مستقل با هر دو کار کنید تا تحلیل کامل و سازگاری ارائه دهید.

6. کار با فایل‌های متنی

امروزه تبادل اطلاعات عملاً با فایل‌های متنی انجام می‌شود. در این بخش از دوره، از ابزارهای Python، pandas و NumPy که قبلاً یاد گرفته‌اید استفاده می‌کنیم تا نکات ضروری واردکردن یا ذخیره‌سازی داده به شما آموزش داده شود.

چرا باید یاد گرفت؟

در بسیاری از دوره‌ها فقط یک مجموعه داده آماده برای تمرین مهارت‌های تحلیلی و برنامه‌نویسی به شما داده می‌شود. اما ما نمی‌خواهیم واقعیت را نادیده بگیریم، جایی که تبدیل مجموعه داده خام از یک فایل خارجی به فرمت قابل استفاده Python می‌تواند چالشی بزرگ باشد.

7. جمع‌آوری داده

در دنیای واقعی همیشه داده‌ها آماده در دسترس نیستند. در این بخش یاد می‌گیرید چگونه داده‌ها را از یک API دریافت کنید.

چرا باید یاد گرفت؟

شما به دانستن نحوه جمع‌آوری داده نیاز دارید، درست است؟ برای اینکه تحلیل‌گر کاملی باشید باید بتوانید داده را از منابع بیرونی جمع‌آوری کنید. این فرایند معمولاً با یک کلیک انجام نمی‌شود. هدف این بخش فراهم کردن تمام ابزارهای لازم برای انجام این کار به صورت مستقل است.

8. پاکسازی داده

گام منطقی بعدی پاکسازی داده است. در اینجا مهارت‌های pandas که قبلاً یاد گرفته‌اید را به کار می‌برید. همه درس‌ها در طول دوره دیدگاه دنیای واقعی دارند.

چرا باید یاد گرفت؟

بخش بزرگی از وظایف یک تحلیل‌گر داده در دنیای واقعی شامل پاکسازی داده و آماده‌سازی آن برای تحلیل است. نمی‌توانید انتظار داشته باشید با داده‌های بی‌نقص سر و کار داشته باشید. بنابراین، شما باید این مرحله را پشت سر بگذارید و داده‌های خود را پاکسازی کنید.

9. پیش‌پردازش داده

حتی زمانی که مجموعه داده شما پاک و قابل فهم است، هنوز آماده پردازش برای مصورسازی و تحلیل نیست. یک گام مهم بین این دو وجود دارد که پیش‌پردازش داده نامیده می‌شود.

چرا باید یاد گرفت؟

پیش‌پردازش داده جایی است که یک تحلیل‌گر می‌تواند نشان دهد چقدر کارش را خوب انجام می‌دهد. این مرحله نیازمند انتخاب ابزار آماری مناسب است که کیفیت مجموعه داده شما را افزایش دهد و همچنین دانش اجرای آن با تکنیک‌های پیشرفته pandas و NumPy. فقط وقتی این مرحله کامل شود می‌توانید بگویید که داده‌هایتان پیش‌پردازش شده و آماده بخش بعدی یعنی مصورسازی داده است.

10. مصورسازی داده

مصورسازی داده چهره داده‌هاست. بسیاری از مردم به داده نگاه می‌کنند اما چیزی نمی‌بینند. دلیل آن این است که آن‌ها مصورسازی‌های خوبی ایجاد نمی‌کنند یا حتی بدتر، نمودارهای خوبی می‌سازند اما نمی‌توانند آن‌ها را درست تفسیر کنند.

چرا باید یاد گرفت؟

این بخش از دوره به شما آموزش می‌دهد چطور با استفاده از داده‌های خود، بینش‌های معنی‌دار تولید کنید. در نهایت، نمودارهای داده بیشترین اطلاعات را در کمترین زمان منتقل می‌کنند و هیچ چیزی بهتر از یک مصورسازی داده خوب و هدفمند صحبت نمی‌کند.

11. مثال عملی

دوره شامل تمرین‌ها و موارد عملی متعددی است. در پایان، یک نمونه عملی جامع داریم که نشان می‌دهد همه چیزهایی که یاد گرفته‌اید چگونه به هم می‌آمیزند. اینجا می‌توانید قدر راهی را که تا رسیدن به مرحله تحلیل‌گر داده و آغاز مسیر کاری خود پیموده‌اید بدانید.

این دوره برای چه کسانی مناسب است؟

• اگر می‌خواهید تحلیل‌گر داده و دانشمند داده شوید، این دوره مناسب شماست.
• اگر به دنبال یک مسیر شغلی عالی هستید این دوره برای شماست.
• این دوره برای مبتدیان نیز ایده‌آل است، چون از اصول پایه شروع می‌کند و به تدریج مهارت‌های شما را بالا می‌برد.