یادگیری پایتون برای تحلیل و مصورسازی داده - نسخه 1
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- کسب مهارت سطح متوسط در برنامه نویسی پایتون
- استفاده از محیط Jupyter Notebook
- استفاده از کتابخانه numpy برای ایجاد و دستکاری آرایه ها
- استفاده از ماژول pandas با پایتون برای ایجاد و ساختاردهی داده
- یادگیری نحوه کار با فرمت های مختلف داده در پایتون از جمله: جی سان، HTML و ورک شیت های مایکروسافت اکسل
- ایجاد مصورسازی های داده با استفاده از matplotlib و ماژول های seaborn با پایتون
- ایجاد یک پورتفولیو از پروژه های مختلف تحلیل داده
توضیحات دوره
این دوره به شما منابعی برای یادگیری پایتون و استفاده موثر از آن برای تحلیل و مصورسازی داده ارائه می دهد. شما می توانید حرفه خود را در علم داده شروع کنید.
شما درک کاملی از نحوه برنامه نویسی پایتون و نحوه استفاده از آن در ارتباط با ماژول ها و کتابخانه های محاسبات علمی برای تحلیل داده را در اختیار خواهید داشت.
شما همچنین به بیش از 100 نمونه نوت بوک کد پایتون، ویدئوهای جدید و بروزرسانی شده و همچنین پروژه های مختلف تحلیل داده در آینده، دسترسی دائمی خواهید داشت که می توانید از آن ها برای پورتفولیوی خود جهت ارائه به کارفرمایان آینده استفاده کنید.
در پایان دوره موارد زیر را می آموزید:
- کسب درک درستی از نحوه برنامه نویسی در پایتون
- آشنایی با نحوه ایجاد و دستکاری آرایه ها با استفاده از Numpy و پایتون
- آشنایی با نحوه استفاده از pandas برای ایجاد و تحلیل مجموعه داده ها
- آشنایی با نحوه استفاده از کتابخانه های matplotlib و seaborn برای ایجاد مصورسازی زیبا از داده
- ایجاد پورتفولیوی شگفت انگیز از نمونه پروژه های تحلیل داده پایتون
- ایجاد درک درستی از یادگیری ماشین و SciKit Learn
این دوره برای چه کسانی مناسب است؟
- کسی که علاقه مند به یادگیری بیشتر در مورد پایتون، علم داده یا مصورسازی های داده است.
- کسی که به دنیای سریعاً در حال گسترش علم داده علاقه مند است.
یادگیری پایتون برای تحلیل و مصورسازی داده - نسخه 1
-
معرفی دوره 03:52
-
نصب، راهاندازی و مرور کلی 07:16
-
محیطهای توسعه (IDE) و منابع دوره 10:56
-
مروری بر iPython/Jupyter Notebook 14:57
-
ایجاد آرایهها 07:27
-
استفاده از آرایهها و scalars 04:41
-
ایندکسکردن آرایهها 14:19
-
ترانهاده آرایه 04:07
-
تابع آرایه سراسری 06:04
-
پردازش آرایه 21:48
-
ورودی و خروجی آرایه 07:59
-
سری ها 13:58
-
دیتافریم ها 17:46
-
ایندکسگذاری آبجکت ها 04:59
-
ایندکسگذاری مجدد 15:54
-
دراپ کردن ورودی 05:41
-
انتخاب ورودیها 10:22
-
ترازبندی داده 10:14
-
رتبهبندی و مرتبسازی 05:38
-
آمار خلاصه 22:35
-
دادههای گمشده 11:37
-
ساختار سلسلهمراتبی ایندکس 13:32
-
خواندن و نوشتن فایلهای متنی 10:03
-
جی سان با پایتون 04:12
-
استفاده از HTML با پایتون 04:36
-
فایلهای Microsoft Excel با پایتون 03:51
-
ادغام 20:31
-
ادغام روی ایندکس 12:36
-
الحاق کردن 09:19
-
ترکیب دیتافریم ها 10:20
-
تغییر شکل 07:51
-
Pivoting 05:31
-
داپلیکیت ها در دیتافریم ها 05:54
-
نگاشت 04:12
-
جایگزینی 03:15
-
تغییر نام ایندکس 05:55
-
Binning 06:16
-
دادههای پرت 06:52
-
جایگشت 05:21
-
GroupBy روی دیتافریم ها 17:41
-
GroupBy روی دیکشنری و سری ها 13:21
-
تجمیع 12:42
-
اعمال تقسیم و ترکیب 10:02
-
جدولبندی متقاطع 05:06
-
نصب Seaborn 01:44
-
هیستوگرامها 09:19
-
نمودارهای تخمین چگالی کرنل 25:58
-
ترکیب استایل های نمودار 06:14
-
نمودارهای جعبه ای و نمودارهای ویولن 08:52
-
نمودارهای رگرسیون 18:39
-
نقشه های حرارتی و ماتریس های خوشه ای 16:49
-
پیشنمایش پروژههای دادهها 03:02
-
مقدمهای بر پروژههای داده 04:34
-
پروژه تایتانیک - بخش 1 17:06
-
پروژه تایتانیک - بخش 2 16:08
-
پروژه تایتانیک - بخش 3 15:49
-
پروژه تایتانیک - بخش 4 02:05
-
مقدمهای بر پروژه دادهها - تحلیل بازار سهام 03:13
-
پروژه دادهها - تحلیل بازار سهام بخش 1 11:19
-
پروژه دادهها - تحلیل بازار سهام بخش 2 18:06
-
پروژه دادهها - تحلیل بازار سهام بخش 3 10:24
-
پروژه دادهها - تحلیل بازار سهام بخش 4 06:56
-
پروژه دادهها - تحلیل بازار سهام بخش 5 27:40
-
پروژه دادهها - مقدمهای بر تحلیل انتخابات 02:20
-
پروژه دادهها - تحلیل انتخابات بخش 1 18:00
-
پروژه دادهها - تحلیل انتخابات بخش 2 20:34
-
پروژه دادهها - تحلیل انتخابات بخش 3 15:04
-
پروژه دادهها - تحلیل انتخابات بخش 4 25:57
-
مقدمهای بر یادگیری ماشین با SciKit Learn 12:51
-
رگرسیون خطی بخش 1 17:40
-
رگرسیون خطی بخش 2 18:21
-
رگرسیون خطی بخش 3 18:45
-
رگرسیون خطی بخش 4 22:08
-
رگرسیون لجستیک بخش 1 14:18
-
رگرسیون لجستیک بخش 2 14:25
-
رگرسیون لجستیک بخش 3 12:20
-
رگرسیون لجستیک بخش 4 22:22
-
دستهبندی چندکلاسه بخش 1 - رگرسیون لجستیک 18:33
-
دستهبندی چندکلاسه بخش 2 - نزدیک ترین همسایه k 23:05
-
ماشینهای بردار پشتیبان بخش 1 12:52
-
ماشینهای بردار پشتیبان - بخش 2 29:07
-
بیز ساده - بخش 1 10:03
-
بیز ساده - بخش 2 12:26
-
درختهای تصمیم گیری و جنگلهای تصادفی 31:47
-
پردازش زبان طبیعی بخش 1 07:20
-
پردازش زبان طبیعی بخش 2 15:39
-
پردازش زبان طبیعی بخش 3 20:48
-
پردازش زبان طبیعی بخش 4 16:16
-
آشنایی با پیوست B 02:44
-
توزیع یکنواخت گسسته 06:11
-
توزیع یکنواخت پیوسته 07:03
-
توزیع دوجملهای 12:35
-
توزیع پواسون 10:55
-
توزیع نرمال 06:24
-
تکنیک های نمونه برداری 04:54
-
توزیع تی (T-Distribution) 05:09
-
آزمون فرض و فواصل اطمینان 20:08
-
آزمون مربع کای و توزیع 02:53
-
قضیه بیز 10:02
-
آشنایی با SQL با پایتون 09:59
-
SQL - معرفی SELECT ،DISTINCT ،WHERE ،AND و OR 09:58
-
SQL - معرفی WILDCARDS و ORDER BY و GROUP BY و توابع تجمیع 08:25
-
وب اسکرپینگ - بخش 1 12:14
-
وب اسکرپینگ - بخش 2 12:14
-
مروری بر پایتون بخش 1 18:52
-
مروری بر پایتون بخش 2 12:18
-
مروری بر پایتون بخش 3 10:13
مشخصات آموزش
یادگیری پایتون برای تحلیل و مصورسازی داده - نسخه 1
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:107
- مدت زمان :21:05:04
- حجم :10.05GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy