آموزش Python + SQL + Tableau: ادغام Python، SQL و Tableau

Python + SQL + Tableau: Integrating Python, SQL, and Tableau

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: تصویر کامل را ببینید: نحوه ترکیب سه ابزار مهم در علم داده را بیاموزید: Python، SQL، و Tableau نحوه استفاده از Python، SQL و Tableau با هم یکپارچه‌سازی نرم‌افزار تکنیک‌های پیش‌پردازش داده‌ها استفاده از یادگیری ماشینی ایجاد یک ماژول برای استفاده بعدی از مدل ML اتصال Python و SQL برای انتقال داده ها از Jupyter به Workbench تجسم داده ها در Tableau تجزیه و تحلیل و تفسیر خروجی های تمرین در Jupyter و Tableau

Python، SQL و Tableau سه مورد از پرکاربردترین ابزارها در دنیای علم داده هستند.

پایتون زبان برنامه نویسی پیشرو است؛

SQL پرکاربردترین وسیله برای ارتباط با سیستم های پایگاه داده است؛

Tableau راه حل ترجیحی برای تجسم داده است؛

به بیان ساده - SQL به ما کمک می کند تا داده هایی را که با آنها کار می کنیم ذخیره و دستکاری کنیم، Python به ما امکان می دهد کد بنویسیم و محاسبات را انجام دهیم، و سپس Tableau تجسم داده های زیبا را فعال می کند. یکپارچگی سنجیده‌شده که بر روی این سه ستون قدم بگذارد، می‌تواند سالانه میلیون‌ها دلار برای یک کسب‌وکار از نظر پرسنل گزارش‌دهی صرفه‌جویی کند.

بنابراین، ناگفته نماند که کارفرمایان هنگام ارسال شرح شغل Data Scientist و Business Intelligence Analyst به دنبال Python، SQL و Tableau هستند. نه تنها این، بلکه آنها می خواهند نامزدی پیدا کنند که بداند چگونه از این سه ابزار به طور همزمان استفاده کند. به این صورت است که وظایف تجزیه و تحلیل داده های تکراری را می توان خودکار کرد.

بنابراین، در این دوره آموزشی، نحوه ادغام Python، SQL و Tableau را به شما آموزش خواهیم داد. یک مهارت ضروری که به شما نسبت به سایر نامزدها برتری می دهد. در واقع، بهترین راه برای متمایز کردن رزومه کاری و فراخوانی برای مصاحبه، کسب مهارت های مرتبطی است که سایر نامزدها فاقد آن هستند. و از آنجا که، ما موضوعی را آماده کرده‌ایم که در جای دیگری به آن پرداخته نشده است، شما مهارتی را انتخاب می‌کنید که واقعاً این پتانسیل را دارد که نمایه شما را متمایز کند.

بسیاری از مردم می دانند که چگونه برخی از کدها را در پایتون بنویسند.

دیگران تا حدی از SQL و Tableau استفاده می کنند.

با این حال، تعداد بسیار کمی قادر به دیدن تصویر کامل و ادغام Python، SQL، و Tableau هستند که یک راه حل جامع ارائه می دهد. در آینده ای نزدیک، اکثر کسب و کارها با اجرای تکنیک هایی که در این دوره خواهید دید، وظایف گزارش گیری و تجزیه و تحلیل کسب و کار خود را خودکار می کنند. اگر در نهایت فردی باشید که چنین وظایفی را خودکار می کند، برای آینده شغلی شما در یک شرکت یا مشاور بسیار ارزشمند خواهد بود.

تجربه ما در یکی از شرکت‌های بزرگ جهانی به ما نشان داد که مشاوری با این مهارت‌ها می‌تواند در هر ساعت مبلغ چهار رقمی دریافت کند. و شرکت از پرداخت این پول خوشحال بود زیرا محصول نهایی منجر به کارایی قابل توجهی در دراز مدت شد.

این دوره با معرفی یکپارچه سازی نرم افزار به عنوان یک مفهوم شروع می شود. ما برخی از اصطلاحات مهم مانند سرورها، مشتریان، درخواست‌ها و پاسخ‌ها را مورد بحث قرار خواهیم داد. علاوه بر این، با اتصال داده، APIها و نقاط پایانی آشنا خواهید شد.

سپس، با معرفی    تمرین مثالی واقعی که دوره بر آن متمرکز شده است - مجموعه داده «غیبت در محل کار» ادامه خواهیم داد. بخش پیش پردازشی که در ادامه می‌آید به شما چشیدن چگونگی ظاهر BI و علم داده در موقعیت‌های شغلی واقعی را می‌دهد. این بسیار مهم است زیرا مقدار قابل توجهی از کار یک دانشمند داده شامل پیش پردازش است، اما بسیاری از مواد آموزشی این را حذف نمی کنند

سپس با اعمال مقداری یادگیری ماشینی روی داده‌هایمان ادامه می‌دهیم. شما یاد خواهید گرفت که چگونه مشکل موجود را از منظر یادگیری ماشین بررسی کنید، چگونه اهداف ایجاد کنید، چه نوع پیش پردازش آماری برای این بخش از تمرین لازم است، چگونه یک مدل یادگیری ماشین را آموزش دهید، و چگونه آن را آزمایش کنید. یک تمرین ML واقعاً جامع.

اتصال پایتون و SQL فوری نیست. ما نشان داده ایم که چگونه این کار در یک بخش کامل از دوره انجام می شود. در پایان آن بخش، می‌توانید داده‌ها را از Jupyter به Workbench منتقل کنید.

و در نهایت، همانطور که قول داده بود، Tableau به ما اجازه می دهد تا داده هایی را که با آنها کار کرده ایم تجسم کنیم. ما چندین نمودار روشنگر آماده خواهیم کرد و نتایج را با هم تفسیر خواهیم کرد.

همانطور که می بینید، این یک تمرین علم داده واقعاً جامع است. نیازی به دوبار فکر کردن نیست. اگر اکنون این دوره را بگذرانید، مهارت‌های ارزشمندی کسب خواهید کرد که به شما کمک می‌کند از بقیه داوطلبانی که برای شغلی رقابت می‌کنند متمایز شوید.

همچنین، ما خوشحالیم که 30 روز ضمانت بی‌قید و شرط و بدون هیچ‌گونه سؤالی را برای بازگشت پول به شما ارائه می‌دهیم که از این دوره لذت خواهید برد.

بنابراین، بیایید این کار را انجام دهیم! تنها پشیمانی که خواهید داشت این است که این دوره را زودتر پیدا نکردید!


سرفصل ها و درس ها

معرفی Introduction

  • دوره شامل چه مواردی است؟ What Does the Course Cover?

معرفی Introduction

  • دوره شامل چه مواردی است؟ What Does the Course Cover?

یکپارچه سازی نرم افزار چیست؟ What is software integration?

  • ویژگی ها و تعاریف: داده ها، سرورها، مشتریان، درخواست ها و پاسخ ها Properties and Definitions: Data, Servers, Clients, Requests and Responses

  • ویژگی ها و تعاریف: داده ها، سرورها، مشتریان، درخواست ها و پاسخ ها Properties and Definitions: Data, Servers, Clients, Requests and Responses

  • ویژگی ها و تعاریف: اتصال داده ها، API ها و نقاط پایانی Properties and Definitions: Data Connectivity, APIs, and Endpoints

  • ویژگی ها و تعاریف: اتصال داده ها، API ها و نقاط پایانی Properties and Definitions: Data Connectivity, APIs, and Endpoints

  • جزئیات بیشتر در مورد API ها Further Details on APIs

  • جزئیات بیشتر در مورد API ها Further Details on APIs

  • فایل های متنی به عنوان ابزار ارتباطی Text Files as Means of Communication

  • فایل های متنی به عنوان ابزار ارتباطی Text Files as Means of Communication

  • تعاریف و کاربردها Definitions and Applications

  • تعاریف و کاربردها Definitions and Applications

یکپارچه سازی نرم افزار چیست؟ What is software integration?

  • ویژگی ها و تعاریف: داده ها، سرورها، مشتریان، درخواست ها و پاسخ ها Properties and Definitions: Data, Servers, Clients, Requests and Responses

  • ویژگی ها و تعاریف: داده ها، سرورها، مشتریان، درخواست ها و پاسخ ها Properties and Definitions: Data, Servers, Clients, Requests and Responses

  • ویژگی ها و تعاریف: اتصال داده ها، API ها و نقاط پایانی Properties and Definitions: Data Connectivity, APIs, and Endpoints

  • ویژگی ها و تعاریف: اتصال داده ها، API ها و نقاط پایانی Properties and Definitions: Data Connectivity, APIs, and Endpoints

  • جزئیات بیشتر در مورد API ها Further Details on APIs

  • جزئیات بیشتر در مورد API ها Further Details on APIs

  • فایل های متنی به عنوان ابزار ارتباطی Text Files as Means of Communication

  • فایل های متنی به عنوان ابزار ارتباطی Text Files as Means of Communication

  • تعاریف و کاربردها Definitions and Applications

  • تعاریف و کاربردها Definitions and Applications

راه اندازی محیط کار Setting up the working environment

  • تنظیم محیط - مقدمه (لطفاً از آن نگذرید)! Setting Up the Environment - An Introduction (Do Not Skip, Please)!

  • چرا پایتون و چرا ژوپیتر؟ Why Python and why Jupyter?

  • چرا پایتون و چرا ژوپیتر؟ Why Python and why Jupyter?

  • نصب آناکوندا Installing Anaconda

  • داشبورد Jupyter - قسمت 1 The Jupyter Dashboard - Part 1

  • داشبورد Jupyter - قسمت 2 The Jupyter Dashboard - Part 2

  • میانبرهای Jupyter Jupyter Shortcuts

  • داشبورد Jupyter The Jupyter Dashboard

  • نصب اسکلرن Installing sklearn

  • نصب بسته ها - تمرین Installing Packages - Exercise

  • نصب بسته ها - راه حل Installing Packages - Solution

راه اندازی محیط کار Setting up the working environment

  • تنظیم محیط - مقدمه (لطفاً از آن نگذرید)! Setting Up the Environment - An Introduction (Do Not Skip, Please)!

  • چرا پایتون و چرا ژوپیتر؟ Why Python and why Jupyter?

  • چرا پایتون و چرا ژوپیتر؟ Why Python and why Jupyter?

  • نصب آناکوندا Installing Anaconda

  • داشبورد Jupyter - قسمت 1 The Jupyter Dashboard - Part 1

  • داشبورد Jupyter - قسمت 2 The Jupyter Dashboard - Part 2

  • میانبرهای Jupyter Jupyter Shortcuts

  • داشبورد Jupyter The Jupyter Dashboard

  • نصب اسکلرن Installing sklearn

  • نصب بسته ها - تمرین Installing Packages - Exercise

  • نصب بسته ها - راه حل Installing Packages - Solution

بعدی در دوره چیست؟ What's next in the course?

  • بالا جلوتر Up Ahead

  • مثال زندگی واقعی: غیبت در محل کار Real-Life Example: Absenteeism at Work

  • مثال واقعی: مجموعه داده Real-Life Example: The Dataset

  • مثال واقعی: مجموعه داده Real-Life Example: The Dataset

  • اطلاعیه مهم در مورد مجموعه داده ها Important Notice Regarding Datasets

بعدی در دوره چیست؟ What's next in the course?

  • بالا جلوتر Up Ahead

  • مثال زندگی واقعی: غیبت در محل کار Real-Life Example: Absenteeism at Work

  • مثال واقعی: مجموعه داده Real-Life Example: The Dataset

  • مثال واقعی: مجموعه داده Real-Life Example: The Dataset

  • اطلاعیه مهم در مورد مجموعه داده ها Important Notice Regarding Datasets

پیش پردازش Preprocessing

  • از چند بخش بعدی چه انتظاری داریم What to Expect from the Next Couple of Sections

  • مجموعه داده ها در پایتون Data Sets in Python

  • داده ها در یک نگاه Data at a Glance

  • یادداشتی در مورد استفاده ما از اصطلاحات با معانی متعدد A Note on Our Usage of Terms with Multiple Meanings

  • مقاله - مروری کوتاه بر تحلیل رگرسیون ARTICLE - A Brief Overview of Regression Analysis

  • انتخاب رویکرد مناسب برای کار در دست Picking the Appropriate Approach for the Task at Hand

  • حذف داده های نامربوط Removing Irrelevant Data

  • تمرین - حذف داده های نامربوط EXERCISE - Removing Irrelevant Data

  • راه حل - حذف داده های نامربوط SOLUTION - Removing Irrelevant Data

  • بررسی دلایل غیبت Examining the Reasons for Absence

  • تقسیم یک ستون به چند آدمک Splitting a Column into Multiple Dummies

  • تمرین - تقسیم یک ستون به چند آدمک EXERCISE - Splitting a Column into Multiple Dummies

  • راه حل - تقسیم یک ستون به چند آدمک SOLUTION - Splitting a Column into Multiple Dummies

  • مقاله - متغیرهای ساختگی: استدلال ARTICLE - Dummy Variables: Reasoning

  • متغیرهای ساختگی و اهمیت آماری آنها Dummy Variables and Their Statistical Importance

  • گروه بندی - تبدیل متغیرهای ساختگی به متغیرهای طبقه ای Grouping - Transforming Dummy Variables into Categorical Variables

  • به هم پیوستن ستون ها در پایتون Concatenating Columns in Python

  • تمرین - به هم پیوستن ستون ها در پایتون EXERCISE - Concatenating Columns in Python

  • راه حل - به هم پیوستن ستون ها در پایتون SOLUTION - Concatenating Columns in Python

  • تغییر ترتیب ستون ها در Pandas DataFrame Changing Column Order in Pandas DataFrame

  • EXERCISE - تغییر ترتیب ستون ها در Pandas DataFrame EXERCISE - Changing Column Order in Pandas DataFrame

  • راه حل - تغییر ترتیب ستون ها در Pandas DataFrame SOLUTION - Changing Column Order in Pandas DataFrame

  • پیاده سازی چک پوینت در کدنویسی Implementing Checkpoints in Coding

  • تمرین - پیاده سازی نقاط بازرسی در کدنویسی EXERCISE - Implementing Checkpoints in Coding

  • راه حل - پیاده سازی Checkpoint در کدنویسی SOLUTION - Implementing Checkpoint in Coding

  • کاوش در ستون "تاریخ" اولیه Exploring the Initial "Date" Column

  • استفاده از ستون "تاریخ" برای استخراج مقدار مناسب ماه Using the "Date" Column to Extract the Appropriate Month Value

  • معرفی "روز هفته" Introducing "Day of the Week"

  • تمرین - حذف ستون ها EXERCISE - Removing Columns

  • تجزیه و تحلیل بیشتر DataFrame: 5 ستون بعدی Further Analysis of the DataFrame: Next 5 Columns

  • تجزیه و تحلیل بیشتر DaraFrame: "آموزش"، "کودکان"، "حیوانات خانگی" Further Analysis of the DaraFrame: "Education", "Children", "Pets"

  • نکته پایانی در مورد پیش پردازش A Final Note on Preprocessing

  • نکته ای در مورد صادرات داده های خود به عنوان یک فایل *.csv A Note on Exporting Your Data as a *.csv File

پیش پردازش Preprocessing

  • از چند بخش بعدی چه انتظاری داریم What to Expect from the Next Couple of Sections

  • مجموعه داده ها در پایتون Data Sets in Python

  • داده ها در یک نگاه Data at a Glance

  • یادداشتی در مورد استفاده ما از اصطلاحات با معانی متعدد A Note on Our Usage of Terms with Multiple Meanings

  • مقاله - مروری کوتاه بر تحلیل رگرسیون ARTICLE - A Brief Overview of Regression Analysis

  • انتخاب رویکرد مناسب برای کار در دست Picking the Appropriate Approach for the Task at Hand

  • حذف داده های نامربوط Removing Irrelevant Data

  • تمرین - حذف داده های نامربوط EXERCISE - Removing Irrelevant Data

  • راه حل - حذف داده های نامربوط SOLUTION - Removing Irrelevant Data

  • بررسی دلایل غیبت Examining the Reasons for Absence

  • تقسیم یک ستون به چند آدمک Splitting a Column into Multiple Dummies

  • تمرین - تقسیم یک ستون به چند آدمک EXERCISE - Splitting a Column into Multiple Dummies

  • راه حل - تقسیم یک ستون به چند آدمک SOLUTION - Splitting a Column into Multiple Dummies

  • مقاله - متغیرهای ساختگی: استدلال ARTICLE - Dummy Variables: Reasoning

  • متغیرهای ساختگی و اهمیت آماری آنها Dummy Variables and Their Statistical Importance

  • گروه بندی - تبدیل متغیرهای ساختگی به متغیرهای طبقه ای Grouping - Transforming Dummy Variables into Categorical Variables

  • به هم پیوستن ستون ها در پایتون Concatenating Columns in Python

  • تمرین - به هم پیوستن ستون ها در پایتون EXERCISE - Concatenating Columns in Python

  • راه حل - به هم پیوستن ستون ها در پایتون SOLUTION - Concatenating Columns in Python

  • تغییر ترتیب ستون ها در Pandas DataFrame Changing Column Order in Pandas DataFrame

  • EXERCISE - تغییر ترتیب ستون ها در Pandas DataFrame EXERCISE - Changing Column Order in Pandas DataFrame

  • راه حل - تغییر ترتیب ستون ها در Pandas DataFrame SOLUTION - Changing Column Order in Pandas DataFrame

  • پیاده سازی چک پوینت در کدنویسی Implementing Checkpoints in Coding

  • تمرین - پیاده سازی نقاط بازرسی در کدنویسی EXERCISE - Implementing Checkpoints in Coding

  • راه حل - پیاده سازی Checkpoint در کدنویسی SOLUTION - Implementing Checkpoint in Coding

  • کاوش در ستون "تاریخ" اولیه Exploring the Initial "Date" Column

  • استفاده از ستون "تاریخ" برای استخراج مقدار مناسب ماه Using the "Date" Column to Extract the Appropriate Month Value

  • معرفی "روز هفته" Introducing "Day of the Week"

  • تمرین - حذف ستون ها EXERCISE - Removing Columns

  • تجزیه و تحلیل بیشتر DataFrame: 5 ستون بعدی Further Analysis of the DataFrame: Next 5 Columns

  • تجزیه و تحلیل بیشتر DaraFrame: "آموزش"، "کودکان"، "حیوانات خانگی" Further Analysis of the DaraFrame: "Education", "Children", "Pets"

  • نکته پایانی در مورد پیش پردازش A Final Note on Preprocessing

  • نکته ای در مورد صادرات داده های خود به عنوان یک فایل *.csv A Note on Exporting Your Data as a *.csv File

فراگیری ماشین Machine Learning

  • بررسی مسئله از دیدگاه یادگیری ماشینی Exploring the Problem from a Machine Learning Point of View

  • ایجاد اهداف برای رگرسیون لجستیک Creating the Targets for the Logistic Regression

  • انتخاب ورودی ها Selecting the Inputs

  • کمی پیش پردازش آماری A Bit of Statistical Preprocessing

  • آموزش آزمون تقسیم داده ها Train-test Split of the Data

  • آموزش مدل و ارزیابی دقت آن Training the Model and Assessing its Accuracy

  • استخراج رهگیری و ضرایب از یک رگرسیون لجستیک Extracting the Intercept and Coefficients from a Logistic Regression

  • تفسیر ضرایب رگرسیون لجستیک Interpreting the Logistic Regression Coefficients

  • حذف متغیرهای ساختگی از استانداردسازی Omitting the dummy variables from the Standardization

  • تفسیر پیش بینی کننده های مهم Interpreting the Important Predictors

  • ساده سازی مدل (حذف به عقب) Simplifying the Model (Backward Elimination)

  • آزمایش مدل یادگیری ماشینی Testing the Machine Learning Model

  • چگونه مدل یادگیری ماشین را ذخیره کنیم و آن را برای استقرار آینده آماده کنیم How to Save the Machine Learning Model and Prepare it for Future Deployment

  • مقاله - بیشتر در مورد "ترشی کردن" ARTICLE - More about 'pickling'

  • EXERCISE - ذخیره مدل (و مقیاس‌کننده) EXERCISE - Saving the Model (and Scaler)

  • ایجاد یک ماژول برای استفاده بعدی از مدل Creating a Module for Later Use of the Model

فراگیری ماشین Machine Learning

  • بررسی مسئله از دیدگاه یادگیری ماشینی Exploring the Problem from a Machine Learning Point of View

  • ایجاد اهداف برای رگرسیون لجستیک Creating the Targets for the Logistic Regression

  • انتخاب ورودی ها Selecting the Inputs

  • کمی پیش پردازش آماری A Bit of Statistical Preprocessing

  • آموزش آزمون تقسیم داده ها Train-test Split of the Data

  • آموزش مدل و ارزیابی دقت آن Training the Model and Assessing its Accuracy

  • استخراج رهگیری و ضرایب از یک رگرسیون لجستیک Extracting the Intercept and Coefficients from a Logistic Regression

  • تفسیر ضرایب رگرسیون لجستیک Interpreting the Logistic Regression Coefficients

  • حذف متغیرهای ساختگی از استانداردسازی Omitting the dummy variables from the Standardization

  • تفسیر پیش بینی کننده های مهم Interpreting the Important Predictors

  • ساده سازی مدل (حذف به عقب) Simplifying the Model (Backward Elimination)

  • آزمایش مدل یادگیری ماشینی Testing the Machine Learning Model

  • چگونه مدل یادگیری ماشین را ذخیره کنیم و آن را برای استقرار آینده آماده کنیم How to Save the Machine Learning Model and Prepare it for Future Deployment

  • مقاله - بیشتر در مورد "ترشی کردن" ARTICLE - More about 'pickling'

  • EXERCISE - ذخیره مدل (و مقیاس‌کننده) EXERCISE - Saving the Model (and Scaler)

  • ایجاد یک ماژول برای استفاده بعدی از مدل Creating a Module for Later Use of the Model

نصب MySQL و آشنایی با اینترفیس Installing MySQL and Getting Acquainted with the Interface

  • نصب MySQL Installing MySQL

  • نصب MySQL بر روی سیستم های macOS و Unix Installing MySQL on macOS and Unix systems

  • راه اندازی یک اتصال Setting Up a Connection

  • مقدمه ای بر رابط MySQL Introduction to the MySQL Interface

نصب MySQL و آشنایی با اینترفیس Installing MySQL and Getting Acquainted with the Interface

  • نصب MySQL Installing MySQL

  • نصب MySQL بر روی سیستم های macOS و Unix Installing MySQL on macOS and Unix systems

  • راه اندازی یک اتصال Setting Up a Connection

  • مقدمه ای بر رابط MySQL Introduction to the MySQL Interface

اتصال پایتون و SQL Connecting Python and SQL

  • آیا مطمئن هستید که همه چیز آماده است؟ Are you sure you're all set?

  • اجرای "مدول_غیبت" - قسمت اول Implementing the 'absenteeism_module' - Part I

  • اجرای "مدول_غیبت" - قسمت دوم Implementing the 'absenteeism_module' - Part II

  • ایجاد پایگاه داده در MySQL Creating a Database in MySQL

  • وارد کردن و نصب "pymysql" Importing and Installing 'pymysql'

  • ایجاد اتصال و مکان نما Creating a Connection and Cursor

  • تمرین - ایجاد "df_new_obs" EXERCISE - Create 'df_new_obs'

  • ایجاد جدول 'predicted_outputs' در MySQL Creating the 'predicted_outputs' table in MySQL

  • اجرای یک دستور SQL SELECT از پایتون Running an SQL SELECT Statement from Python

  • انتقال داده ها از Jupyter به Workbench - قسمت اول Transferring Data from Jupyter to Workbench - Part I

  • انتقال داده ها از Jupyter به Workbench - قسمت دوم Transferring Data from Jupyter to Workbench - Part II

  • انتقال داده ها از Jupyter به Workbench - قسمت سوم Transferring Data from Jupyter to Workbench - Part III

اتصال پایتون و SQL Connecting Python and SQL

  • آیا مطمئن هستید که همه چیز آماده است؟ Are you sure you're all set?

  • اجرای "مدول_غیبت" - قسمت اول Implementing the 'absenteeism_module' - Part I

  • اجرای "مدول_غیبت" - قسمت دوم Implementing the 'absenteeism_module' - Part II

  • ایجاد پایگاه داده در MySQL Creating a Database in MySQL

  • وارد کردن و نصب "pymysql" Importing and Installing 'pymysql'

  • ایجاد اتصال و مکان نما Creating a Connection and Cursor

  • تمرین - ایجاد "df_new_obs" EXERCISE - Create 'df_new_obs'

  • ایجاد جدول 'predicted_outputs' در MySQL Creating the 'predicted_outputs' table in MySQL

  • اجرای یک دستور SQL SELECT از پایتون Running an SQL SELECT Statement from Python

  • انتقال داده ها از Jupyter به Workbench - قسمت اول Transferring Data from Jupyter to Workbench - Part I

  • انتقال داده ها از Jupyter به Workbench - قسمت دوم Transferring Data from Jupyter to Workbench - Part II

  • انتقال داده ها از Jupyter به Workbench - قسمت سوم Transferring Data from Jupyter to Workbench - Part III

تجزیه و تحلیل داده های به دست آمده در Tableau Analyzing the Obtained data in Tableau

  • ورزش - سن در مقابل احتمال EXERCISE - Age vs Probability

  • تجزیه و تحلیل در جدول: سن در مقابل احتمال Analysis in Tableau: Age vs Probability

  • تمرین - دلایل در مقابل احتمال EXERCISE - Reasons vs Probability

  • تجزیه و تحلیل در جدول: دلایل در مقابل احتمال Analysis in Tableau: Reasons vs Probability

  • EXERCISE - هزینه حمل و نقل در مقابل احتمال EXERCISE - Transportation Expense vs Probability

  • تجزیه و تحلیل در جدول: هزینه حمل و نقل در مقابل احتمال Analysis in Tableau: Transportation Expense vs Probability

تجزیه و تحلیل داده های به دست آمده در Tableau Analyzing the Obtained data in Tableau

  • ورزش - سن در مقابل احتمال EXERCISE - Age vs Probability

  • تجزیه و تحلیل در جدول: سن در مقابل احتمال Analysis in Tableau: Age vs Probability

  • تمرین - دلایل در مقابل احتمال EXERCISE - Reasons vs Probability

  • تجزیه و تحلیل در جدول: دلایل در مقابل احتمال Analysis in Tableau: Reasons vs Probability

  • EXERCISE - هزینه حمل و نقل در مقابل احتمال EXERCISE - Transportation Expense vs Probability

  • تجزیه و تحلیل در جدول: هزینه حمل و نقل در مقابل احتمال Analysis in Tableau: Transportation Expense vs Probability

سخنرانی پاداش Bonus lecture

  • سخنرانی پاداش: مراحل بعدی Bonus Lecture: Next Steps

سخنرانی پاداش Bonus lecture

  • سخنرانی پاداش: مراحل بعدی Bonus Lecture: Next Steps

نمایش نظرات

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.

آموزش Python + SQL + Tableau: ادغام Python، SQL و Tableau
جزییات دوره
5 hours
91
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
37,980
4.4 از 5
دارد
دارد
دارد
365 Careers
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

365 Careers 365 Careers

ایجاد فرصت برای دانشجویان علوم داده و مالی