آموزش تحلیل داده‌های حسابداری با پایتون - آخرین آپدیت

دانلود Accounting Data Analytics with Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره بر توسعه مهارت‌های پایتون برای تجمیع داده‌های تجاری تمرکز دارد. این آموزش برخی از مطالب دوره «مقدمه‌ای بر تحلیل و تجسم داده‌های حسابداری» را پوشش می‌دهد، اما در یک محیط برنامه‌نویسی عمومی‌تر (Jupyter Notebook برای پایتون) به جای اکسل و ویرایشگر Visual Basic ارائه می‌شود. این مفاهیم در قالب یک یا چند حوزه داده‌های حسابداری (مانند داده‌های صورت‌های مالی از EDGAR، داده‌های سهام، داده‌های وام و داده‌های نقطه فروش) آموزش داده می‌شوند. نیمه اول دوره از جایی شروع می‌شود که دوره مقدماتی متوقف شده بود: استفاده از یک محیط توسعه یکپارچه برای خودکارسازی وظایف تحلیل داده. ما در مورد نحوه مدیریت کد و اشتراک‌گذاری نتایج در Jupyter Notebook، که یک محیط توسعه محبوب برای نرم‌افزارهای تحلیل داده مانند پایتون و R است، بحث می‌کنیم. سپس برخی از مهارت‌های برنامه‌نویسی اساسی مانند عملگرهای ریاضی، توابع، دستورات شرطی و حلقه‌ها را با استفاده از نرم‌افزار پایتون مرور می‌کنیم. نیمه دوم دوره بر تجمیع داده‌ها برای اهداف یادگیری ماشین تمرکز دارد. ما دانشجویان را با دیتافریم‌های Pandas و کتابخانه NumPy برای ساختاردهی و دستکاری داده‌ها آشنا می‌کنیم. سپس داده‌ها را با استفاده از تجسم‌سازی (Visualization) و رگرسیون خطی تحلیل خواهیم کرد. در نهایت، نحوه استفاده از پایتون برای تعامل با داده‌های SQL را توضیح می‌دهیم.

سرفصل ها و درس ها

جهت‌گیری دوره و ماژول ۱: مبانی Course Orientation and Module 1: Foundations

  • معرفی دوره Course Introduction

  • درباره رونالد گایمون About Ronald Guymon

  • درباره لیندن لو About Linden Lu

  • مقدمه ماژول ۱ Module 1 Introduction

  • ۱.۱ مقدمه‌ای بر تحلیل داده‌ها 1.1 Introduction to Data Analytics

  • ۱.۲ ژوپیتر نوتبوک (Jupyter Notebook) 1.2 Jupyter Notebook

  • پایتون و محیط‌های توسعه یکپارچه (IDEs) Python and Integrated Development Environments (IDEs)

  • نصب پایتون با استفاده از JupyterLab Desktop (پیشنهادی برای کاربران ویندوز و مک) Installing Python Using JupyterLab Desktop (Recommended for Windows and Mac Users)

  • نصب پایتون با استفاده از Homebrew و Pyenv (برای کاربران پیشرفته مک) Installing Python Using Homebrew and Pyenv (For advanced Mac users)

  • نصب پایتون از Python.org برای ویندوز (برای کاربران پیشرفته ویندوز) Installing Python from Python.org for Windows (For advanced Windows users)

  • ناوبری در Jupyter Notebook Navigating Jupyter Notebook

  • ناوبری در JupyterLab Navigating JupyterLab

  • استفاده از فایل‌های Notebook Using Notebook Files

  • ناوبری در Spyder Navigating Spyder

  • مقایسه Jupyter Notebook، JupyterLab و Spyder Comparison of Jupyter Notebook, JupyterLab, and Spyder

  • مرور پوشه‌ها Refreshing Folders

  • ۱.۳ مقدمه‌ای بر Markdown 1.3 Introduction to Markdown

  • مبانی Markdown Markdown Basics

  • مرور ماژول ۱ Module 1 Review

ماژول ۲: مقدمه‌ای بر پایتون Module 2: Introduction to Python

  • مقدمه ماژول ۲ Module 2 Introduction

  • ۲.۱ مقدمه‌ای بر پایتون 2.1 Introduction to Python

  • مبانی کدنویسی پایتون Python Code Basics

  • متغیرها، انواع داده‌ها و عملگرها Variables, Data Types, and Operators

  • ۲.۲ مقدمه‌ای بر توابع پایتون 2.2 Introduction to Python Functions

  • توابع داخلی (Built-in) Built-In Functions

  • توابع تعریف شده توسط کاربر User-Defined Functions

  • تفاوت توابع و متدها Functions vs Methods

  • مرور پوشه‌ها Refreshing Folders

  • ۲.۳ دستورات شرطی در پایتون 2.3 Conditional Statements in Python

  • عملگرهای مقایسه‌ای و منطقی Comparison and Logical Operators

  • کار با دستورات شرطی Working With Conditional Statements

  • مرور ماژول ۲ Module 2 Review

ماژول ۳: مقدمه‌ای بر برنامه‌نویسی پایتون Module 3: Introduction to Python Programming

  • مقدمه ماژول ۳ Module 3 Introduction

  • ۳.۱ مقدمه‌ای بر ساختارهای داده در پایتون 3.1 Introduction to Python Data Structures

  • مقدمه‌ای بر رشته‌ها (Strings) Introduction to Strings

  • مقدمه‌ای بر لیست‌ها (Lists) Introduction to Lists

  • مقدمه‌ای بر دیکشنری‌ها، تاپل‌ها و Unpacking Introduction to Dictionaries, Tuples, and Unpacking

  • عملیات رایج روی دنباله‌ها Common Sequence Operations

  • مرور پوشه‌ها Refreshing Folders

  • ۳.۲ کار با ساختارهای داده پایتون 3.2 Working With Python Data Structure

  • کار با رشته‌ها Working With Strings

  • کار با لیست‌ها و تاپل‌ها Working With Lists and Tuples

  • کار با دیکشنری‌ها Working With Dictionaries

  • ۳.۳ مقدمه‌ای بر حلقه‌ها در پایتون 3.3 Introduction to Python Loops

  • حلقه For The For Loop

  • حلقه While The While Loop

  • Comprehensions Comprehensions

  • مرور ماژول ۳ Module 3 Review

ماژول ۴: برنامه‌نویسی پایتون Module 4: Python Programming

  • مقدمه ماژول ۴ Module 4 Introduction

  • ۴.۱ نوشتن برنامه‌های پایتون 4.1 Writing Python Programs

  • ماژول‌های پایتون Python Modules

  • خطاها و استثناها (Exceptions) Errors and Exceptions

  • ۴.۲ مقدمه‌ای بر NumPy 4.2 Introduction to NumPy

  • آرایه‌های NumPy NumPy Array

  • توابع پایه NumPy NumPy Basic Functions

  • مرور پوشه‌ها Refreshing Folders

  • ۴.۳ مقدمه‌ای بر Pandas 4.3 Introduction to Pandas

  • مقدمه‌ای بر دیتافریم‌ها Introduction to Dataframes

  • انتخاب داده‌ها با دیتافریم‌ها Data Selection With Dataframes

  • مقادیر مفقود و کپی در دیتافریم‌ها Missing Values and Copies With Dataframes

  • مرور ماژول ۴ Module 4 Review

ماژول ۵: تحلیل داده با پایتون Module 5: Data Analysis With Python

  • مقدمه ماژول ۵ Module 5 Introduction

  • ۵.۱ ورودی/خروجی فایل در پایتون 5.1 Python File IO

  • خواندن و نوشتن فایل‌ها با پایتون پایه Reading and Writing Files With Base Python

  • خواندن و نوشتن فایل‌ها با Pandas Reading and Writing Files With Pandas

  • حفظ انواع داده با استفاده از Pickling Preserving Data Types With Pickling

  • مرور پوشه‌ها Refreshing Folders

  • ۵.۲ کار با دیتافریم Pandas 5.2 Working With the Pandas DataFrame

  • کاوش در دیتافریم‌ها Exploring Dataframes

  • کپی کردن و مرتب‌سازی دیتافریم‌ها Copying and Sorting Dataframes

  • تغییر نام ستون‌ها و ردیف‌های دیتافریم‌ها Changing Column and Row Names of Dataframes

  • گروه‌بندی و تجمیع با دیتافریم‌ها Grouping and Aggregating With Dataframes

  • Stacking و Pivoting دیتافریم‌ها Stacking and Pivoting Dataframes

  • ۵.۳ مقدمه‌ای بر آمار توصیفی 5.3 Introduction to Descriptive Statistics

  • آمار توصیفی برای دیتافریم‌ها Descriptive Statistics for Dataframes

  • مرور ماژول ۵ Module 5 Review

ماژول ۶: مقدمه‌ای بر تجسم داده در پایتون Module 6: Introduction to Visualization in Python

  • مقدمه ماژول ۶ Module 6 Introduction

  • ۶.۱ مقدمه‌ای بر رسم نمودار با پایتون 6.1 Introduction to Plotting With Python

  • مقدمه‌ای بر رسم نمودار با Pandas Introduction to Plotting With Pandas

  • آموزش بیشتر رسم نمودار با Pandas More on Plotting With Pandas

  • مقدمه‌ای بر Matplotlib Introduction to matplotlib

  • آموزش بیشتر رسم نمودار با Matplotlib More on Plotting With matplotlib

  • مقدمه‌ای بر رسم نمودار با Seaborn Introduction to Plotting With Seaborn

  • مرور پوشه‌ها Refreshing Folders

  • ۶.۲ مقدمه‌ای بر تجسم داده‌های تک‌بعدی 6.2 Introduction to One-Dimensional Data Visualization

  • مقدمه‌ای بر هیستوگرام‌های Seaborn Introduction to Seaborn Histograms

  • مقدمه‌ای بر نمودارهای جعبه‌ای (Box Plots) در Seaborn Introduction to Seaborn Box Plots

  • مقدمه‌ای بر نمودارهای میله‌ای (Bar Plots) در Seaborn Introduction to Seaborn Bar Plots

  • ۶.۳ مقدمه‌ای بر داده‌های دوبعدی 6.3 Introduction to Two-Dimensional Data

  • مقدمه‌ای بر نمودارهای پراکندگی (Scatter Plots) Introduction to Scatter Plots

  • مقدمه‌ای بر نمودارهای جفت‌شده (Pair Plots) Introduction to Pair Plots

  • مقدمه‌ای بر نمودارهای مشترک (Joint Plots) Introduction to Joint Plots

  • مرور ماژول ۶ Module 6 Review

ماژول ۷: تحلیل داده‌های تولیدی Module 7: Production Data Analytics

  • مقدمه ماژول ۷ Module 7 Introduction

  • ۷.۱ مقدمه‌ای بر CRISP-DM 7.1 Introduction to CRISP-DM

  • ۷.۲ مقدمه‌ای بر تکنیک‌های آماده‌سازی داده‌ها 7.2 Introduction to Data Preparation Techniques

  • توابع Pandas برای بارگذاری داده‌ها Pandas Functions to Load Data

  • پر کردن مقادیر مفقود با میانگین شرطی Fill in Missing Values With Conditional Means

  • دستکاری ستون‌های رشته‌ای در یک دیتافریم Manipulating String Columns of a Dataframe

  • ایجاد مقادیر تاریخ و زمان (Datetime) Creating Datetime Values

  • Split، Apply، Combine و موارد دیگر در Datetimes Split, Apply Combine and More on Datetimes

  • توابع Lambda Lambda Functions

  • مرور پوشه‌ها Refreshing Folders

  • ۷.۳ رگرسیون خطی در پایتون 7.3 Linear Regression in Python

  • آماده‌سازی داده‌ها برای رگرسیون Setting up Data for Regression

  • ایجاد یک مدل رگرسیون ساده Creating a Simple Regression Model

  • پیش‌بینی با استفاده از مدل رگرسیون Predicting with a Regression Model

  • مدل رگرسیون چندگانه Multiple Regression Model

  • متغیرهای طبقه‌بندی شده در رگرسیون Categorical Variables in Regression

  • مرور ماژول ۷ Module 7 Review

ماژول ۸: مقدمه‌ای بر پایگاه داده در پایتون Module 8: Introduction to Databases in Python

  • مقدمه ماژول ۸ Module 8 Introduction

  • ۸.۱ مقدمه‌ای بر پایداری داده‌ها (Data Persistence) 8.1 Introduction to Data Persistence

  • مقدمه‌ای بر ترمینال Introduction to Terminal

  • ایجاد پایگاه داده SQLite از طریق ترمینال Creating a SQLite Database From Terminal

  • ایجاد جدول SQLite از یک فایل CSV Creating a SQLite Table From a CSV File

  • استفاده از Dump و خواندن فایل‌ها برای ایجاد جداول Using Dump and Reading in Files to Create Tables

  • تغییر جداول موجود در SQLite Altering Existing SQLite Tables

  • مرور پوشه‌ها Refreshing Folders

  • ۸.۲ مفاهیم پیشرفته 8.2 Advanced Concepts

  • پرس‌وجو از جداول با استفاده از SQL Querying Tables with SQL

  • پرس‌وجوهای Join در SQL SQL Join Queries

  • ۸.۳ برنامه‌نویسی پایگاه داده با پایتون 8.3 Python Database Programming

  • پرس‌وجو از پایگاه داده رابطه‌ای با پایتون و SQL Querying Relational Database With Python and SQL

  • کاوش در پایگاه‌های داده و افزودن ردیف به جداول با پایتون Exploring Databases and Adding Rows to Tables With Python

  • مرور ماژول ۸ Module 8 Review

  • یادگیری طبق شرایط خودتان Learn on Your Terms

نمایش نظرات