آموزش دوره تحلیل داده ها: بوت کمپ کامل تحلیلگر داده 2023

The Data Analyst Course: Complete Data Analyst Bootcamp 2023

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آموزش کامل تحلیلگر داده: پایتون، NumPy، پانداها، جمع آوری داده، پیش پردازش، انواع داده ها، تجسم داده ها این دوره آماده سازی کاملی را که برای تبدیل شدن به یک تحلیلگر داده نیاز دارید فراهم می کند. پانداها، آماده سازی داده ها - جمع آوری داده ها، تمیز کردن داده ها، پیش پردازش داده ها، تجسم داده ها. تجزیه و تحلیل داده ها، تجزیه و تحلیل داده ها درک تصویر بزرگی از نقش تحلیلگر داده به دست آورید یادگیری ریاضیات پایتون مبتدی و پیشرفته برای پایتون ما به شما NumPy و پانداها، اصول اولیه و پیشرفته را آموزش خواهیم داد قادر به کار با فایل های متنی انواع مختلف داده و میزان استفاده از حافظه آنها را بدانید بیاموزید که چگونه با یک اسکریپت ساده اطلاعات جالب و بی‌درنگ از یک API به دست آورید. داده‌ها را با سری پانداها و قاب‌های داده پاک کنید. تمرین تمیز کردن داده‌ها را در مورد میزان غیبت کامل کنید دانش خود را در مورد NumPy گسترش دهید – آمار و پیش‌پردازش یک مطالعه موردی کامل داده‌های وام را انجام دهید و مهارت‌های NumPy خود را به کار ببرید تجسم داده‌های اصلی نحوه ایجاد پای، نوار، خط، ناحیه، هیستوگرام، پراکندگی، رگرسیون و نمودارهای ترکیبی را بیاموزید. با تمرین‌های کدنویسی که شما را برای کار آماده می‌کند، تمرین با داده‌های دنیای واقعی حل کردن یک پروژه نهایی پیش نیازها: نیازی به تجربه قبلی نیست. ما از اصول اولیه ای که برای نصب Anaconda نیاز دارید شروع می کنیم. ما به شما نشان خواهیم داد که چگونه این کار را مرحله به مرحله انجام دهید

مشکل

اکثر دوره های تحلیل داده، علوم داده و کدنویسی یک مرحله عملی مهم را از دست می دهند. آن‌ها به شما یاد نمی‌دهند که چگونه با داده‌های خام کار کنید، چگونه آن‌ها را تمیز کنید و پیش پردازش کنید. این باعث ایجاد شکاف قابل توجهی بین مهارت های مورد نیاز شما در کار و توانایی هایی که در آموزش به دست آورده اید، می شود. حقیقت را بگوییم، داده های دنیای واقعی نامرتب هستند، بنابراین باید بدانید که چگونه بر این مانع غلبه کنید تا به یک متخصص داده مستقل تبدیل شوید.

بوت‌کمپ‌هایی که به‌صورت آنلاین و حتی کلاس‌های زنده دیده‌ایم، این جنبه را نادیده می‌گیرند و به شما نشان می‌دهند که چگونه با داده‌های «پاک» کار کنید. اما این به شما لطفی نمی کند. در واقع، هم زمانی که برای شغل درخواست می دهید و هم زمانی که مشغول به کار هستید، شما را عقب می اندازد.

راه حل

هدف ما این است که آمادگی کامل را برای شما فراهم کنیم. و این دوره شما را به یک تحلیلگر داده آماده برای کار تبدیل می کند. برای اینکه شما را به آنجا ببریم، موضوعات اساسی زیر را به طور گسترده پوشش خواهیم داد.

  • نظریه در مورد زمینه تجزیه و تحلیل داده ها

  • پایتون پایه

  • پایتون پیشرفته

  • NumPy

  • پاندا

  • کار با فایل های متنی

  • جمع آوری داده ها

  • پاکسازی داده ها

  • پیش پردازش داده

  • تجسم داده

  • نمونه عملی نهایی

هر یک از این موضوعات بر اساس موارد قبلی است. و این دقیقاً همان چیزی است که برنامه درسی ما را بسیار ارزشمند می کند. همه چیز به ترتیب درست نشان داده می شود و ما تضمین می کنیم که در طول مسیر گم نخواهید شد، زیرا ما تمام مراحل لازم را در ویدیو ارائه کرده ایم (هیچ یک از آنها رد نشده است). به عبارت دیگر، ما به شما آموزش نمی دهیم که چگونه داده ها را قبل از اینکه بدانید چگونه جمع آوری و پاکسازی کنید، تجزیه و تحلیل کنید.

بنابراین، برای اینکه شما را برای شغل سطح مقدماتی که منجر به یک موقعیت علمی داده شود - تحلیلگر داده - آماده کنیم، دوره تحلیل داده داده را ایجاد کردیم.

این یک برنامه آموزشی نسبتاً منحصربه‌فرد است زیرا اصولی را که در کار به آن نیاز دارید آموزش می‌دهد. جنبه ای که اغلب نادیده گرفته می شود و دارای اهمیت حیاتی است.

علاوه بر این، تمرکز ما آموزش موضوعاتی است که به آرامی جریان داشته و مکمل یکدیگر هستند. این دوره برای کسی که می خواهد با کسری از هزینه برنامه های سنتی (بدون ذکر مقدار زمانی که صرفه جویی می کنید) یک تحلیلگر داده شود، آمادگی کامل را فراهم می کند. ما معتقدیم که این منبع به طور قابل توجهی شانس شما را برای یافتن شغل افزایش می دهد، زیرا شما را برای کارهای عملی و مفاهیمی که اغلب در مصاحبه ها گنجانده می شوند آماده می کند.

موضوعاتی که خواهیم پرداخت

1. نظریه در مورد حوزه تجزیه و تحلیل داده ها

2. پایتون پایه

3. پایتون پیشرفته

4. NumPy

5. پانداها

6. کار با فایل های متنی

7. جمع آوری داده ها

8. پاکسازی داده ها

9. پیش پردازش داده

10. تجسم داده

11. مثال عملی نهایی


1. نظریه در مورد حوزه تجزیه و تحلیل داده ها

در اینجا ما بر روی تصویر بزرگ تمرکز خواهیم کرد. اما صفحات طولانی خسته کننده با اصطلاحاتی را تصور نکنید که باید هر دقیقه آنها را در فرهنگ لغت بررسی کنید. در عوض، اینجا جایی است که می‌خواهیم تعریف کنیم که یک تحلیلگر داده کیست، چه کاری انجام می‌دهد و چگونه برای یک سازمان ارزش ایجاد می‌کند.

چرا آن را یاد بگیریم؟

برای درک اینکه چگونه هر بخش از دوره با بقیه محتوا مطابقت دارد به درک کلی نیاز دارید. همانطور که می گویند، اگر بدانید به کجا می روید، به احتمال زیاد در نهایت به آنجا خواهید رسید. و از آنجایی که تحلیلگر داده و سایر مشاغل داده نسبتاً جدید هستند و دائماً در حال تغییر هستند، می‌خواهیم به طور خاص درک خوبی از نقش تحلیلگر داده در اختیار شما قرار دهیم. سپس، در فصل‌های بعدی، ابزار واقعی مورد نیاز برای تبدیل شدن به یک تحلیلگر داده را به شما آموزش می‌دهیم.

2. پایتون پایه

این دوره حول پایتون متمرکز شده است. بنابراین، ما از اصول اولیه شروع می کنیم. اگر تجربه برنامه نویسی قبلی ندارید، نترسید.

چرا آن را یاد بگیریم؟

شما باید یک زبان برنامه نویسی یاد بگیرید تا از دنیای غنی از داده ای که در آن زندگی می کنیم استفاده کامل را ببرید. اگر به چنین مهارتی مجهز نباشید، همیشه به توانایی دیگران برای استخراج و دستکاری داده ها وابسته خواهید بود. می خواهید در حین انجام تجزیه و تحلیل وابسته باشید، درست است؟ همچنین، لزوماً نیازی نیست که چندین زبان برنامه نویسی را همزمان یاد بگیرید. کافی است فقط در یک مورد بسیار ماهر باشید و ما طبیعتا پایتون را انتخاب کرده ایم که خود را به عنوان زبان شماره یک برای تجزیه و تحلیل داده ها و علم داده (به لطف کتابخانه های غنی و تطبیق پذیری آن) معرفی کرده ایم.

3. پایتون پیشرفته

ما موضوعات پیشرفته پایتون مانند کار با داده های متنی و استفاده از ابزارهایی مانند درک لیست و توابع ناشناس را معرفی خواهیم کرد.

چرا آن را یاد بگیریم؟

این درس‌ها شما را به یک کاربر ماهر پایتون تبدیل می‌کند که در کار مستقل است. شما می توانید از نقاط قوت اصلی پایتون به نفع خود استفاده کنید. بنابراین، اینجا فقط به موضوعات مربوط نمی شود، بلکه در مورد عمقی است که ما مرتبط ترین ابزارهای پایتون را در آن بررسی می کنیم.

4. NumPy

NumPy بسته اساسی پایتون برای محاسبات علمی است. هنگامی که شما نیاز به محاسبه عملیات ریاضی و استاتیکی دارید، خود را به عنوان ابزاری مناسب معرفی کرده است.

چرا آن را یاد بگیریم؟

بخش بزرگی از کار یک تحلیلگر داده به پیش پردازش مجموعه داده ها اختصاص دارد. بدون شک، این شامل هزاران تکنیک ریاضی و آماری است که NumPy به آنها مشهور است. علاوه بر این، این بسته ساختارهای آرایه‌ای چند بعدی را معرفی می‌کند و مجموعه‌ای از توابع و روش‌های داخلی را برای استفاده در حین کار با آنها ارائه می‌کند. به عبارت دیگر، NumPy را می توان به عنوان یک ابزار پیشرفته پایتون با ثبات محاسباتی توصیف کرد که انعطاف پذیری را فراهم می کند و می تواند تجزیه و تحلیل شما را به سطح بعدی برساند.

5. پانداها

کتابخانه پانداها یکی از محبوب‌ترین ابزارهای پایتون است که دستکاری و تجزیه و تحلیل داده‌ها را تسهیل می‌کند. این بسیار ارزشمند است زیرا می توانید از آن برای دستکاری انواع اطلاعات - جداول عددی و داده های سری زمانی و همچنین متن استفاده کنید.

چرا آن را یاد بگیریم؟

پانداها ابزار اصلی دیگری است که یک تحلیلگر برای پاکسازی و پیش پردازش داده هایی که با آن کار می کنند نیاز دارد. ویژگی‌های دستکاری داده آن در پایتون به دلیل تنوع و غنای که از نظر روش‌ها و عملکردها ارائه می‌کند، در پایتون بی‌میزان است. توانایی ترکیبی برای کار با NumPy و پانداها بسیار قدرتمند است زیرا این دو کتابخانه مکمل یکدیگر هستند. شما باید قادر به کار با هر دو باشید تا تجزیه و تحلیل کامل و منسجمی به طور مستقل تولید کنید.

6. کار با فایل های متنی

تبادل اطلاعات با فایل های متنی عملاً روشی است که امروزه ما به تبادل اطلاعات می پردازیم. در این بخش از دوره، از ابزارهای پایتون، پانداها و NumPy که قبلاً آموخته‌اند استفاده خواهیم کرد تا موارد ضروری را در هنگام وارد کردن یا ذخیره داده‌ها به شما ارائه دهیم.

چرا آن را یاد بگیریم؟

در بسیاری از دوره ها، فقط به شما یک مجموعه داده داده می شود تا مهارت های تحلیلی و برنامه نویسی خود را تمرین کنید. با این حال، ما نمی‌خواهیم چشمان خود را روی واقعیت ببندیم، زیرا تبدیل یک مجموعه داده خام از یک فایل خارجی به یک قالب Python قابل اجرا می‌تواند یک چالش بزرگ باشد.

7. جمع آوری داده ها

در دنیای واقعی، شما همیشه داده ها را به راحتی در دسترس ندارید. در این بخش از دوره، نحوه بازیابی داده ها از یک API را یاد خواهید گرفت.

چرا آن را یاد بگیریم؟

شما باید بدانید که چگونه داده های خود را منبع کنید، درست است؟ برای اینکه یک تحلیلگر خوب باشید باید بتوانید داده ها را از منابع خارجی جمع آوری کنید. این به ندرت یک فرآیند یک کلیک است. هدف این بخش ارائه تمام ابزارهای لازم برای انجام این کار به تنهایی است.

8. پاکسازی داده ها

مرحله منطقی بعدی این است که داده های خود را پاک کنید. اینجاست که مهارت‌های پانداها را که قبلاً به دست آورده‌اند، در عمل به کار می‌گیرید. همه درس‌ها در طول دوره دارای دیدگاه دنیای واقعی هستند.

چرا آن را یاد بگیریم؟

بخش بزرگی از کار یک تحلیلگر داده در دنیای واقعی شامل تمیز کردن داده ها و آماده کردن آن برای تجزیه و تحلیل واقعی است. نمی توانید انتظار داشته باشید که با منابع داده بی عیب و نقص سروکار داشته باشید، درست است؟ بنابراین، این به شما بستگی دارد که بر این مرحله غلبه کنید و داده های خود را پاک کنید.

9. پیش پردازش داده

حتی زمانی که مجموعه داده شما تمیز و به شکل قابل درک است، هنوز کاملاً آماده پردازش برای تجسم و تجزیه و تحلیل نیست. یک مرحله مهم در این بین وجود دارد و آن پیش پردازش داده است.

چرا آن را یاد بگیریم؟

پیش پردازش داده جایی است که یک تحلیلگر داده می تواند نشان دهد که چقدر در کار خود خوب یا عالی هستند. این مرحله از کار مستلزم توانایی انتخاب ابزار آماری مناسب است که کیفیت مجموعه داده های شما و دانش پیاده سازی آن را با پانداهای پیشرفته و تکنیک های NumPy بهبود می بخشد. فقط زمانی که این مرحله را کامل کردید، می‌توانید بگویید که مجموعه داده شما از قبل پردازش شده و برای قسمت بعدی، که تجسم داده‌ها است، آماده است.

10. تجسم داده

تجسم داده ها چهره داده است. بسیاری از مردم به داده ها نگاه می کنند و چیزی نمی بینند. دلیل آن این است که آنها تجسم های خوبی ایجاد نمی کنند. یا حتی بدتر - آنها نمودارهای خوبی ایجاد می کنند اما نمی توانند آنها را به طور دقیق تفسیر کنند.

چرا آن را یاد بگیریم؟

این قسمت از دوره به شما یاد می دهد که چگونه از داده های خود برای ایجاد بینش معنادار استفاده کنید. در پایان روز، نمودارهای داده همان چیزی است که بیشترین اطلاعات را در کوتاه ترین زمان منتقل می کند. و هیچ چیز بهتر از یک تجسم داده به خوبی ساخته شده و معنی دار صحبت نمی کند.

11. مثال عملی

این دوره شامل تمرینات و موارد عملی فراوانی است. در پایان، ما یک مثال کاربردی جامع قرار داده‌ایم که به شما نشان می‌دهد چگونه همه چیزهایی که در طول مسیر یاد گرفته‌اید به خوبی با هم ترکیب می‌شوند. اینجاست که می‌توانید درک کنید که چقدر در سفر خود برای تبدیل شدن به یک تحلیلگر داده و شروع حرفه داده‌ای خود پیشرفت کرده‌اید.

آنچه دریافت می کنید

  • برنامه ای به ارزش 1250 دلار

  • پشتیبانی فعال Q A

  • همه دانش برای تبدیل شدن به یک تحلیلگر داده

  • جامعه ای از تحلیلگران مشتاق داده

  • گواهی تکمیل

  • دسترسی به به‌روزرسانی‌های مکرر آینده

  • آموزش در دنیای واقعی

  • برای تبدیل شدن به یک تحلیلگر داده از ابتدا آماده شوید

چرا صبر کنید؟ هر روز یک فرصت از دست رفته است.

روی دکمه "اکنون خرید" کلیک کنید و امروز بخشی از برنامه تحلیلگر داده ما شوید.


سرفصل ها و درس ها

مقدمه دوره Introduction to the Course

  • یک مثال عملی - در این دوره چه چیزی یاد خواهید گرفت؟ A Practical Example - What Will You Learn in This Course?

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

  • دانلود تمامی منابع Download All Resources

  • سوالات متداول FAQ

مقدمه دوره Introduction to the Course

  • یک مثال عملی - در این دوره چه چیزی یاد خواهید گرفت؟ A Practical Example - What Will You Learn in This Course?

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

  • دانلود تمامی منابع Download All Resources

  • سوالات متداول FAQ

مقدمه ای بر تجزیه و تحلیل داده ها Introduction to Data Analytics

  • مقدمه ای بر دنیای تجارت و داده ها Introduction to the World of Business and Data

  • شرایط مربوطه توضیح داده شده است Relevant Terms Explained

  • تحلیلگر داده در مقایسه با سایر مشاغل داده Data Analyst Compared to Other Data Jobs

  • شرح شغل تحلیلگر داده Data Analyst Job Description

  • چرا پایتون Why Python

مقدمه ای بر تجزیه و تحلیل داده ها Introduction to Data Analytics

  • مقدمه ای بر دنیای تجارت و داده ها Introduction to the World of Business and Data

  • شرایط مربوطه توضیح داده شده است Relevant Terms Explained

  • تحلیلگر داده در مقایسه با سایر مشاغل داده Data Analyst Compared to Other Data Jobs

  • شرح شغل تحلیلگر داده Data Analyst Job Description

  • چرا پایتون Why Python

راه اندازی محیط زیست Setting up the Environment

  • معرفی Introduction

  • برنامه نویسی در چند دقیقه توضیح داده شد Programming Explained in a Few Minutes

  • برنامه نویسی در چند دقیقه توضیح داده شد Programming Explained in a Few Minutes

  • Jupyter - مقدمه Jupyter - Introduction

  • Jupyter - نصب Anaconda Jupyter - Installing Anaconda

  • Jupyter - مقدمه ای برای استفاده از Jupyter Jupyter - Intro to Using Jupyter

  • Jupyter - کار با فایل های نوت بوک Jupyter - Working with Notebook Files

  • Jupyter - استفاده از میانبرها Jupyter - Using Shortcuts

  • Jupyter - مدیریت پیام های خطا Jupyter - Handling Error Messages

  • Jupyter - راه اندازی مجدد هسته Jupyter - Restarting the Kernel

  • Jupyter - مقدمه Jupyter - Introduction

راه اندازی محیط زیست Setting up the Environment

  • معرفی Introduction

  • برنامه نویسی در چند دقیقه توضیح داده شد Programming Explained in a Few Minutes

  • برنامه نویسی در چند دقیقه توضیح داده شد Programming Explained in a Few Minutes

  • Jupyter - مقدمه Jupyter - Introduction

  • Jupyter - نصب Anaconda Jupyter - Installing Anaconda

  • Jupyter - مقدمه ای برای استفاده از Jupyter Jupyter - Intro to Using Jupyter

  • Jupyter - کار با فایل های نوت بوک Jupyter - Working with Notebook Files

  • Jupyter - استفاده از میانبرها Jupyter - Using Shortcuts

  • Jupyter - مدیریت پیام های خطا Jupyter - Handling Error Messages

  • Jupyter - راه اندازی مجدد هسته Jupyter - Restarting the Kernel

  • Jupyter - مقدمه Jupyter - Introduction

مبانی پایتون Python Basics

  • متغیرهای پایتون Python Variables

  • متغیرهای پایتون Python Variables

  • انواع داده ها - اعداد و مقادیر بولی Types of Data - Numbers and Boolean Values

  • انواع داده ها - اعداد و مقادیر بولی Types of Data - Numbers and Boolean Values

  • انواع داده ها - رشته ها Types of Data - Strings

  • انواع داده ها - رشته ها Types of Data - Strings

  • نحو پایه پایتون - عملگرهای حسابی Basic Python Syntax - Arithmetic Operators

  • نحو پایه پایتون - عملگرهای حسابی Basic Python Syntax - Arithmetic Operators

  • نحو پایه پایتون - علامت برابری دوگانه Basic Python Syntax - The Double Equality Sign

  • نحو پایه پایتون - علامت برابری دوگانه Basic Python Syntax - The Double Equality Sign

  • نحو پایه پایتون - مقادیر را مجدداً اختصاص دهید Basic Python Syntax - Reassign Values

  • نحو پایه پایتون - مقادیر را مجدداً اختصاص دهید Basic Python Syntax - Reassign Values

  • نحو پایه پایتون - اضافه کردن نظرات Basic Python Syntax - Add Comments

  • نحو پایه پایتون - اضافه کردن نظرات Basic Python Syntax - Add Comments

  • نحو پایه پایتون - ادامه خط Basic Python Syntax - Line Continuation

  • نحو پایه پایتون - عناصر نمایه سازی Basic Python Syntax - Indexing Elements

  • نحو پایه پایتون - عناصر نمایه سازی Basic Python Syntax - Indexing Elements

  • نحو پایه پایتون - تورفتگی Basic Python Syntax - Indentation

  • نحو پایه پایتون - تورفتگی Basic Python Syntax - Indentation

  • اپراتورها - مقایسه اپراتورها Operators - Comparison Operators

  • اپراتورها - مقایسه اپراتورها Operators - Comparison Operators

  • اپراتورها - عملگرهای منطقی و هویتی Operators - Logical and Identity Operators

  • اپراتورها - عملگرهای منطقی و هویتی Operators - Logical and Identity Operators

  • بیانیه های مشروط - بیانیه IF Conditional Statements - The IF Statement

  • بیانیه های مشروط - بیانیه IF Conditional Statements - The IF Statement

  • بیانیه های مشروط - بیانیه ELSE Conditional Statements - The ELSE Statement

  • بیانیه های مشروط - بیانیه ELIF Conditional Statements - The ELIF Statement

  • بیانیه های شرطی - یادداشتی در مورد مقادیر بولی Conditional Statements - A Note on Boolean Values

  • بیانیه های شرطی - یادداشتی در مورد مقادیر بولی Conditional Statements - A Note on Boolean Values

  • توابع - تعریف یک تابع در پایتون Functions - Defining a Function in Python

  • توابع - ایجاد یک تابع با یک پارامتر Functions - Creating a Function with a Parameter

  • توابع - راه دیگری برای تعریف یک تابع Functions - Another Way to Define a Function

  • توابع - استفاده از یک تابع در یک تابع دیگر Functions - Using a Function in Another Function

  • توابع - ترکیب عبارات شرطی و توابع Functions - Combining Conditional Statements and Functions

  • توابع - ایجاد توابعی که حاوی چند استدلال است Functions - Creating Functions That Contain a Few Arguments

  • توابع - توابع داخلی قابل توجه در پایتون Functions - Notable Built-in Functions in Python

  • کارکرد Functions

  • دنباله ها - لیست ها Sequences - Lists

  • دنباله ها - لیست ها Sequences - Lists

  • توالی ها - با استفاده از روش ها Sequences - Using Methods

  • توالی ها - با استفاده از روش ها Sequences - Using Methods

  • توالی - برش فهرست Sequences - List Slicing

  • دنباله ها - تاپل Sequences - Tuples

  • دنباله ها - فرهنگ لغت Sequences - Dictionaries

  • دنباله ها - فرهنگ لغت Sequences - Dictionaries

  • تکرار - برای حلقه ها Iteration - For Loops

  • تکرار - برای حلقه ها Iteration - For Loops

  • تکرار - در حالی که حلقه ها و افزایش Iteration - While Loops and Incrementing

  • تکرار - ایجاد لیست با تابع range(). Iteration - Create Lists with the range() Function

  • تکرار - ایجاد لیست با تابع range(). Iteration - Create Lists with the range() Function

  • تکرار - از عبارات شرطی و حلقه ها با هم استفاده کنید Iteration - Use Conditional Statements and Loops Together

  • تکرار - عبارات شرطی، توابع و حلقه ها Iteration - Conditional Statements, Functions, and Loops

  • تکرار - تکرار بیش از دیکشنری ها Iteration - Iterating over Dictionaries

مبانی پایتون Python Basics

  • متغیرهای پایتون Python Variables

  • متغیرهای پایتون Python Variables

  • انواع داده ها - اعداد و مقادیر بولی Types of Data - Numbers and Boolean Values

  • انواع داده ها - اعداد و مقادیر بولی Types of Data - Numbers and Boolean Values

  • انواع داده ها - رشته ها Types of Data - Strings

  • انواع داده ها - رشته ها Types of Data - Strings

  • نحو پایه پایتون - عملگرهای حسابی Basic Python Syntax - Arithmetic Operators

  • نحو پایه پایتون - عملگرهای حسابی Basic Python Syntax - Arithmetic Operators

  • نحو پایه پایتون - علامت برابری دوگانه Basic Python Syntax - The Double Equality Sign

  • نحو پایه پایتون - علامت برابری دوگانه Basic Python Syntax - The Double Equality Sign

  • نحو پایه پایتون - مقادیر را مجدداً اختصاص دهید Basic Python Syntax - Reassign Values

  • نحو پایه پایتون - مقادیر را مجدداً اختصاص دهید Basic Python Syntax - Reassign Values

  • نحو پایه پایتون - اضافه کردن نظرات Basic Python Syntax - Add Comments

  • نحو پایه پایتون - اضافه کردن نظرات Basic Python Syntax - Add Comments

  • نحو پایه پایتون - ادامه خط Basic Python Syntax - Line Continuation

  • نحو پایه پایتون - عناصر نمایه سازی Basic Python Syntax - Indexing Elements

  • نحو پایه پایتون - عناصر نمایه سازی Basic Python Syntax - Indexing Elements

  • نحو پایه پایتون - تورفتگی Basic Python Syntax - Indentation

  • نحو پایه پایتون - تورفتگی Basic Python Syntax - Indentation

  • اپراتورها - مقایسه اپراتورها Operators - Comparison Operators

  • اپراتورها - مقایسه اپراتورها Operators - Comparison Operators

  • اپراتورها - عملگرهای منطقی و هویتی Operators - Logical and Identity Operators

  • اپراتورها - عملگرهای منطقی و هویتی Operators - Logical and Identity Operators

  • بیانیه های مشروط - بیانیه IF Conditional Statements - The IF Statement

  • بیانیه های مشروط - بیانیه IF Conditional Statements - The IF Statement

  • بیانیه های مشروط - بیانیه ELSE Conditional Statements - The ELSE Statement

  • بیانیه های مشروط - بیانیه ELIF Conditional Statements - The ELIF Statement

  • بیانیه های شرطی - یادداشتی در مورد مقادیر بولی Conditional Statements - A Note on Boolean Values

  • بیانیه های شرطی - یادداشتی در مورد مقادیر بولی Conditional Statements - A Note on Boolean Values

  • توابع - تعریف یک تابع در پایتون Functions - Defining a Function in Python

  • توابع - ایجاد یک تابع با یک پارامتر Functions - Creating a Function with a Parameter

  • توابع - راه دیگری برای تعریف یک تابع Functions - Another Way to Define a Function

  • توابع - استفاده از یک تابع در یک تابع دیگر Functions - Using a Function in Another Function

  • توابع - ترکیب عبارات شرطی و توابع Functions - Combining Conditional Statements and Functions

  • توابع - ایجاد توابعی که حاوی چند استدلال است Functions - Creating Functions That Contain a Few Arguments

  • توابع - توابع داخلی قابل توجه در پایتون Functions - Notable Built-in Functions in Python

  • کارکرد Functions

  • دنباله ها - لیست ها Sequences - Lists

  • دنباله ها - لیست ها Sequences - Lists

  • توالی ها - با استفاده از روش ها Sequences - Using Methods

  • توالی ها - با استفاده از روش ها Sequences - Using Methods

  • توالی - برش فهرست Sequences - List Slicing

  • دنباله ها - تاپل Sequences - Tuples

  • دنباله ها - فرهنگ لغت Sequences - Dictionaries

  • دنباله ها - فرهنگ لغت Sequences - Dictionaries

  • تکرار - برای حلقه ها Iteration - For Loops

  • تکرار - برای حلقه ها Iteration - For Loops

  • تکرار - در حالی که حلقه ها و افزایش Iteration - While Loops and Incrementing

  • تکرار - ایجاد لیست با تابع range(). Iteration - Create Lists with the range() Function

  • تکرار - ایجاد لیست با تابع range(). Iteration - Create Lists with the range() Function

  • تکرار - از عبارات شرطی و حلقه ها با هم استفاده کنید Iteration - Use Conditional Statements and Loops Together

  • تکرار - عبارات شرطی، توابع و حلقه ها Iteration - Conditional Statements, Functions, and Loops

  • تکرار - تکرار بیش از دیکشنری ها Iteration - Iterating over Dictionaries

مبانی کد نویسی در پایتون Fundamentals for Coding in Python

  • برنامه نویسی شی گرا (OOP) Object-Oriented Programming (OOP)

  • ماژول ها، بسته ها و کتابخانه استاندارد پایتون Modules, Packages, and the Python Standard Library

  • وارد کردن ماژول ها Importing Modules

  • مقدمه ای بر استفاده از NumPy و پانداها Introduction to Using NumPy and pandas

  • اسناد نرم افزاری چیست؟ What is Software Documentation?

  • مستندات پایتون The Python Documentation

مبانی کد نویسی در پایتون Fundamentals for Coding in Python

  • برنامه نویسی شی گرا (OOP) Object-Oriented Programming (OOP)

  • ماژول ها، بسته ها و کتابخانه استاندارد پایتون Modules, Packages, and the Python Standard Library

  • وارد کردن ماژول ها Importing Modules

  • مقدمه ای بر استفاده از NumPy و پانداها Introduction to Using NumPy and pandas

  • اسناد نرم افزاری چیست؟ What is Software Documentation?

  • مستندات پایتون The Python Documentation

ریاضیات برای پایتون Mathematics for Python

  • ماتریس چیست؟ What Is а Matrix?

  • اسکالرها و بردارها Scalars and Vectors

  • جبر خطی و هندسه Linear Algebra and Geometry

  • آرایه ها در پایتون Arrays in Python

  • تانسور چیست؟ What Is a Tensor?

  • جمع و تفریق ماتریس ها Adding and Subtracting Matrices

  • خطا در هنگام اضافه کردن ماتریس Errors When Adding Matrices

  • جابجا شود Transpose

  • محصول نقطه ای بردارها Dot Product of Vectors

  • محصول نقطه ای ماتریس ها Dot Product of Matrices

  • چرا جبر خطی مفید است؟ Why is Linear Algebra Useful

ریاضیات برای پایتون Mathematics for Python

  • ماتریس چیست؟ What Is а Matrix?

  • اسکالرها و بردارها Scalars and Vectors

  • جبر خطی و هندسه Linear Algebra and Geometry

  • آرایه ها در پایتون Arrays in Python

  • تانسور چیست؟ What Is a Tensor?

  • جمع و تفریق ماتریس ها Adding and Subtracting Matrices

  • خطا در هنگام اضافه کردن ماتریس Errors When Adding Matrices

  • جابجا شود Transpose

  • محصول نقطه ای بردارها Dot Product of Vectors

  • محصول نقطه ای ماتریس ها Dot Product of Matrices

  • چرا جبر خطی مفید است؟ Why is Linear Algebra Useful

مبانی NumPy NumPy Basics

  • بسته NumPy و چرا از آن استفاده می کنیم The NumPy Package and Why We Use It

  • نصب/ارتقاء NumPy Installing/Upgrading NumPy

  • ندارای Ndarray

  • اسناد NumPy The NumPy Documentation

  • مبانی NumPy - ورزش NumPy Basics - Exercise

مبانی NumPy NumPy Basics

  • بسته NumPy و چرا از آن استفاده می کنیم The NumPy Package and Why We Use It

  • نصب/ارتقاء NumPy Installing/Upgrading NumPy

  • ندارای Ndarray

  • اسناد NumPy The NumPy Documentation

  • مبانی NumPy - ورزش NumPy Basics - Exercise

پانداها - اصول اولیه Pandas - Basics

  • آشنایی با کتابخانه پانداها Introduction to the pandas Library

  • نصب و راه اندازی پانداها Installing and Running pandas

  • معرفی سری پانداها Introduction to pandas Series

  • کار با ویژگی ها در پایتون Working with Attributes in Python

  • استفاده از شاخص در پانداها Using an Index in pandas

  • نمایه سازی مبتنی بر برچسب در مقابل نمایه سازی مبتنی بر موقعیت Label-based vs Position-based Indexing

  • بیشتر در مورد کار با شاخص ها در پایتون More on Working with Indices in Python

  • استفاده از متدها در پایتون - قسمت اول Using Methods in Python - Part I

  • استفاده از روش ها در پایتون - قسمت دوم Using Methods in Python - Part II

  • پارامترها در مقابل آرگومان ها Parameters vs Arguments

  • مستندات پانداها the pandas Documentation

  • مقدمه ای بر DataFrames پانداها Introduction to pandas DataFrames

  • ایجاد DataFrames از ابتدا - قسمت اول Creating DataFrames from Scratch - Part I

  • ایجاد DataFrame از ابتدا - قسمت دوم Creating DataFrames from Scratch - Part II

  • نکات اضافی در مورد استفاده از DataFrames Additional Notes on Using DataFrames

  • مبانی پانداها - نتیجه گیری pandas Basics - Conclusion

پانداها - اصول اولیه Pandas - Basics

  • آشنایی با کتابخانه پانداها Introduction to the pandas Library

  • نصب و راه اندازی پانداها Installing and Running pandas

  • معرفی سری پانداها Introduction to pandas Series

  • کار با ویژگی ها در پایتون Working with Attributes in Python

  • استفاده از شاخص در پانداها Using an Index in pandas

  • نمایه سازی مبتنی بر برچسب در مقابل نمایه سازی مبتنی بر موقعیت Label-based vs Position-based Indexing

  • بیشتر در مورد کار با شاخص ها در پایتون More on Working with Indices in Python

  • استفاده از متدها در پایتون - قسمت اول Using Methods in Python - Part I

  • استفاده از روش ها در پایتون - قسمت دوم Using Methods in Python - Part II

  • پارامترها در مقابل آرگومان ها Parameters vs Arguments

  • مستندات پانداها the pandas Documentation

  • مقدمه ای بر DataFrames پانداها Introduction to pandas DataFrames

  • ایجاد DataFrames از ابتدا - قسمت اول Creating DataFrames from Scratch - Part I

  • ایجاد DataFrame از ابتدا - قسمت دوم Creating DataFrames from Scratch - Part II

  • نکات اضافی در مورد استفاده از DataFrames Additional Notes on Using DataFrames

  • مبانی پانداها - نتیجه گیری pandas Basics - Conclusion

کار با فایل های متنی Working with Text Files

  • کار با فایل ها در پایتون - مقدمه Working with Files in Python - An Introduction

  • فایل در مقابل شی فایل، خواندن در مقابل تجزیه File vs File Object, Read vs Parse

  • داده های ساختاریافته در مقابل داده های نیمه ساختاریافته و بدون ساختار Structured vs Semi-Structured and Unstructured Data

  • اتصال داده ها از طریق فایل های متنی Data Connectivity through Text Files

  • اصول وارد کردن داده در پایتون Principles of Importing Data in Python

  • اطلاعات بیشتر در مورد فایل‌های متنی (*.txt در مقابل *.csv) More on Text Files (*.txt vs *.csv)

  • فایل های با عرض ثابت Fixed-width Files

  • قراردادهای نامگذاری رایج مورد استفاده در برنامه نویسی Common Naming Conventions Used in Programming

  • وارد کردن فایل های متنی در پایتون (open()) Importing Text Files in Python ( open() )

  • وارد کردن فایل های متنی در پایتون (با open()) Importing Text Files in Python ( with open() )

  • وارد کردن فایل‌های csv *. با پانداها - قسمت اول Importing *.csv Files with pandas - Part I

  • وارد کردن فایل‌های csv *. با پانداها - قسمت دوم Importing *.csv Files with pandas - Part II

  • وارد کردن فایل‌های csv *. با پانداها - قسمت سوم Importing *.csv Files with pandas - Part III

  • وارد کردن داده ها با پارامتر "index_col". Importing Data with the "index_col" Parameter

  • وارد کردن داده با NumPy - .loadtxt() در مقابل genfromtxt() Importing Data with NumPy - .loadtxt() vs genfromtxt()

  • وارد کردن داده با NumPy - پاکسازی جزئی در حین واردات Importing Data with NumPy - Partial Cleaning While Importing

  • وارد کردن داده با NumPy - تمرین Importing Data with NumPy - Exercise

  • وارد کردن فایل های *.json Importing *.json Files

  • مقدمه کار با فایل های اکسل در پایتون Prelude to Working with Excel Files in Python

  • کار با داده های اکسل (فرمت *.xlsx) Working with Excel Data (the *.xlsx Format)

  • تمرینی مهم برای وارد کردن داده ها در پایتون An Important Exercise on Importing Data in Python

  • وارد کردن داده ها با روش "فشار" پانداها Importing Data with the pandas' "Squeeze" Method

  • نکته ای در مورد وارد کردن فایل ها در Jupyter A Note on Importing Files in Jupyter

  • ذخیره داده های خود با پانداها Saving Your Data with pandas

  • ذخیره داده های خود با NumPy - np.save() Saving Your Data with NumPy - np.save()

  • ذخیره داده های خود با NumPy - np.savez() Saving Your Data with NumPy - np.savez()

  • ذخیره داده های خود با NumPy - np.savetxt() Saving Your Data with NumPy - np.savetxt()

  • ذخیره داده های خود با NumPy - ورزش Saving Your Data with NumPy - Exercise

  • کار با فایل های متنی - نتیجه گیری Working with Text Files - Conclusion

کار با فایل های متنی Working with Text Files

  • کار با فایل ها در پایتون - مقدمه Working with Files in Python - An Introduction

  • فایل در مقابل شی فایل، خواندن در مقابل تجزیه File vs File Object, Read vs Parse

  • داده های ساختاریافته در مقابل داده های نیمه ساختاریافته و بدون ساختار Structured vs Semi-Structured and Unstructured Data

  • اتصال داده ها از طریق فایل های متنی Data Connectivity through Text Files

  • اصول وارد کردن داده در پایتون Principles of Importing Data in Python

  • اطلاعات بیشتر در مورد فایل‌های متنی (*.txt در مقابل *.csv) More on Text Files (*.txt vs *.csv)

  • فایل های با عرض ثابت Fixed-width Files

  • قراردادهای نامگذاری رایج مورد استفاده در برنامه نویسی Common Naming Conventions Used in Programming

  • وارد کردن فایل های متنی در پایتون (open()) Importing Text Files in Python ( open() )

  • وارد کردن فایل های متنی در پایتون (با open()) Importing Text Files in Python ( with open() )

  • وارد کردن فایل‌های csv *. با پانداها - قسمت اول Importing *.csv Files with pandas - Part I

  • وارد کردن فایل‌های csv *. با پانداها - قسمت دوم Importing *.csv Files with pandas - Part II

  • وارد کردن فایل‌های csv *. با پانداها - قسمت سوم Importing *.csv Files with pandas - Part III

  • وارد کردن داده ها با پارامتر "index_col". Importing Data with the "index_col" Parameter

  • وارد کردن داده با NumPy - .loadtxt() در مقابل genfromtxt() Importing Data with NumPy - .loadtxt() vs genfromtxt()

  • وارد کردن داده با NumPy - پاکسازی جزئی در حین واردات Importing Data with NumPy - Partial Cleaning While Importing

  • وارد کردن داده با NumPy - تمرین Importing Data with NumPy - Exercise

  • وارد کردن فایل های *.json Importing *.json Files

  • مقدمه کار با فایل های اکسل در پایتون Prelude to Working with Excel Files in Python

  • کار با داده های اکسل (فرمت *.xlsx) Working with Excel Data (the *.xlsx Format)

  • تمرینی مهم برای وارد کردن داده ها در پایتون An Important Exercise on Importing Data in Python

  • وارد کردن داده ها با روش "فشار" پانداها Importing Data with the pandas' "Squeeze" Method

  • نکته ای در مورد وارد کردن فایل ها در Jupyter A Note on Importing Files in Jupyter

  • ذخیره داده های خود با پانداها Saving Your Data with pandas

  • ذخیره داده های خود با NumPy - np.save() Saving Your Data with NumPy - np.save()

  • ذخیره داده های خود با NumPy - np.savez() Saving Your Data with NumPy - np.savez()

  • ذخیره داده های خود با NumPy - np.savetxt() Saving Your Data with NumPy - np.savetxt()

  • ذخیره داده های خود با NumPy - ورزش Saving Your Data with NumPy - Exercise

  • کار با فایل های متنی - نتیجه گیری Working with Text Files - Conclusion

کار با داده های متنی Working with Text Data

  • کار با داده های متنی و مشخص کننده های استدلال Working with Text Data and Argument Specifiers

  • دستکاری رشته های پایتون Manipulating Python Strings

  • استفاده از روش های مختلف رشته پایتون - قسمت اول Using Various Python String Methods - Part I

  • استفاده از روش های مختلف رشته پایتون - قسمت دوم Using Various Python String Methods - Part II

  • لوازم جانبی رشته String Accessors

  • با استفاده از روش .format() Using the .format() Method

کار با داده های متنی Working with Text Data

  • کار با داده های متنی و مشخص کننده های استدلال Working with Text Data and Argument Specifiers

  • دستکاری رشته های پایتون Manipulating Python Strings

  • استفاده از روش های مختلف رشته پایتون - قسمت اول Using Various Python String Methods - Part I

  • استفاده از روش های مختلف رشته پایتون - قسمت دوم Using Various Python String Methods - Part II

  • لوازم جانبی رشته String Accessors

  • با استفاده از روش .format() Using the .format() Method

ابزارهای ضروری پایتون Must-Know Python Tools

  • تکرار اشیاء بیش از محدوده Iterating Over Range Objects

  • Nested For Loops - مقدمه Nested For Loops - Introduction

  • سه گانه تو در تو برای حلقه ها Triple Nested For Loops

  • فهرست درک List Comprehensions

  • توابع ناشناس (لامبدا). Anonymous (Lambda) Functions

ابزارهای ضروری پایتون Must-Know Python Tools

  • تکرار اشیاء بیش از محدوده Iterating Over Range Objects

  • Nested For Loops - مقدمه Nested For Loops - Introduction

  • سه گانه تو در تو برای حلقه ها Triple Nested For Loops

  • فهرست درک List Comprehensions

  • توابع ناشناس (لامبدا). Anonymous (Lambda) Functions

جمع آوری داده ها/جمع آوری داده ها Data Gathering/Data Collection

  • گردآوری/جمع آوری داده چیست؟ What is data gathering/data collection?

جمع آوری داده ها/جمع آوری داده ها Data Gathering/Data Collection

  • گردآوری/جمع آوری داده چیست؟ What is data gathering/data collection?

API ها (درخواست های POST برای این دوره لازم نیست) APIs (POST requests are not needed for this course)

  • مروری بر API ها Overview of APIs

  • دریافت و ارسال درخواست ها GET and POST Requests

  • فرمت تبادل داده برای API ها: JSON Data Exchange Format for APIs: JSON

  • معرفی API نرخ ارز Introducing the Exchange Rates API

  • شامل پارامترها در یک درخواست GET Including Parameters in a GET Request

  • عملکردهای بیشتر API نرخ ارز More Functionalities of the Exchange Rates API

  • کدگذاری یک ماشین حساب ساده تبدیل ارز Coding a Simple Currency Conversion Calculator

  • iTunes API iTunes API

  • iTunes API: تکالیف iTunes API: Homework

  • iTunes API: ساختار و صادرات داده ها iTunes API: Structuring and Exporting the Data

  • صفحه بندی: GitHub API Pagination: GitHub API

  • API ها: ورزش APIs: Exercise

API ها (درخواست های POST برای این دوره لازم نیست) APIs (POST requests are not needed for this course)

  • مروری بر API ها Overview of APIs

  • دریافت و ارسال درخواست ها GET and POST Requests

  • فرمت تبادل داده برای API ها: JSON Data Exchange Format for APIs: JSON

  • معرفی API نرخ ارز Introducing the Exchange Rates API

  • شامل پارامترها در یک درخواست GET Including Parameters in a GET Request

  • عملکردهای بیشتر API نرخ ارز More Functionalities of the Exchange Rates API

  • کدگذاری یک ماشین حساب ساده تبدیل ارز Coding a Simple Currency Conversion Calculator

  • iTunes API iTunes API

  • iTunes API: تکالیف iTunes API: Homework

  • iTunes API: ساختار و صادرات داده ها iTunes API: Structuring and Exporting the Data

  • صفحه بندی: GitHub API Pagination: GitHub API

  • API ها: ورزش APIs: Exercise

پاکسازی داده ها و پیش پردازش داده ها Data Cleaning and Data Preprocessing

  • پاکسازی داده ها و پیش پردازش داده ها Data Cleaning and Data Preprocessing

پاکسازی داده ها و پیش پردازش داده ها Data Cleaning and Data Preprocessing

  • پاکسازی داده ها و پیش پردازش داده ها Data Cleaning and Data Preprocessing

سری پانداها pandas Series

  • .unique()، .nunique() .unique(), .nunique()

  • تبدیل سری به آرایه Converting Series into Arrays

  • .sort_values() .sort_values()

  • زنجیره صفت و روش Attribute and Method Chaining

  • .sort_index() .sort_index()

سری پانداها pandas Series

  • .unique()، .nunique() .unique(), .nunique()

  • تبدیل سری به آرایه Converting Series into Arrays

  • .sort_values() .sort_values()

  • زنجیره صفت و روش Attribute and Method Chaining

  • .sort_index() .sort_index()

پانداهای دیتا فریم pandas DataFrames

  • ویرایشی برای DataFrames پانداها A Revision to pandas DataFrames

  • ویژگی های رایج برای کار با DataFrames Common Attributes for Working with DataFrames

  • انتخاب داده در DataFrames پانداها Data Selection in pandas DataFrames

  • انتخاب داده - نمایه سازی با .iloc[] Data Selection - Indexing with .iloc[]

  • انتخاب داده - نمایه سازی با .loc[] Data Selection - Indexing with .loc[]

  • چند نظر در مورد استفاده از .loc[] و .iloc[] A Few Comments on Using .loc[] and .iloc[]

پانداهای دیتا فریم pandas DataFrames

  • ویرایشی برای DataFrames پانداها A Revision to pandas DataFrames

  • ویژگی های رایج برای کار با DataFrames Common Attributes for Working with DataFrames

  • انتخاب داده در DataFrames پانداها Data Selection in pandas DataFrames

  • انتخاب داده - نمایه سازی با .iloc[] Data Selection - Indexing with .iloc[]

  • انتخاب داده - نمایه سازی با .loc[] Data Selection - Indexing with .loc[]

  • چند نظر در مورد استفاده از .loc[] و .iloc[] A Few Comments on Using .loc[] and .iloc[]

NumPy Fundamentals NumPy Fundamentals

  • نمایه سازی در NumPy Indexing in NumPy

  • تخصیص مقادیر در NumPy Assigning Values in NumPy

  • ویژگی های عنصری آرایه ها Elementwise Properties of Arrays

  • انواع داده های پشتیبانی شده توسط NumPy Types of Data Supported by NumPy

  • ویژگی های توابع NumPy قسمت 1 Characteristics of NumPy Functions Part 1

  • ویژگی های توابع NumPy قسمت 2 Characteristics of NumPy Functions Part 2

  • NumPy Fundamentals - ورزش NumPy Fundamentals - Exercise

NumPy Fundamentals NumPy Fundamentals

  • نمایه سازی در NumPy Indexing in NumPy

  • تخصیص مقادیر در NumPy Assigning Values in NumPy

  • ویژگی های عنصری آرایه ها Elementwise Properties of Arrays

  • انواع داده های پشتیبانی شده توسط NumPy Types of Data Supported by NumPy

  • ویژگی های توابع NumPy قسمت 1 Characteristics of NumPy Functions Part 1

  • ویژگی های توابع NumPy قسمت 2 Characteristics of NumPy Functions Part 2

  • NumPy Fundamentals - ورزش NumPy Fundamentals - Exercise

انواع داده NumPy NumPy DataTypes

  • دارای ها ndarrays

  • آرایه ها در مقابل لیست ها Arrays vs Lists

  • رشته ها در مقابل شی در مقابل عدد Strings vs Object vs Number

  • NumPy DataTypes - تمرین NumPy DataTypes - Exercise

انواع داده NumPy NumPy DataTypes

  • دارای ها ndarrays

  • آرایه ها در مقابل لیست ها Arrays vs Lists

  • رشته ها در مقابل شی در مقابل عدد Strings vs Object vs Number

  • NumPy DataTypes - تمرین NumPy DataTypes - Exercise

کار با آرایه ها Working with Arrays

  • برش اولیه در NumPy Basic Slicing in NumPy

  • برش گام به گام در NumPy Stepwise Slicing in NumPy

  • برش شرطی در NumPy Conditional Slicing in NumPy

  • ابعاد و تابع فشار Dimensions and the Squeeze Function

  • کار با آرایه ها - تمرین Working with Arrays - Exercise

کار با آرایه ها Working with Arrays

  • برش اولیه در NumPy Basic Slicing in NumPy

  • برش گام به گام در NumPy Stepwise Slicing in NumPy

  • برش شرطی در NumPy Conditional Slicing in NumPy

  • ابعاد و تابع فشار Dimensions and the Squeeze Function

  • کار با آرایه ها - تمرین Working with Arrays - Exercise

تولید داده با NumPy Generating Data with NumPy

  • آرایه های 0 و 1 Arrays of 0s and 1s

  • توابع "_like" در NumPy "_like" functions in NumPy

  • دنباله ای غیر تصادفی از اعداد A Non-Random Sequence of Numbers

  • ژنراتورها و بذرهای تصادفی Random Generators and Seeds

  • توابع تصادفی پایه در NumPy Basic Random Functions in NumPy

  • توزیع احتمال در NumPy Probability Distributions in NumPy

  • کاربردهای داده های تصادفی در NumPy Applications of Random Data in NumPy

  • تولید داده با NumPy - تمرین Generating Data with NumPy - Exercise

تولید داده با NumPy Generating Data with NumPy

  • آرایه های 0 و 1 Arrays of 0s and 1s

  • توابع "_like" در NumPy "_like" functions in NumPy

  • دنباله ای غیر تصادفی از اعداد A Non-Random Sequence of Numbers

  • ژنراتورها و بذرهای تصادفی Random Generators and Seeds

  • توابع تصادفی پایه در NumPy Basic Random Functions in NumPy

  • توزیع احتمال در NumPy Probability Distributions in NumPy

  • کاربردهای داده های تصادفی در NumPy Applications of Random Data in NumPy

  • تولید داده با NumPy - تمرین Generating Data with NumPy - Exercise

آمار با NumPy Statistics with NumPy

  • استفاده از توابع آماری در NumPy Using Statistical Functions in NumPy

  • مقادیر حداقل و حداکثر در NumPy Minimal and Maximal Values in NumPy

  • توابع ترتیب آماری در NumPy Statistical Order Functions in NumPy

  • میانگین ها و واریانس ها در NumPy Averages and Variance in NumPy

  • کوواریانس و همبستگی در NumPy Covariance and Correlation in NumPy

  • هیستوگرام در NumPy (قسمت 1) Histograms in NumPy (Part 1)

  • هیستوگرام در NumPy (قسمت 2) Histograms in NumPy (Part 2)

  • توابع معادل NAN در NumPy NAN Equivalent Functions in NumPy

  • آمار با NumPy - ورزش Statistics with NumPy - Exercise

آمار با NumPy Statistics with NumPy

  • استفاده از توابع آماری در NumPy Using Statistical Functions in NumPy

  • مقادیر حداقل و حداکثر در NumPy Minimal and Maximal Values in NumPy

  • توابع ترتیب آماری در NumPy Statistical Order Functions in NumPy

  • میانگین ها و واریانس ها در NumPy Averages and Variance in NumPy

  • کوواریانس و همبستگی در NumPy Covariance and Correlation in NumPy

  • هیستوگرام در NumPy (قسمت 1) Histograms in NumPy (Part 1)

  • هیستوگرام در NumPy (قسمت 2) Histograms in NumPy (Part 2)

  • توابع معادل NAN در NumPy NAN Equivalent Functions in NumPy

  • آمار با NumPy - ورزش Statistics with NumPy - Exercise

NumPy - پیش پردازش NumPy - Preprocessing

  • بررسی مقادیر از دست رفته در Ndarrays Checking for Missing Values in Ndarrays

  • جایگزینی مقادیر از دست رفته در Ndarrays Substituting Missing Values in Ndarrays

  • تغییر شکل Ndarrays Reshaping Ndarrays

  • حذف مقادیر از Ndarrays Removing Values from Ndarrays

  • مرتب سازی Ndarrays Sorting Ndarrays

  • مرتب سازی آرگومان در NumPy Argument Sort in NumPy

  • Argument Where در NumPy Argument Where in NumPy

  • به هم زدن Ndarrays Shuffling Ndarrays

  • بازیگران Ndarrays Casting Ndarrays

  • ارزش گذاری از Ndarrays Striping Values from Ndarrays

  • انباشتن Ndarrays Stacking Ndarrays

  • ندارای به هم پیوسته Concatenating Ndarrays

  • یافتن مقادیر منحصر به فرد در Ndarrays Finding Unique Values in Ndarrays

NumPy - پیش پردازش NumPy - Preprocessing

  • بررسی مقادیر از دست رفته در Ndarrays Checking for Missing Values in Ndarrays

  • جایگزینی مقادیر از دست رفته در Ndarrays Substituting Missing Values in Ndarrays

  • تغییر شکل Ndarrays Reshaping Ndarrays

  • حذف مقادیر از Ndarrays Removing Values from Ndarrays

  • مرتب سازی Ndarrays Sorting Ndarrays

  • مرتب سازی آرگومان در NumPy Argument Sort in NumPy

  • Argument Where در NumPy Argument Where in NumPy

  • به هم زدن Ndarrays Shuffling Ndarrays

  • بازیگران Ndarrays Casting Ndarrays

  • ارزش گذاری از Ndarrays Striping Values from Ndarrays

  • انباشتن Ndarrays Stacking Ndarrays

  • ندارای به هم پیوسته Concatenating Ndarrays

  • یافتن مقادیر منحصر به فرد در Ndarrays Finding Unique Values in Ndarrays

یک نمونه داده وام با NumPy A Loan Data Example with NumPy

  • راه اندازی: مقدمه ای بر مثال عملی Setting Up: Introduction to the Practical Example

  • تنظیم: وارد کردن مجموعه داده Setting Up: Importing the Data Set

  • راه‌اندازی: بررسی داده‌های ناقص Setting Up: Checking for Incomplete Data

  • تنظیم: تقسیم مجموعه داده Setting Up: Splitting the Dataset

  • راه اندازی: ایجاد نقاط بازرسی Setting Up: Creating Checkpoints

  • دستکاری داده های متنی: تاریخ صدور Manipulating Text Data: Issue Date

  • دستکاری داده های متنی: وضعیت و مدت وام Manipulating Text Data: Loan Status and Term

  • دستکاری داده های متنی: درجه و درجه فرعی Manipulating Text Data: Grade and Sub Grade

  • دستکاری داده های متنی: وضعیت تأیید و URL Manipulating Text Data: Verification Status & URL

  • دستکاری داده های متنی: آدرس ایالت Manipulating Text Data: State Address

  • دستکاری داده های متنی: تبدیل رشته ها و ایجاد یک چک پوینت Manipulating Text Data: Converting Strings and Creating a Checkpoint

  • دستکاری داده های عددی: جایگزین مقادیر پرکننده Manipulating Numeric Data: Substitute Filler Values

  • دستکاری داده های عددی: تغییر ارز - نرخ مبادله Manipulating Numeric Data: Currency Change – The Exchange Rate

  • دستکاری داده های عددی: تغییر ارز - از USD به EUR Manipulating Numeric Data: Currency Change - From USD to EUR

  • تکمیل مجموعه داده Completing the Dataset

یک نمونه داده وام با NumPy A Loan Data Example with NumPy

  • راه اندازی: مقدمه ای بر مثال عملی Setting Up: Introduction to the Practical Example

  • تنظیم: وارد کردن مجموعه داده Setting Up: Importing the Data Set

  • راه‌اندازی: بررسی داده‌های ناقص Setting Up: Checking for Incomplete Data

  • تنظیم: تقسیم مجموعه داده Setting Up: Splitting the Dataset

  • راه اندازی: ایجاد نقاط بازرسی Setting Up: Creating Checkpoints

  • دستکاری داده های متنی: تاریخ صدور Manipulating Text Data: Issue Date

  • دستکاری داده های متنی: وضعیت و مدت وام Manipulating Text Data: Loan Status and Term

  • دستکاری داده های متنی: درجه و درجه فرعی Manipulating Text Data: Grade and Sub Grade

  • دستکاری داده های متنی: وضعیت تأیید و URL Manipulating Text Data: Verification Status & URL

  • دستکاری داده های متنی: آدرس ایالت Manipulating Text Data: State Address

  • دستکاری داده های متنی: تبدیل رشته ها و ایجاد یک چک پوینت Manipulating Text Data: Converting Strings and Creating a Checkpoint

  • دستکاری داده های عددی: جایگزین مقادیر پرکننده Manipulating Numeric Data: Substitute Filler Values

  • دستکاری داده های عددی: تغییر ارز - نرخ مبادله Manipulating Numeric Data: Currency Change – The Exchange Rate

  • دستکاری داده های عددی: تغییر ارز - از USD به EUR Manipulating Numeric Data: Currency Change - From USD to EUR

  • تکمیل مجموعه داده Completing the Dataset

تمرین "غیبت" - مقدمه The "Absenteeism" Exercise - Introduction

  • مقدمه ای بر تمرین "غیبت". An Introduction to the "Absenteeism" Exercise

  • تمرین "غیبت" از دیدگاه تجاری The "Absenteeism" Exercise from a Business Perspective

  • مجموعه داده The Dataset

تمرین "غیبت" - مقدمه The "Absenteeism" Exercise - Introduction

  • مقدمه ای بر تمرین "غیبت". An Introduction to the "Absenteeism" Exercise

  • تمرین "غیبت" از دیدگاه تجاری The "Absenteeism" Exercise from a Business Perspective

  • مجموعه داده The Dataset

راه حل تمرین "غیبت". Solution to the "Absenteeism" Exercise

  • چگونه تمرین غیبت را کامل کنیم How to Complete the Absenteeism Exercise

  • ابتدا داده های شما کره چشم Eyeball Your Data First

  • توجه: برنامه نویسی در مقابل بقیه جهان Note: Programming vs the Rest of the World

  • استفاده از یک رویکرد آماری برای حل تمرین ما Using a Statistical Approach to Solve Our Exercise

  • رها کردن ستون "ID". Dropping the 'ID' Column

  • تحلیل ستون "دلیل غیبت". Analysis of the 'Reason for Absence' Column

  • تقسیم دلایل غیبت به چند متغیر ساختگی Splitting the Reasons for Absence into Multiple Dummy Variables

  • کار با متغیرهای ساختگی - یک دیدگاه آماری Working with Dummy Variables - A Statistical Perspective

  • گروه بندی دلیل عدم وجود ستون ها Grouping the Reason for Absence Columns

  • به هم پیوستن ستون ها در یک DataFrame پانداها Concatenating Columns in a pandas DataFrame

  • ترتیب مجدد ستون ها در یک DataFrame Reordering Columns in a DataFrame

  • کار بر روی ستون "تاریخ". Working on the 'Date' Column

  • استخراج مقدار ماه از ستون "تاریخ". Extracting the Month Value from the 'Date' Column

  • ایجاد ستون "روز هفته". Creating the 'Day of the Week' Column

  • درک معنای 5 ستون دیگر Understanding the Meaning of 5 More Columns

  • اصلاح ستون "آموزش". Modifying the 'Education' Column

  • اظهارات پایانی در مورد تمرین غیبت Final Remarks on the Absenteeism Exercise

راه حل تمرین "غیبت". Solution to the "Absenteeism" Exercise

  • چگونه تمرین غیبت را کامل کنیم How to Complete the Absenteeism Exercise

  • ابتدا داده های شما کره چشم Eyeball Your Data First

  • توجه: برنامه نویسی در مقابل بقیه جهان Note: Programming vs the Rest of the World

  • استفاده از یک رویکرد آماری برای حل تمرین ما Using a Statistical Approach to Solve Our Exercise

  • رها کردن ستون "ID". Dropping the 'ID' Column

  • تحلیل ستون "دلیل غیبت". Analysis of the 'Reason for Absence' Column

  • تقسیم دلایل غیبت به چند متغیر ساختگی Splitting the Reasons for Absence into Multiple Dummy Variables

  • کار با متغیرهای ساختگی - یک دیدگاه آماری Working with Dummy Variables - A Statistical Perspective

  • گروه بندی دلیل عدم وجود ستون ها Grouping the Reason for Absence Columns

  • به هم پیوستن ستون ها در یک DataFrame پانداها Concatenating Columns in a pandas DataFrame

  • ترتیب مجدد ستون ها در یک DataFrame Reordering Columns in a DataFrame

  • کار بر روی ستون "تاریخ". Working on the 'Date' Column

  • استخراج مقدار ماه از ستون "تاریخ". Extracting the Month Value from the 'Date' Column

  • ایجاد ستون "روز هفته". Creating the 'Day of the Week' Column

  • درک معنای 5 ستون دیگر Understanding the Meaning of 5 More Columns

  • اصلاح ستون "آموزش". Modifying the 'Education' Column

  • اظهارات پایانی در مورد تمرین غیبت Final Remarks on the Absenteeism Exercise

تجسم داده ها Data Visualization

  • تجسم داده چیست و چرا مهم است؟ What Is Data Visualization and Why Is It Important?

  • چرا تجسم داده را یاد بگیریم؟ Why Learn Data Visualization?

  • انتخاب تجسم مناسب – برخی از رویکردها و چارچوب های محبوب کدامند Choosing the Right Visualization – What Are Some Popular Approaches and Framewor

  • مقدمه ای بر رنگ ها و تئوری رنگ ها Introduction into Colors and Color Theory

  • نمودار میله ای - مقدمه - نظریه عمومی و آشنایی با مجموعه داده Bar Chart - Introduction - General Theory and Getting to Know the Dataset

  • نمودار میله ای - نحوه ایجاد نمودار میله ای با استفاده از پایتون Bar Chart - How to Create a Bar Chart Using Python

  • نمودار میله ای – تفسیر نمودار میله ای. چگونه یک نمودار نواری خوب بسازیم Bar Chart – Interpreting the Bar Graph. How to Make a Good Bar Graph

  • نمودار دایره ای - مقدمه - نظریه عمومی و مجموعه داده Pie Chart - Introduction - General Theory and Dataset

  • نمودار دایره ای - نحوه ایجاد نمودار پای با استفاده از پایتون Pie Chart - How to Create a Pie Chart Using Python

  • نمودار دایره ای – تفسیر نمودار دایره ای Pie Chart – Interpreting the Pie Chart

  • نمودار دایره ای - چرا هرگز نباید نمودار دایره ای ایجاد کنید Pie Chart - Why You Should Never Create a Pie Graph

  • نمودار مساحت انباشته - مقدمه - نظریه عمومی. آشنایی با مجموعه داده Stacked Area Chart - Introduction - General Theory. Getting to Know the Dataset

  • نمودار منطقه انباشته - چگونه با استفاده از پایتون یک نمودار منطقه انباشته ایجاد کنیم Stacked Area Chart - How to Create a Stacked Area Chart Using Python

  • نمودار مساحت انباشته - تفسیر نمودار ناحیه انباشته شده Stacked Area Chart - Interpreting the Stacked Area Graph

  • نمودار مساحت انباشته - چگونه یک نمودار مساحت پشته ای خوب بسازیم Stacked Area Chart - How to Make a Good Stacked Area Chart

  • نمودار خطی - مقدمه - نظریه عمومی. آشنایی با مجموعه داده Line Chart - Introduction - General Theory. Getting to Know the Dataset

  • نمودار خطی - نحوه ایجاد نمودار خطی در پایتون Line Chart - How to Create a Line Chart in Python

  • نمودار خطی - تفسیر Line Chart - Interpretation

  • نمودار خطی - چگونه یک نمودار خطی خوب بسازیم Line Chart - How to Make a Good Line Chart

  • هیستوگرام - مقدمه - نظریه عمومی. آشنایی با مجموعه داده Histogram - Introduction - General Theory. Getting to Know the Dataset

  • هیستوگرام - نحوه ایجاد یک هیستوگرام با استفاده از پایتون Histogram - How to Create a Histogram Using Python

  • هیستوگرام - تفسیر هیستوگرام Histogram – Interpreting the Histogram

  • هیستوگرام - انتخاب تعداد سطل ها در یک هیستوگرام Histogram – Choosing the Number of Bins in a Histogram

  • هیستوگرام - چگونه یک هیستوگرام خوب بسازیم Histogram - How to Make a Good Histogram

  • طرح پراکندگی - مقدمه - نظریه عمومی. آشنایی با مجموعه داده Scatter Plot - Introduction - General Theory. Getting to Know the Dataset

  • Scatter Plot - نحوه ایجاد یک Scatter Plot با استفاده از Python Scatter Plot - How to Create a Scatter Plot Using Python

  • طرح پراکندگی - تفسیر طرح پراکندگی Scatter Plot – Interpreting the Scatter Plot

  • طرح پراکندگی - چگونه یک طرح پراکندگی خوب بسازیم Scatter Plot - How to Make a Good Scatter Plot

  • طرح رگرسیون - مقدمه - نظریه عمومی. آشنایی با مجموعه داده Regression Plot - Introduction - General Theory. Getting to Know the Dataset

  • نمودار رگرسیون - چگونه با استفاده از پایتون یک نمودار پراکندگی رگرسیون ایجاد کنیم Regression Plot - How to Create a Regression Scatter Plot Using Python

  • نمودار رگرسیون - تفسیر نمودار پراکندگی رگرسیون Regression Plot – Interpreting the Regression Scatter Plot

  • طرح رگرسیون - چگونه یک طرح رگرسیون خوب بسازیم Regression Plot - How to Make a Good Regression Plot

  • نمودار میله ای و خطی - مقدمه - نظریه عمومی. آشنایی با مجموعه داده Bar and Line Chart - Introduction - General Theory. Getting to Know the Dataset

  • نمودار میله ای و خطی - نحوه ایجاد یک نوار ترکیبی و نمودار خطی با استفاده از پایتون Bar and Line Chart - How to Create a Combination Bar and Line Graph Using Python

  • نمودار میله ای و خطی - تفسیر میله ترکیبی و نمودار خطی Bar and Line Chart – Interpreting the Combination Bar and Line Graph

  • نمودار میله‌ای و خطی – چگونه یک نمودار میله‌ای و خطی خوب بسازیم Bar and Line Chart – How to Make a Good Bar and Line Graph

  • تجسم داده ها - تمرین Data Visualization - Exercise

تجسم داده ها Data Visualization

  • تجسم داده چیست و چرا مهم است؟ What Is Data Visualization and Why Is It Important?

  • چرا تجسم داده را یاد بگیریم؟ Why Learn Data Visualization?

  • انتخاب تجسم مناسب – برخی از رویکردها و چارچوب های محبوب کدامند Choosing the Right Visualization – What Are Some Popular Approaches and Framewor

  • مقدمه ای بر رنگ ها و تئوری رنگ ها Introduction into Colors and Color Theory

  • نمودار میله ای - مقدمه - نظریه عمومی و آشنایی با مجموعه داده Bar Chart - Introduction - General Theory and Getting to Know the Dataset

  • نمودار میله ای - نحوه ایجاد نمودار میله ای با استفاده از پایتون Bar Chart - How to Create a Bar Chart Using Python

  • نمودار میله ای – تفسیر نمودار میله ای. چگونه یک نمودار نواری خوب بسازیم Bar Chart – Interpreting the Bar Graph. How to Make a Good Bar Graph

  • نمودار دایره ای - مقدمه - نظریه عمومی و مجموعه داده Pie Chart - Introduction - General Theory and Dataset

  • نمودار دایره ای - نحوه ایجاد نمودار پای با استفاده از پایتون Pie Chart - How to Create a Pie Chart Using Python

  • نمودار دایره ای – تفسیر نمودار دایره ای Pie Chart – Interpreting the Pie Chart

  • نمودار دایره ای - چرا هرگز نباید نمودار دایره ای ایجاد کنید Pie Chart - Why You Should Never Create a Pie Graph

  • نمودار مساحت انباشته - مقدمه - نظریه عمومی. آشنایی با مجموعه داده Stacked Area Chart - Introduction - General Theory. Getting to Know the Dataset

  • نمودار منطقه انباشته - چگونه با استفاده از پایتون یک نمودار منطقه انباشته ایجاد کنیم Stacked Area Chart - How to Create a Stacked Area Chart Using Python

  • نمودار مساحت انباشته - تفسیر نمودار ناحیه انباشته شده Stacked Area Chart - Interpreting the Stacked Area Graph

  • نمودار مساحت انباشته - چگونه یک نمودار مساحت پشته ای خوب بسازیم Stacked Area Chart - How to Make a Good Stacked Area Chart

  • نمودار خطی - مقدمه - نظریه عمومی. آشنایی با مجموعه داده Line Chart - Introduction - General Theory. Getting to Know the Dataset

  • نمودار خطی - نحوه ایجاد نمودار خطی در پایتون Line Chart - How to Create a Line Chart in Python

  • نمودار خطی - تفسیر Line Chart - Interpretation

  • نمودار خطی - چگونه یک نمودار خطی خوب بسازیم Line Chart - How to Make a Good Line Chart

  • هیستوگرام - مقدمه - نظریه عمومی. آشنایی با مجموعه داده Histogram - Introduction - General Theory. Getting to Know the Dataset

  • هیستوگرام - نحوه ایجاد یک هیستوگرام با استفاده از پایتون Histogram - How to Create a Histogram Using Python

  • هیستوگرام - تفسیر هیستوگرام Histogram – Interpreting the Histogram

  • هیستوگرام - انتخاب تعداد سطل ها در یک هیستوگرام Histogram – Choosing the Number of Bins in a Histogram

  • هیستوگرام - چگونه یک هیستوگرام خوب بسازیم Histogram - How to Make a Good Histogram

  • طرح پراکندگی - مقدمه - نظریه عمومی. آشنایی با مجموعه داده Scatter Plot - Introduction - General Theory. Getting to Know the Dataset

  • Scatter Plot - نحوه ایجاد یک Scatter Plot با استفاده از Python Scatter Plot - How to Create a Scatter Plot Using Python

  • طرح پراکندگی - تفسیر طرح پراکندگی Scatter Plot – Interpreting the Scatter Plot

  • طرح پراکندگی - چگونه یک طرح پراکندگی خوب بسازیم Scatter Plot - How to Make a Good Scatter Plot

  • طرح رگرسیون - مقدمه - نظریه عمومی. آشنایی با مجموعه داده Regression Plot - Introduction - General Theory. Getting to Know the Dataset

  • نمودار رگرسیون - چگونه با استفاده از پایتون یک نمودار پراکندگی رگرسیون ایجاد کنیم Regression Plot - How to Create a Regression Scatter Plot Using Python

  • نمودار رگرسیون - تفسیر نمودار پراکندگی رگرسیون Regression Plot – Interpreting the Regression Scatter Plot

  • طرح رگرسیون - چگونه یک طرح رگرسیون خوب بسازیم Regression Plot - How to Make a Good Regression Plot

  • نمودار میله ای و خطی - مقدمه - نظریه عمومی. آشنایی با مجموعه داده Bar and Line Chart - Introduction - General Theory. Getting to Know the Dataset

  • نمودار میله ای و خطی - نحوه ایجاد یک نوار ترکیبی و نمودار خطی با استفاده از پایتون Bar and Line Chart - How to Create a Combination Bar and Line Graph Using Python

  • نمودار میله ای و خطی - تفسیر میله ترکیبی و نمودار خطی Bar and Line Chart – Interpreting the Combination Bar and Line Graph

  • نمودار میله‌ای و خطی – چگونه یک نمودار میله‌ای و خطی خوب بسازیم Bar and Line Chart – How to Make a Good Bar and Line Graph

  • تجسم داده ها - تمرین Data Visualization - Exercise

نتیجه Conclusion

  • نتیجه Conclusion

نتیجه Conclusion

  • نتیجه Conclusion

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 دوره تحلیل داده ها: بوت کمپ کامل تحلیلگر داده 2023
جزییات دوره
20.5 hours
274
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
67,658
4.5 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