آموزش دوره کامل تجسم داده، Matplotlib و Python
Complete Course on Data Visualization, Matplotlib and Python
دوره به طور خلاصه
مختصر و دقیق، زیرا من از وقت شما قدردانی می‌کنم و این تجمل را ندارم که داستانم را به شما بگویم
به راحتی قابل درک و مناسب برای مخاطبان گسترده است، زیرا فقط به دانش پایه پایتون و فقط نیاز دارد
آنچه دانش آموزان می گویند
" این یک دوره عالی است! دستورالعمل Bekzod بسیار واضح و مختصر است. من از دانش صفر در Matplotlib به ایجاد تجسم های بسیار سفارشی در عرض چند ساعت رسیدم. پیش نیازهای Python و Panda ها لزوماً مورد نیاز نیستند، اما درک اصول هر دو مورد نیاز است. تجربه خود را در این دوره به حداکثر برسانید. توصیه می کنم یک دفترچه یادداشت خالی باز کنید و همراه با Bekzod دنبال کنید، در طول مسیر اسناد کمکی را که به آنها ارجاع می دهد را مکث کنید و همچنین هر قطعه کدی را که ممکن است فوراً متوجه آن نشوید بخوانید. کمی بیشتر طول می کشد. برای پایان دادن به دوره، اما ارزش آن را دارد. من مشتاقانه منتظر دوره های اضافی ارائه شده توسط Bekzod هستم. " - Jeff Dowden
"تاکنون از این درس چیزهای زیادی یاد گرفتم. این درس درک من از OOP را بهبود می بخشد. استفاده از پایتون برای تجسم داده ها از دیدگاه OOP بسیار آسان، جالب و شگفت انگیز است." - Haitao Lyu
" این دوره کاملاً شگفت‌انگیز است. مستقیماً به نقطه اصلی بروید و از داده‌های واقعی استفاده کنید نه شبیه‌سازی با numpy، همانطور که معمولاً دیگران انجام می‌دهند. کار عالی Bekzod! - Hartanto
"' من چند سالی است که از Matplotlib و Seaborn استفاده کرده ام. داشتم این را مرور می کردم تا ببینم آیا مقدمه خوبی برای افرادی است که با آنها کار می کنم. پاسخ، بله. این یک مقدمه بسیار خوب است که برخی از موارد را پوشش می دهد. جزئیات حیاتی لازم برای پیمایش Matplotlib به منظور سفارشی کردن نمودارها. " - Stephen Basco
بیشتر به من بگو...
پس از تکمیل این دوره، در سطح شهودی به Matplotlib تسلط خواهید داشت و در تجسم و سفارشی کردن نمودارهای Matplotlib، Seaborn و Pandas با هر پیچیدگی احساس راحتی می کنید. به طور خاص، اگر به موارد زیر علاقه دارید، این دوره یک منبع عالی است:
چگونه Matplotlib کار می کند
نحوه ایجاد نمودار از نمودارهای ساده به علمی با Matplotlib، Pandas و Seaborn
نحوه سفارشی کردن نمودارها از هر پیچیدگی به راحتی
برای دستیابی به اهداف، این دوره را به بخش های زیر تقسیم کردم:
Matplotlib Anatomy
همانطور که از نام آن پیداست، در این بخش نحوه عملکرد Matplotlib و نحوه تولید انواع نمودارها را خواهید آموخت.
در مورد ایجاد و/یا سفارشی‌سازی نمودارهایی که قبلاً با آنها سروکار نداشته‌اید، درک کاملی به شما می‌دهد و لحظات بسیار زیادی را به شما می‌دهد.
نمودارهای دو بعدی ایجاد کنید
در این بخش، نمودارهای فراوانی را با استفاده از Matplotlib OOP و Pandas ایجاد میکنید و آنها را با هم ترکیب میکنید تا به حداکثر کارایی و کنترل دانه‌ای بر روی نمودارها برسید.
نمودارهای آماری محورها
در اینجا نحوه ایجاد نمودارهای آماری مانند همبستگی خودکار، نمودارهای جعبه، نمودارهای ویولن و نمودارهای KDE را با Matplotlib OOP و پانداها می‌آموزیم.
دریازاد
Seaborn، یک رابط سطح بالا برای Matplotlib به ایجاد نمودارهای آماری با سهولت و جذابیت کمک می کند. این کتابخانه ای است که باید برای کاوش داده ها بدانید و یادگیری آن بسیار آسان است. و در این بخش، نمودارهای رگرسیون، نمودارهای شمارش، بارپلات، نمودارهای عاملی، نمودارهای مشترک، قطعه‌های جعبه، نمودارهای ویولن و موارد دیگر را ایجاد خواهیم کرد.
خلاصه دوره و تمرینات
این بخش دارای اهداف دوگانه است.
برای مثال، خلاصه خوبی از دوره است و تمرین هایی را برای آزمایش دانش و سپس ارائه راه حل هایی برای مقایسه در اختیار شما قرار می دهد.
ثانیاً، اگر وقتتان کم است، می‌توانید از اینجا شروع کنید و اگر به دنبال پوشش دقیق‌تر موضوع هستید یا زمانی که زمان بیشتری دارید، می‌توانید از اینجا شروع کنید و سپس به بخش‌های دیگر بروید.
ابزارهای مورد استفاده
نوت بوک Jupyter (IDE)
Matplotlib 2.x
Seaborn 0.8.1 یا بالاتر
پانداهای 0.22 یا بالاتر
معرفی INTRODUCTION
-
معرفی Introduction
-
پیام مربی Instructor's message
-
آناتومی Matplotlib Matplotlib Anatomy
-
آنچه شما نیاز خواهید داشت What you will need
آناتومی MATPLOTLIB MATPLOTLIB ANATOMY
-
Line2D: خطوط اضافه کنید Line2D: Add Lines
-
Line2D: خواص Line2D: Properties
-
مستطیل: پچ ها را اضافه کنید Rectangle: Add Patches
-
مستطیل: خواص Rectangle: Properties
-
FancyBboxPatch: خواص FancyBboxPatch: Properties
-
متن: اضافه کردن متن Text: Add Text
-
متن: خواص Text: Properties
-
آزمون تک سوالی SINGLE QUESTION QUIZ
-
حاشیه نویسی: اضافه کردن متن Annotations: Add Text
-
حاشیه نویسی: خواص Annotations: Properties
-
Legends: افسانه ها را اضافه کنید Legends: Add Legends
-
افسانه ها: خواص Legends: Properties
-
آزمون تک سوالی SINGLE QUESTION QUIZ
-
محور: برچسب ها و خارها Axis: Labels and Spines
-
زمان آزمون QUIZ TIME
-
محور: کنه Axis: Ticks
-
محور: تیک Formatters and Locators Axis: Tick Formatters and Locators
ایجاد نمودارهای دو بعدی CREATE 2D CHARTS
-
نمودارهای خطی Line charts
-
نمودار میله ای: مبانی Bar charts: Basics
-
نمودار میله ای: گروه بندی شده Bar charts: Grouped
-
نمودارهای میله ای: انباشته شده Bar charts: Stacked
-
توطئه های پراکنده Scatter plots
-
نمودارهای دایره ای Pie charts
-
نمودارهای دونات Donut charts
-
هیستوگرام ها Histograms
-
نمودارهای قطبی Polar charts
-
نمودارهای دو محوره Dual Axis charts
نمودارهای آماری محورها AXES STATISTICAL CHARTS
-
خودهمبستگی Autocorrelation
-
نمودارهای KDE KDE plots
-
نمودارهای جعبه Boxplots
-
طرح های ویولن Violinplots
-
Heatmap و Colorbar Heatmap and Colorbar
SEABORN SEABORN
-
Regplot Regplot
-
نمودار شماری Countplot
-
بارپلات Barplot
-
طرح جعبه Boxplot
-
ویولن پلات و ازدحام Violinplot and Swarmplot
-
پلات عامل Factorplot
-
Distplot Distplot
-
طرح مشترک Jointplot
-
Pairplot Pairplot
خلاصه دوره و تمرین COURSE SUMMARY & EXCERCISES
-
افسانه ها Legends
-
کنه ها Ticks
-
وصله ها Patches
-
خطوط Lines
-
حاشیه نویسی ها Annotations
-
PathCollections (نشانگرهای طرح پراکنده) PathCollections (Scatter Plot Markers)
-
خارهای تبر Axes Spines
نمایش نظرات
نظری ارسال نشده است.
https://donyad.com/d/d8ed56
آموزش اصول توسعه واقعیت ترکیبی
Mixed Reality Development Fundamentals
بیاموزید که چگونه با استفاده از Unity برنامه های واقعیت ترکیبی همهجانبه توسعه دهید.
![آموزش تست تمرینی بیش از 300 سوال مصاحبه جنکینز [2023]](https://Donyad.com/course/getimg/f4848430-3aea-47c4-baa0-43e99d389af1.jpg "آموزش تست تمرینی بیش از 300 سوال مصاحبه جنکینز [2023]")
آموزش تست تمرینی بیش از 300 سوال مصاحبه جنکینز [2023]
300+ Jenkins Interview Questions Practice Test [2023]
سوالات و پاسخ های مصاحبه آمادگی جنکینز تست تمرینی | تازه کار تا با تجربه | توضیحات مفصل
آموزش Composer - راهنمای نهایی برای مدیریت وابستگی PHP
Composer - The Ultimate Guide for PHP Dependency Management
مدیریت وابستگی PHP را هک کنید، یک ابزار مدرن توسعه پی اچ پی را آهنگساز کنید و یاد بگیرید که بسته های پی اچ پی خود را بسازید.
آموزش پروژه تجزیه و تحلیل بازی های المپیک در آپاچی اسپارک برای مبتدی
Olympic Games Analytics Project in Apache Spark for beginner
پروژه تجزیه و تحلیل بازی های المپیک در Apache Spark برای مبتدیان با استفاده از Databricks (غیر رسمی)
Bekzod Ruzmetov
PMP
Udemy (یودمی)
یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.