آموزش انجام علوم داده با پایتون

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

معرفی دوره Course Introduction

• معرفی دوره Course Introduction

• مخاطب هدف Target Audience

• پیش نیازهای دوره Course Prerequisites

• بررسی اجمالی چرخه پروژه علوم علوم Data Science Project Cycle Overview

• چرا پایتون برای علوم داده؟ Why Python for Data Science?

• طرح کلی دوره Course Outline

• خلاصه Summary

تنظیم محیط کار Setting up Working Environment

• مقدمه Introduction

• بررسی اجمالی Overview

• توزیع پایتون برای علوم داده Python Distributions for Data Science

• Python 3.x در مقابل Python 2.x Python 3.x vs. Python 2.x

• نسخه ی نمایشی: نصب توزیع Anaconda Demo: Installing Ananconda Distribution

• Jupyter Notebook Jupyter Notebook

• نسخه ی نمایشی: راه اندازی نوت بوک Jupyter در ماشین محلی Demo: Setting up Jupyter Notebook on Local Machine

• نسخه ی نمایشی: نوت بوک Jupyter - مبانی Demo: Jupyter Notebook - Basics

• نسخه ی نمایشی: نوت بوک Jupyter - توابع جادویی Demo: Jupyter Notebook - Magic Functions

• الگوی پروژه علوم داده Data Science Project Template

• نسخه ی نمایشی: تنظیم الگوی پروژه علوم داده Cookiecutter Demo: Setting up Cookiecutter Data Science Project Template

• نسخه برای پروژه های علوم داده Versioning for Data Science Projects

• نسخه ی نمایشی: پروژه را به Git اضافه کنید Demo: Add Project to Git

• خلاصه Summary

استخراج داده ها Extracting Data

• مقدمه Introduction

• بررسی اجمالی Overview

• استخراج داده ها از پایگاه داده Extracting Data from Databases

• نسخه ی نمایشی: استخراج داده ها از پایگاه داده Demo: Extracting Data from Databases

• استخراج داده ها از طریق API ها Extracting Data Through APIs

• نسخه ی نمایشی: استخراج داده ها از طریق API ها Demo: Extracting Data Through APIs

• استخراج داده ها با استفاده از تراشیدن وب Extracting Data Using Web Scraping

• نسخه ی نمایشی: تراشیدن وب با استفاده از درخواستها و BeautifulSoup Demo: Web Scraping Using Requests and BeautifulSoup

• نسخه ی نمایشی: دریافت مجموعه داده های تایتانیک با استفاده از درخواست ها: قسمت 1 - آماده سازی اولیه Demo: Getting Titanic Dataset Using Requests : Part 1 - Initial Preparation

• نسخه ی نمایشی: دریافت مجموعه داده های تایتانیک با استفاده از درخواست ها: قسمت 2 - بارگیری داده ها Demo: Getting Titanic Dataset Using Requests : Part 2 - Downloading Data

• نسخه ی نمایشی: ایجاد اسکریپت قابل تکرار برای به دست آوردن داده های تایتانیک Demo: Creating Reproducible Script for Getting Titanic Data

• مجموعه داده های عمومی Public Datasets

• انجام تغییرات در Git Committing Changes to Git

• خلاصه Summary

کاوش و پردازش داده ها - قسمت 1 Exploring and Processing Data - Part 1

• مقدمه Introduction

• بررسی اجمالی Overview

• مقدمه ای بر NumPy و Pandas Introduction to NumPy and Pandas

• EDA: ساختار اساسی EDA: Basic Structure

• نسخه ی نمایشی: بررسی ساختار اصلی Demo: Investigating Basic Structure

• نسخه ی نمایشی: انتخاب ، نمایه سازی و فیلتر کردن Demo: Selection, Indexing, and Filtering

• EDA: آمار خلاصه EDA: Summary Statistics

• اندازه گیری مرکزیت Centrality Measure

• اندازه گیری مرکزیت: میانگین Centrality Measure: Mean

• اندازه گیری مرکزیت: متوسط Centrality Measure: Median

• گسترش اندازه گیری Spread Measure

• Spread Measure: محدوده Spread Measure: Range

• Spread Measure: صدک ها و جعبه جعبه Spread Measure: Percentiles and Boxplot

• Spread Measure: واریانس و انحراف معیار Spread Measure: Variance and Standard Deviation

• نسخه ی نمایشی: دریافت آمار خلاصه برای ویژگی های عددی Demo: Getting Summary Statistics for Numerical Features

• تعداد و تناسبات Counts and Proportions

• نسخه ی نمایشی: آمار خلاصه برای ویژگی طبقه بندی Demo: Summary Statistics for Categorical Feature

• خلاصه Summary

کاوش و پردازش داده ها - قسمت 2 Exploring and Processing Data - Part 2

• مقدمه Introduction

• بررسی اجمالی Overview

• EDA: توزیع ها EDA: Distributions

• توزیع یک متغیره: نمودار هیستوگرام و نمودار KDE Univariate Distribution: Histogram and KDE Plot

• نسخه ی نمایشی: ایجاد نمودارهای توزیع تک متغیره Demo: Creating Univariate Distribution Plots

• توزیع دو متغیره: نمودار پراکندگی Bivariate Distribution: Scatter Plot

• نسخه ی نمایشی: ایجاد طرح های پراکنده Demo: Creating Scatter Plots

• EDA: گروه بندی EDA: Grouping

• نسخه ی نمایشی: گروه بندی و تجمیع Demo: Grouping and Aggregation

• کراس استاب Crosstab

• نسخه ی نمایشی: Crosstab Demo: Crosstab

• جدول محوری Pivot Table

• نسخه ی نمایشی: جدول محوری Demo: Pivot Table

• خلاصه Summary

کاوش و پردازش داده ها - قسمت 3 Exploring and Processing Data - Part 3

• مقدمه Introduction

• بررسی اجمالی Overview

• داده خواندن Data Munging

• ارزش گمشده: مسائل و راه حل Missing Value: Issues and Solution

• تکنیک های ارزش از دست رفته Missing Value Imputation Techniques

• نسخه ی نمایشی: درمان ارزش های از دست رفته با استفاده از پانداها - قسمت 1 Demo: Treating Missing Values Using Pandas - Part 1

• نسخه ی نمایشی: درمان ارزش های از دست رفته با استفاده از پانداها - قسمت 2 Demo: Treating Missing Values Using Pandas - Part 2

• نسخه ی نمایشی: درمان ارزش های از دست رفته با استفاده از پانداها - قسمت 3 Demo: Treating Missing Values Using Pandas - Part 3

• دور از دسترس: تشخیص و درمان Outliers: Detection and Treatment

• نسخه ی نمایشی: تشخیص و درمان پرت ها با استفاده از Pandas و NumPy Demo: Detecting and Treating Outliers Using Pandas and NumPy

• مهندسی ویژگی Feature Engineering

• نسخه ی نمایشی: ساخت ویژگی با استفاده از Pandas و NumPy - قسمت 1 Demo: Feature Creation Using Pandas and NumPy – Part 1

• نسخه ی نمایشی: ساخت ویژگی با استفاده از Pandas و NumPy - قسمت 2 Demo: Feature Creation Using Pandas and NumPy – Part 2

• نسخه ی نمایشی: ساخت ویژگی با استفاده از Pandas و NumPy - قسمت 3 Demo: Feature Creation Using Pandas and NumPy – Part 3

• نسخه ی نمایشی: ساخت ویژگی با استفاده از Pandas و NumPy - قسمت 4 Demo: Feature Creation Using Pandas and NumPy – Part 4

• رمزگذاری ویژگی طبقه بندی Categorical Feature Encoding

• رمزگذاری ویژگی طبقه بندی: رمزگذاری باینری Categorical Feature Encoding: Binary Encoding

• رمزگذاری ویژگی طبقه بندی: رمزگذاری برچسب Categorical Feature Encoding: Label Encoding

• رمزگذاری ویژگی طبقه بندی: رمزگذاری یک گرم Categorical Feature Encoding: One-hot Encoding

• نسخه ی نمایشی: رمزگذاری ویژگی های دسته بندی با استفاده از Pandas Demo: Categorical Feature Encoding Using Pandas

• نسخه ی نمایشی: ستونها را با استفاده از Pandas رها کنید و مرتب کنید Demo: Drop and Reorder Columns Using Pandas

• نسخه ی نمایشی: با استفاده از Pandas Dataframe را در پرونده ذخیره کنید Demo: Save Dataframe to File Using Pandas

• نسخه ی نمایشی: اسکریپت قابل تکرار برای پردازش داده ها با استفاده از Pandas و NumPy Demo: Reproducible Script for Data Processing Using Pandas and NumPy

• نسخه ی نمایشی: ایجاد تجسم با استفاده از MatPlotlib Demo: Creating Visualization Using MatPlotlib

• نسخه ی نمایشی: انجام تغییرات در Git Demo: Committing Changes to Git

• خلاصه Summary

ساخت و ارزیابی مدلهای پیش بینی - قسمت 1 Building and Evaluating Predictive Models – Part 1

• مقدمه Introduction

• بررسی اجمالی Overview

• مبانی یادگیری ماشین Machine Learning Basics

• مبانی یادگیری ماشین: بازنمایی و تعمیم Machine Learning Basics: Representation and Generalization

• اصول یادگیری ماشین: طبقه بندی هرزنامه Machine Learning Basics: Spam Classification

• مبانی یادگیری ماشین: یادگیری نظارت شده Machine Learning Basics: Supervised Learning

• مبانی یادگیری ماشین: یادگیری بدون نظارت Machine Learning Basics: Unsupervised Learning

• چالش داده های فاجعه تایتانیک Titanic Disaster Data Challenge

• طبقه بندی Classifier

• معیارهای عملکرد Performance Metrics

• معیارهای عملکرد: دقت Performance Metrics: Accuracy

• معیارهای عملکرد: دقت و یادآوری Performance Metrics: Precision and Recall

• ارزیابی طبقه بندی Classifier Evaluation

• مدل پایه Baseline Model

• نسخه ی نمایشی: آماده سازی داده ها برای مدل یادگیری ماشین Demo: Preparing Data for Machine Learning Model

• نسخه ی نمایشی: ساخت و ارزیابی مدل پایه Demo: Building and Evaluating Baseline Model

• نسخه ی نمایشی: ساخت اولین ارسال Kaggle Demo: Making the First Kaggle Submission

• مدل رگرسیون خطی Linear Regression Model

• مدل رگرسیون لجستیک Logistic Regression Model

• نسخه ی نمایشی: ساخت رگرسیون لجستیک با استفاده از Scikit-Learn Demo: Building Logistic Regression Using Scikit-Learn

• نسخه ی نمایشی: ساخت دومین ارسال Kaggle Demo: Making Second Kaggle Submission

• خلاصه Summary

ساخت و ارزیابی مدلهای پیش بینی - قسمت 2 Building and Evaluating Predictive Models – Part 2

• مقدمه Introduction

• بررسی اجمالی Overview

• زیر سازی در مقابل پوشیدن بیش از حد Underfitting vs. Overfitting

• منظم سازی Regularization

• بهینه سازی ابرپارامتر: GridSearch Hyperparameter Optimization: GridSearch

• اعتبار سنجی متقابل Crossvalidation

• اعتبار سنجی K-Fold K-Fold Crossvalidation

• نسخه ی نمایشی: بهینه سازی ابرپارامتر با استفاده از GridSearchCV Demo: Hyperparameter Optimization Using GridSearchCV

• نسخه ی نمایشی: ساخت سومین ارسال Kaggle Demo: Making Third Kaggle Submission

• عادی سازی و استاندارد سازی ویژگی ها Feature Normalization and Standardization

• نسخه ی نمایشی: عادی سازی و استاندارد سازی ویژگی ها با استفاده از Scikit-Learn Demo: Feature Normalization and Standardization Using Scikit-Learn

• ماندگاری مدل Model Persistence

• نسخه ی نمایشی: ماندگاری مدل با استفاده از ترشی Demo: Model Persistence Using Pickle

• توسعه یادگیری ماشین API Machine Learning API Development

• نسخه ی نمایشی: Hello World API با استفاده از فلاسک Demo: Hello World API Using Flask

• نسخه ی نمایشی: API یادگیری ماشین با استفاده از فلاسک Demo: Machine Learning API Using Flask

• نسخه ی نمایشی: انجام تغییرات در Git Demo: Committing Changes to Git

• خلاصه Summary

• از اینجا کجا برویم؟ Where to Go from Here?