آموزش تجزیه و تحلیل داده های پایتون (2020) - آخرین آپدیت

دانلود Python Data Analysis (2020)

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: علم داده در حال تغییر روشی است که رهبران دولت و صنعت به مشکلات خاص و جهان در کل نگاه می کنند. کنجکاو در مورد چگونگی عملکرد تجزیه و تحلیل داده ها در عمل؟ در این دوره ، مربی میشل والیسنرنی به شما نشان می دهد که چگونه ، توضیح می دهد که برای شروع کار با داده های با استفاده از پایتون چه کاری لازم است.

میشل نحوه تنظیم محیط تجزیه و تحلیل خود را نشان می دهد و در مورد اصول کار با ساختارهای داده در پایتون ، تازه کننده ای را ارائه می دهد. سپس ، او به چیزهای بزرگ پرش می کند: قدرت آرایه ها ، نمایه سازی و جداول در Numpy و Pandas-دو بسته محبوب شخص ثالث که به طور خاص برای تجزیه و تحلیل داده ها طراحی شده اند. او همچنین دو نمونه از پروژه های بزرگ داده ها را طی می کند: با استفاده از NUMPY برای شناسایی و تجسم الگوهای آب و هوا و استفاده از پاندا برای تجزیه و تحلیل محبوبیت نام کودک در قرن گذشته. چالش های صادر شده در این راه به شما کمک می کند تا آنچه را آموخته اید تمرین کنید.

توجه: این نسخه از دوره به روز شد تا منعکس کننده تغییرات اخیر در Python 3 ، Numpy و Pandas باشد.

سرفصل ها و درس ها

مقدمه Introduction

  • خوش آمدی Welcome

  • در تجزیه و تحلیل داده ها با پایتون شروع کنید Get started in data analysis with Python

  • چه چیزی میخواهید بدانید What you need to know

  • آنچه در این بروزرسانی جدید است What's new in this update

  • فایل های تمرینی Exercise files

1. نصب و راه اندازی 1. Installation and Setup

  • Anaconda Python را روی سیستم عامل X نصب کنید Install Anaconda Python on OS X

  • توزیع توزیع آناکوندا پایتون Installing the Anaconda Python distribution

  • نوشتن و اجرای پایتون در نوت بوک iPython Writing and running Python in the iPython notebook

  • کار با نوت بوک های Jupyter Working with Jupyter Notebooks

  • با استفاده از پایتون در ابر Using Python in the cloud

  • Anaconda Python را روی ویندوز نصب کنید Install Anaconda Python on Windows

  • با استفاده از پرونده های ورزش Using the exercise files

2. تازه کردن: محتویات داده در پایتون 2. Refresher: Data Containers in Python

  • بررسی اجمالی ظروف پایتون Python containers overview

  • با استفاده از لیست های پایتون و نحو برش Using Python lists and the slicing syntax

  • با استفاده از لغت نامه های پایتون Using Python dictionaries

  • درکها Comprehensions

2 ساختار داده در پایتون خالص 2. Data Structures in Pure Python

  • درک Comprehensions

  • ظروف پیشرفته پایتون Advanced Python containers

  • گرم کردن با حلقه های پایتون Warmup with Python loops

  • توالی ها: لیست ها ، تاپ ها و نحو برش Sequences: Lists, tuples, and the slicing syntax

  • فرهنگ لغت و مجموعه Dictionaries and sets

3. کلمات Anagrams در پایتون 3. Word Anagrams in Python

  • بررسی اجمالی anagram Word anagram overview

  • بارگیری فرهنگ لغت Loading the dictionary

  • پیدا کردن anagrams Finding anagrams

  • چالش Challenge

  • راه حل Solution

3. Wordplay: anagrams و palindromes 3. Wordplay: Anagrams and Palindromes

  • بارگیری فرهنگ لغت Loading a dictionary

  • نمای کلی anagrams Anagrams overview

  • راه حل: Palindromes Solution: Palindromes

  • چالش: Palindromes Challenge: Palindromes

  • پیدا کردن آناگرام Finding anagrams

4. آشنایی با NumPy 4. Introduction to NumPy

  • نمای کلی NumPy NumPy overview

  • ایجاد آرایه های NumPy Creating NumPy arrays

  • انجام ریاضی با آرایه ها Doing math with arrays

  • نمایه سازی و برش Indexing and slicing

  • سوابق و تاریخ Records and dates

4. آرایه هایی با numpy 4. Arrays with NumPy

  • انجام ریاضیات با آرایه های numpy Doing math with NumPy arrays

  • نمای کلی NUMPY NumPy overview

  • ایجاد آرایه های numpy Creating NumPy arrays

  • نمایه سازی آرایه های numpy Indexing NumPy arrays

  • آرایه های ویژه: سوابق و تاریخ Special arrays: Records and dates

5. داده های آب و هوا با NumPy 5. Weather Data with NumPy

  • نمای کلی اطلاعات هوا Weather data overview

  • بارگیری و تجزیه فایل های داده Downloading and parsing data files

  • تجزیه و تحلیل دما Temperature analysis

  • ادغام داده های از دست رفته Integrating missing data

  • هموار سازی داده ها Smoothing data

  • محاسبه سوابق روزانه Computing daily records

  • چالش Challenge

  • راه حل Solution

5. استفاده از مورد: داده های آب و هوا 5. Use Case: Weather Data

  • بارگذاری ایستگاه و داده های دما Loading station and temperature data

  • بررسی اجمالی مورد استفاده Overview of use case

  • پر کردن مقادیر گمشده Filling missing values

  • نمودارهای آب و هوا Weather charts

  • سری زمانی هموار سازی Smoothing time series

  • چالش: ناهنجاری های آب و هوا Challenge: Weather anomalies

  • راه حل: ناهنجاری های آب و هوا Solution: Weather anomalies

6. آشنایی با پاندا 6. Introduction to Pandas

  • نمای کلی پاندا Pandas overview

  • سریال در پاندا Series in Pandas

  • DataFrames در پاندا DataFrames in Pandas

  • با استفاده از شاخص های چند سطحی Using multilevel indices

  • تجمع Aggregation

6. پاندا 6. pandas

  • توطئه Plotting

  • بررسی اجمالی پاندا pandas overview

  • نمایه سازی در پاندا Indexing in pandas

  • dataframes و سری DataFrames and Series

7. نام های کودک با پاندا 7. Baby Names with Pandas

  • نمای کلی نام کودک Baby name overview

  • بارگیری مجموعه داده ها Loading datasets

  • نام محبوبیت Name popularity

  • ده سال برتر A yearly top ten

  • نام FAD ها Name fads

  • چالش Challenge

  • راه حل Solution

7. از مورد استفاده کنید: نام کودک 7. Use Case: Baby Names

  • ده نام برتر سالانه Yearly top ten names

  • راه حل: نام کودک Unisex Solution: Unisex baby names

  • مقایسه محبوبیت نام Comparing name popularity

  • بررسی اجمالی مورد استفاده Overview of use case

  • بارگیری مجموعه داده ها Loading data sets

  • چالش: نام کودک Unisex Challenge: Unisex baby names

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش تجزیه و تحلیل داده های پایتون (2020)
جزییات دوره
2h 30m
79
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
201,004
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Michele Vallisneri Michele Vallisneri

اخترفیزیکدان نظری در آزمایشگاه پیشرانش جت ناسا

Michele Vallisneri یک اخترفیزیکدان نظری در آزمایشگاه پیشرانش جت ناسا است.

او دکترای فیزیک خود را در موسسه فناوری کالیفرنیا در سال 2002 به دست آورد. تحقیقات او شامل تشخیص و تفسیر امواج گرانشی با LIGO ، در فضا و زمان بندی تپنده است. او متخصص تجزیه و تحلیل داده ها ، استنتاج بیزی و فیزیک محاسباتی است و معتقد است که برنامه نویسی شفاف و زیبا می تواند سخت ترین مشکلات را روشن کند. او یکی از اعضای انجمن فیزیک آمریکا است و به او مدال دستاوردهای علمی استثنایی ناسا اهدا شد.