دوره آموزشی تحلیل دادهها با پایتون
3 ساعت 44 دقیقهمتوسط2025-01-09
مدرسین

Michele Vallisneri
Theoretical Astrophysicist at NASA Jet Propulsion Laboratory
جزئیات دوره
علم دادهها روشهایی را که دولتها و رهبران صنعتی برای نگاه کردن به مشکلات خاص و دنیا به طور کلی دارند، متحول کرده است. آیا علاقه دارید که بدانید تحلیل دادهها چگونه در عمل کار میکند؟ در این دوره، مربی میشل والیسنری توضیح میدهد که برای شروع با علم دادهها با استفاده از پایتون چه نیاز دارید.
میشل نحوه راهاندازی محیط تحلیل خود را نشان میدهد و همچنین نکات ابتدایی کار با ساختارهای دادهای در پایتون را مرور میکند. سپس به مباحث اصلی میپردازد: قدرت آرایهها، ایندکسینگ و جداول در کتابخانههای NumPy و pandas. او شما را از طریق دو پروژه نمونه دادههای بزرگ راهنمایی میکند: استفاده از NumPy برای شناسایی و تجزیهوتحلیل الگوهای آبوهوا و استفاده از pandas برای تحلیل محبوبیت نامهای نوزاد در طول یک قرن گذشته. چالشهای مطرحشده در طول دوره به شما کمک میکند تا آنچه را که آموختهاید تمرین کنید. علاوه بر این، با مهارتهای لازم در وظایف اساسی تحلیل دادهها آشنا خواهید شد: وارد کردن و تغییر ساختار دادهها، خلاصهسازی و تجسم دادهها، مدلسازی و استدلال.
اهداف یادگیری دوره
آشنایی با راهاندازی محیط تحلیل دادهها با پایتون.
یادگیری اصول کار با ساختارهای دادهای در پایتون.
تسلط بر استفاده از آرایهها، ایندکسینگ و جداول در کتابخانههای NumPy و pandas.
انجام پروژههای داده بزرگ برای تجزیهوتحلیل الگوهای آبوهوایی و محبوبیت نامهای نوزاد.
یادگیری مهارتهای اصلی تحلیل دادهها: وارد کردن، تغییر ساختار، خلاصهسازی، تجسم، مدلسازی و استدلال.
میشل نحوه راهاندازی محیط تحلیل خود را نشان میدهد و همچنین نکات ابتدایی کار با ساختارهای دادهای در پایتون را مرور میکند. سپس به مباحث اصلی میپردازد: قدرت آرایهها، ایندکسینگ و جداول در کتابخانههای NumPy و pandas. او شما را از طریق دو پروژه نمونه دادههای بزرگ راهنمایی میکند: استفاده از NumPy برای شناسایی و تجزیهوتحلیل الگوهای آبوهوا و استفاده از pandas برای تحلیل محبوبیت نامهای نوزاد در طول یک قرن گذشته. چالشهای مطرحشده در طول دوره به شما کمک میکند تا آنچه را که آموختهاید تمرین کنید. علاوه بر این، با مهارتهای لازم در وظایف اساسی تحلیل دادهها آشنا خواهید شد: وارد کردن و تغییر ساختار دادهها، خلاصهسازی و تجسم دادهها، مدلسازی و استدلال.
اهداف یادگیری دوره
آشنایی با راهاندازی محیط تحلیل دادهها با پایتون.
یادگیری اصول کار با ساختارهای دادهای در پایتون.
تسلط بر استفاده از آرایهها، ایندکسینگ و جداول در کتابخانههای NumPy و pandas.
انجام پروژههای داده بزرگ برای تجزیهوتحلیل الگوهای آبوهوایی و محبوبیت نامهای نوزاد.
یادگیری مهارتهای اصلی تحلیل دادهها: وارد کردن، تغییر ساختار، خلاصهسازی، تجسم، مدلسازی و استدلال.
مهارت ها
PythonData AnalysisProgramming LanguagesData ScienceBusiness Analysis and StrategyBusiness Software and ToolsOpen SourceSoftware DevelopmentOne-Off
سرفصل ها
مقدمه
- از داده تا بینش با پایتون
- آنچه باید بدانید
- موارد جدید در این به روز رسانی
- راهاندازی - استفاده از فضاهای کد
- چالشهای CoderPad
ساختارهای داده پایتون
- گرم کردن با حلقههای پایتون
- تاپل ها , لیستها و نحو برش
- لغت نامهها و مجموعه ها
- درک ها
- کلاسهای داده
پروژه - یافتن آناگرام ها
- مرور کلی - یافتن آناگرام
- بارگذاری دیکشنریها از فایلهای متنی
- یافتن آناگرام
- راه حل - پالیندرومها را پیدا کنید
NumPy
- نمای کلی NumPy
- ایجاد آرایههای NumPy
- پروفایل سازی آرایههای NumPy
- انجام محاسبات با آرایههای NumPy
- آرایههای ویژه - سوابق و تاریخ
پروژه - دادههای آب و هوا
- بررسی اجمالی - تجزیهوتحلیل آب و هوا
- دانلود دادههای ایستگاه و دما
- تمیز کردن دادههای آب و هوا
- هموارسازی و ترسیم سریهای زمانی
- نمودارهای آب و هوا
- راه حل - ناهنجاری دما
پانداها
- بررسی اجمالی پانداها
- DataFrames و Series پانداها
- پروفایل سازی در پانداها
- ریاضی و نقشه در پانداها
- عملیات پایگاه داده در پانداها
پروژه - نام نوزاد
- بررسی اجمالی - تجزیهوتحلیل نام نوزاد
- دانلود مجموعه دادههای نام
- مقایسه محبوبیت نام
- تدوین دههای برتر
- راه حل - نامهای تک جنسیت
وارد کردن و جدال دادهها با پانداها
- نمای کلی - ساختار داده ها
- وارد کردن داده با پانداها
- پاک کردن داده ها
- فیلتر کردن، تغییر شکل و مرتب کردن داده ها
- شبیه سازی داده ها
- راه حل - رتبه بندی کشورها
خلاصه سازی و تجسم داده ها
- نمای کلی - کاوش داده ها
- جمع بندی دادههای کمی
- تجسم توزیع ها
- مقایسه متغیرهای کمی
- جمع بندی و تجسم دادههای طبقه بندی شده
مقدمه ای بر مدل سازی داده ها
- مرور کلی - درک داده ها
- تطبیق مدلها با داده ها
- ارزیابی و انتخاب مدل
- آزمون فرضیهها با مونت کارلو
- طعم یادگیری ماشین
- راه حل - برازش مدل Gapminder
پروژه - دادههای COVID-19
- نمای کلی - دادههای COVID-19
- خلاصه کردن دادههای COVID-19
- تجسم دادههای COVID-19
- مدل سازی دادههای COVID-19
نتیجه گیری
- مهارتهای تجزیهوتحلیل داده پایتون خود را گسترش دهید
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی داشبوردهای مجهز به هوش مصنوعی با Streamlit
- دوره آموزشی اپ تحلیل داده با قدرت LLM با پایتون و Streamlit
- دوره آموزشی راهنمای کامل مهندسی تحلیل دادهها
- دوره آموزشی اپلیکیشنهای مبتنی بر LLM با Streamlit
- دوره آموزشی هوش مصنوعی عملی: ساخت اولین اپلیکیشن خود با قدرت LLM
- دوره آموزشی تحلیل پیشرفته دادههای مکانی در پایتون