آموزش پایتون برای علوم داده (Python for Data Science) - آخرین آپدیت

مقدمه‌ای بر پایتون برای علوم داده Introduction to Python for Data Science

• خوش‌آمدگویی به دوره پایتون برای علوم داده Welcome to python for data science

• گفتگوی تخصصی: تجربه یک دانشمند داده با پایتون Expert Talk - A data scientist's experience with Python

• پایتون چیست؟ What is python?

• کار با دفترچه‌های Jupyter Working with Jupyter notebooks

• مقدمه‌ای بر مسئله Introduction to the problem

• رویکرد حل مسئله: آماده‌سازی جداول و نمودارها Solution approach - Preparing tables and charts

• رویکرد حل مسئله: استخراج بینش‌ها Solution approach - Gaining Insights

• رویکرد حل مسئله: تحلیل ترافیک خطوط هوایی Solution Approach - Airline traffic analysis

• خلاصه راهکار Solution summary

• گفتگوی تخصصی: چرا پایتون زبان منتخب متخصصان علوم داده است؟ Expert Talk - Why Python is the language of choice for data science professionals

• معرفی مسئله Introduction to the Problem

• بررسی و تحلیل مسئله Exploring the Problem

مدیریت و پاکسازی داده‌ها با پایتون Data wrangling with Python

• مقدمه Introduction

• بررسی داده‌های CSV Diving into CSV Data

• بازرسی داده‌ها Data inspection

• یافتن داده‌های گم‌شده در داده‌های POS Finding missing data in the POS data

• حذف داده‌های گم‌شده و ذخیره مجموعه داده پاکسازی شده Deleting missing data and saving the cleaned data set

• داده‌های آزمایشگاهی و مسئله Lab data and problem

• نکاتی در مورد ارزیابی‌ها A note on assessments

• ساختارهای داده‌ای پایه: لیست‌ها و دیکشنری‌ها Basic data structures - lists and dictionaries

• ساختارهای داده‌ای پایه: سری‌ها (Series) Basic data structures - series

• ایجاد دیتا فریم با استفاده از لیست، دیکشنری و سری Creating a data frame using lists, dictionaries and series

• برش‌دهی دقیق داده‌ها (Slicing) Slicing with precision

• تغییر ایندکس‌ها و ذخیره دیتا فریم جدید Changing the indices and saving the new DataFrame

• ناوبری در بینش‌های داده Navigating data insights

• انتخاب داده‌ها بر اساس معیارهای خاص Selecting data that match certain criteria

• انتخاب داده‌ها بر اساس چندین معیار Selecting data that match multiple criteria

• گفتگوی تخصصی: درک داده‌های شما Expert Talk - Understanding your data

• محصولات منحصر به فرد در مجموعه داده POS کدامند؟ What are the unique products in the POS data set?

• یافتن مقادیر خاص در داده‌ها Finding specific values in the data

• میزان فروش در هر دسته‌بندی چقدر بوده است؟ How much did we sell per category?

• یافتن مجموع و میانگین بر اساس برند و دسته‌بندی Finding totals and averages by brand and by category

• گروه‌بندی بر اساس چندین ویژگی Grouping by multiple attributes

• نمایش داده‌های تجمیعی در جدول Pivot Displaying aggregated data in a pivot table

• گفتگوی تخصصی: چگونه بینش‌ها و تحلیل داده‌ها یکدیگر را هدایت می‌کنند Expert talk - How insights and data analysis guide each other

• کار با تاریخ‌ها Working with dates

• در هر ماه چقدر فروش داشته‌ایم؟ How much did we sell each month?

• میانگین ماهانه فروش چقدر است؟ What is the monthly average of sales?

• آیا تاریخ‌های خاصی وجود داشت که فروش در آن‌ها بالا باشد؟ Were there specific dates when sales were high?

• اگر بیش از یک مجموعه داده داشته باشیم چه می‌شود؟ What if we have more than one dataset?

• ادغام مجموعه‌های داده ساده Merging some simple data sets

• ادغام داده‌های POS با داده‌های آنلاین Merging POS data with the online data

• راهنمای گام‌به‌گام: نحوه برخورد با تکالیف نمره‌دار Walkthrough - How to approach a graded assignment

• جمع‌بندی Summary

تحلیل اکتشافی داده‌ها (EDA) Exploratory data analysis

• مقدمه Introduction

• گفتگوی تخصصی: چرا EDA یک ابرقدرت است؟ Expert Talk - Why EDA is a superpower

• یافتن میانگین داده‌ها Finding the average of the data

• درک پراکندگی داده‌ها Understanding the spread of the data

• چارک‌ها (Quantiles): نحوه درک و بصری‌سازی آن‌ها Quantiles - how to understand and visualize them

• بررسی تغییرپذیری در داده‌های POS Exploring variability in the POS data

• شکل داده‌های من چگونه است؟ What shape is my data?

• درک توزیع ویژگی‌ها در داده‌های POS Understanding the distributions of features in the POS data

• درک توزیع داده‌ها Understanding Data Distributions

• برخی از اشکال رایج دیگر داده‌ها - بخش اول Some other common shapes of data - Part I

• برخی از اشکال رایج دیگر داده‌ها - بخش اول Some other common shapes of data - Part I

• برخی از اشکال رایج دیگر داده‌ها - بخش دوم Some other common shapes of data - Part II

• برخی از اشکال رایج دیگر داده‌ها - بخش سوم Some other common shapes of data - Part III

• شانس قرارگیری درآمد در یک بازه مشخص چقدر است؟ What chance of revenue falls in a given range

• ویژگی‌ها چگونه با یکدیگر مرتبط هستند؟ - بخش اول How are the features related to each other? - Part I

• ویژگی‌ها چگونه با یکدیگر مرتبط هستند؟ - بخش اول How are the features related to each other? - Part I

• ویژگی‌ها چگونه با یکدیگر مرتبط هستند؟ - بخش دوم How are the features related to each other? - Part II

• ویژگی‌ها چگونه با یکدیگر مرتبط هستند؟ - بخش دوم How are the features related to each other? - Part II

• بصری‌سازی ویژگی‌های دسته‌بندی شده Visualizing categorical features

• بصری‌سازی نسبت‌ها Visualizing proportions

• گفتگوی تخصصی: قدرت بصری‌سازی و اهمیت آن در روایتگری داده‌ها Expert Talk - Power of visualization & its importance in storytelling

• استفاده از Boxplot برای مقایسه درآمدها در بخش‌های مختلف داده‌های POS Using boxplots to compare revenues across segments in the POS data

• ساخت بصری‌سازی‌های بهتر - بخش سوم Making better visuals - Part III

• بهبود انتقال بینش‌ها از طریق ایجاد چندین زیرنمودار در یک نمودار Communicating insights better by creating multiple subplots within the same plot

• مقایسه توزیع درآمد هر بخش با هم‌پوشانی نمودارهای KDE Comparing the distribution of revenue for each sector by overlaying their KDE plots

• نمونه‌برداری از داده‌ها - بخش اول Sampling our data - Part I

• نمونه‌برداری از داده‌ها - بخش دوم Sampling our data - Part II

• مقدمه‌ای بر آزمون فرض - بخش اول Introduction to hypothesis testing - Part I

• مقدمه‌ای بر آزمون فرض - بخش دوم Introduction to hypothesis testing - Part II

• آزمون فرض با استفاده از Z-Test - بخش اول Hypothesis testing using Z - Test - Part I

• آزمون فرض با استفاده از Z-Test - بخش دوم Hypothesis testing using Z - Test - Part II

• آزمون فرض با استفاده از t-Test Hypothesis testing using t - Test

• آزمون فرض با استفاده از آزمون کای‌اسکوئر (Chi-square) Hypothesis testing using Chi-square test

• جمع‌بندی Summary

پیش‌پردازش داده‌ها Data pre-processing

• مقدمه Introduction

• گفتگوی تخصصی: مدیریت داده‌های گم‌شده Expert Talk - Handling missing data

• با مقادیر گم‌شده چه کنیم؟ What to do with missing values?

• مقادیر گم‌شده در داده‌های POS Missing values in the POS data

• مقادیر گم‌شده در یک ساختار سلسله‌مراتبی Missing values within a hierarchy

• مقادیر گم‌شده در یک ساختار سلسله‌مراتبی (ادامه) Missing values within a hierarchy (contd.)

• اگر بخش‌هایی از سلسله‌مراتب نیز گم شده باشند چه می‌شود؟ What if parts of the hierarchy are also missing?

• اتمام مراحل درمان مقادیر گم‌شده در داده‌های POS Finishing up missing value treatment in the POS data

• مقادیر گم‌شده: یک مثال ساده‌تر Missing values - another simpler example

• کار با ویژگی‌های دسته‌بندی شده (Categoric) Working with categoric features

• تبدیل ویژگی‌ها: Binning و گسسته‌سازی Transforming features - binning and discretization

• تبدیل ویژگی‌ها: Binning و گسسته‌سازی (ادامه) Transforming features - binning and discretization (contd.)

• کدگذاری ویژگی‌های دسته‌بندی شده: One Hot و Label Encoding Encoding categoric features - one-hot and label encoding

• کدگذاری ویژگی‌ها در داده‌های POS Encoding features in the POS data

• اتمام کدگذاری و ذخیره داده‌های کدگذاری شده Finishing up the encoding and saving the encoded data

• نرمال‌سازی داده‌ها چیست و چرا به آن نیاز داریم؟ What is data normalization and why do we need it?

• نرمال‌سازی داده‌ها با استفاده از Min-Max Scaling Data normalization using min-max scaling

• نرمال‌سازی داده‌ها با استفاده از Z-score Scaling Data normalization using z-score scaling

• سایر انواع تبدیل داده‌ها Other types of data transformation

• اعمال تبدیل لگاریتمی روی داده‌های آنلاین Applying log transformation to the online data

• یافتن داده‌های پرت (Outliers) Finding outlying data

• حذف داده‌های پرت با روش Drop Removing outliers by dropping them

• نحوه برخورد با داده‌های پرت: Imputation How to deal with outliers - imputation

• نحوه برخورد با داده‌های پرت: Capping How to deal with outliers - capping

• جمع‌بندی Summary

مهندسی ویژگی‌ها Feature Engineering

• مقدمه Introduction

• کاهش ابعاد مجموعه‌داده‌ها Reducing the dimensionality of data sets

• بررسی ویژگی‌های مجموعه داده چاقی (Obesity) Exploring the features of the obesity data set

• تحلیل مؤلفه‌های اصلی (PCA) چیست؟ What is Principal Component Analysis(PCA)?

• اعمال PCA روی داده‌های چاقی Applying PCA to the obesity data

• ایجاد نسخه تبدیل شده داده‌ها از طریق مهندسی ویژگی Creating a transformed version of the data through feature engineering

• گفتگوی تخصصی: هوش مصنوعی مولد (Gen AI) در پایتون Expert Talk - Gen AI in Python

• مقدمه‌ای بر Gen AI در پایتون برای علوم داده Introduction to Gen AI in Python for Data science

• تحلیل سریع داده‌ها با استفاده از PandasAI Some quick data analysis using PandasAI

• بصری‌سازی سریع داده‌ها با استفاده از PandasAI Some quick data visualization using PandasAI

• جمع‌بندی Summary