آموزش تحلیل داده‌ها با پایتون و Polars - آخرین آپدیت

دانلود Introduction to Data Analysis with Python and Polars

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره دارای قابلیت Coursera Coach است! روشی هوشمندانه‌تر برای یادگیری با گفتگوهای تعاملی و آنی که به شما کمک می‌کند دانش خود را آزمایش کنید، مفروضات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. در دنیای تحلیل داده‌ها با استفاده از پایتون و Polars، یک کتابخانه سریع و کارآمد برای مدیریت داده‌های ساختاریافته، غوطه‌ور شوید. این دوره شما را قادر می‌سازد تا مجموعه‌داده‌ها را مدیریت کنید، داده‌ها را پاکسازی و تبدیل نمایید و تحلیل‌های بصیرانه انجام دهید و شما را به مهارت‌های عملی قابل اجرا در پروژه‌های واقعی داده مجهز می‌کند. شما با راه‌اندازی محیط خود در macOS یا ویندوز شروع خواهید کرد، مبانی ترمینال را می‌آموزید، بسته‌های پایتون را با uv نصب می‌کنید و برای مدیریت یکپارچه پروژه با Jupyter Lab آشنا می‌شوید. هر مرحله برای ایجاد اعتماد به نفس در شما و اطمینان از گردش کاری روان از همان ابتدا طراحی شده است. سپس، مبانی پایتون شامل متغیرها، عملگرها، توابع و ساختارهای داده را بررسی خواهید کرد و سپس به مفاهیم تخصصی Polars خواهید پرداخت. شما یاد می‌گیرید که Series و DataFrame ایجاد کنید، مقادیر گم‌شده را مدیریت کنید، حافظه را بهینه کنید و از عبارت‌های قدرتمند برای دستکاری و فیلتر کردن بهینه داده‌ها استفاده کنید. این دوره برای مبتدیان و یادگیرندگان سطح متوسط علاقه‌مند به علوم داده یا تحلیل داده‌ها ایده‌آل است. نیازی به تجربه قبلی در Polars نیست، اما آشنایی اولیه با پایتون کمک‌کننده خواهد بود. هر کسی که به دنبال ارتقای مهارت‌های تحلیل و مدیریت داده‌های مبتنی بر پایتون است، ارزش زیادی در این دوره خواهد یافت. در پایان دوره، شما قادر خواهید بود با اعتماد به نفس محیط داده‌های خود را راه‌اندازی کنید، عملیات پیشرفته دستکاری داده‌ها را در Polars انجام دهید، مجموعه‌داده‌ها را پاکسازی و فیلتر کنید، داده‌ها را پیوند (Join) و تجمیع کنید و بینش‌های کاربردی را از داده‌های ساختاریافته با استفاده از پایتون و Polars استخراج نمایید.

سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه‌ای بر تخصص Introduction to the Specialization

  • [macOS] آشنایی با ترمینال [macOS] Intro to Terminal

  • [macOS] نصب uv، مدیریت بسته‌ها و پروژه‌های پایتون [macOS] Install uv, a Python package and project manager

  • [macOS] دانلود منابع دوره و راه‌اندازی پروژه [macOS] Download Course Materials and Setup Project

  • [Windows] آشنایی با PowerShell [Windows] Intro to PowerShell

  • [Windows] نصب uv، مدیریت بسته‌ها و پروژه‌های پایتون [Windows] Install uv, a Python package and project manager

  • [Windows] دانلود منابع دوره و راه‌اندازی پروژه [Windows] Download Course Materials and Setup Project

  • راه اندازی و بستن Jupyter Lab Jupyter Lab Startup and Shutdown

  • آشنایی با Jupyter Lab Intro to Jupyter Lab

  • تنظیم Ruff Formatter در Jupyter Lab Setting Up Ruff Formatter in Jupyter Lab

  • وارد کردن کتابخانه‌ها به Jupyter Lab Import Libraries into Jupyter Lab

دوره فشرده پایتون Python Crash Course

  • کامنت‌ها Comments

  • انواع داده‌ها Data Types

  • عملگرها Operators

  • عملگرهای تساوی و عدم تساوی Equality and Inequality Operators

  • متغیرها Variables

  • توابع داخلی Built-In Functions

  • توابع سفارشی Custom Functions

  • متدهای رشته‌ها String Methods

  • لیست‌ها Lists

  • موقعیت‌های ایندکس و برش (Slicing) Index Positions and Slicing

  • تاپل‌ها Tuples

  • دیکشنری‌ها Dictionaries

  • کلاس‌ها و اشیاء Classes and Objects

  • وارد کردن ماژول‌ها Importing Modules

  • وارد کردن کتابخانه‌ها Importing Libraries

  • اعداد صحیح علامت‌دار و بدون علامت Unsigned and Signed Integers

سری‌ها (Series) Series

  • وارد کردن Polars Series Import the Polars Series

  • ایجاد یک سری (Series) Create a Series

  • استنتاج نوع داده Data Type Inference

  • ویژگی‌ها (Attributes) Attributes

  • مقادیر گم‌شده Missing Values

  • متد alias The alias Method

  • وارد کردن فایل CSV با تابع read_csv Import a CSV File with the read_csv Function

  • متدهای head و tail The head and tail Methods

  • بهینه‌سازی حافظه و پارامتر schema_overrides Memory Optimization and the schema_overrides Parameter

  • مرتب‌سازی یک سری Sorting a Series

  • متدهای ریاضی Mathematical Methods

  • متدهای گرد کردن Rounding Methods

  • تفاوت‌های Polars با Pandas How Polars Differs from Pandas

دیتافریم‌ها ۱ (DataFrames I) DataFrames I

  • مقدمه‌ای بر دیتافریم‌ها Intro to DataFrames

  • ایجاد دیتافریم از ابتدا Create a DataFrame from Scratch

  • خواندن دیتافریم از CSV Read a DataFrame from CSV

  • بدون ایندکس، بدون مشکل No Index, No Problem

  • مقدمه‌ای بر عبارت‌ها (Expressions) Intro to Expressions

  • متد select بخش اول The select Method I

  • تغییر نام ستون‌ها Renaming Columns

  • متد select بخش دوم The select Method II

  • متد select بخش سوم: هدف‌گذاری بر اساس نوع داده The select Method III: Targeting by Data Type

  • عبارت‌ها به عنوان بلوک‌های سازنده Expressions as Building Blocks

  • عبارت‌های شمارش مقادیر Expressions that Count Values

  • استخراج یک یا چند ردیف Extracting One or More Rows

  • سینتکس برش لیست (List Slicing) List Slicing Syntax

  • عبارت‌هایی که مقادیر ردیف را هدف قرار می‌دهند Expressions that Target Row Values

  • استخراج یک مقدار واحد از دیتافریم با متد item Extracting a Single Value from DataFrame with the item Method

  • استخراج ردیف‌ها بر اساس موقعیت ایندکس با متدهای gather و gather_every Extracting Rows by Index Positions with the gather and gather_every Methods

  • استخراج مجموعه‌ای تصادفی از مقادیر Extracting a Random Set of Values

  • تغییر نوع (Casting) ستون‌ها به انواع مختلف Casting Columns to Different Types

  • سفارشی‌سازی اسکیمای دیتافریم Customizing the DataFrame Schema

  • تغییر نام ستون‌ها Renaming Columns

  • ویژگی name The name Attribute

  • حذف ستون‌ها Dropping Columns

  • جایگزینی مقادیر Replacing Values

  • عملیات ریاضی بخش اول Mathematical Operations I

  • عملیات ریاضی بخش دوم Mathematical Operations II

  • عملیات ریاضی تجمعی Cumulative Mathematical Operations

  • متد with_columns The with_columns Method

  • توابع all و exclude The all and exclude Functions

دیتافریم‌ها ۲ (DataFrames II) DataFrames II

  • متد fill_null The fill_null Method

  • درون‌یابی (Interpolation) Interpolation

  • حذف داده‌های گم‌شده Dropping Missing Data

  • مرتب‌سازی بر اساس یک ستون Sorting by a Single Column

  • مرتب‌سازی بر اساس چندین ستون بخش اول Sorting by Multiple Columns I

  • کاراکترها در مقابل بایت‌ها Characters vs Bytes

  • مرتب‌سازی بر اساس عبارت‌ها Sorting based on Expressions

  • متدهای top_k و bottom_k The top_k and bottom_k Methods

  • متد rank The rank Method

  • متد shuffle The shuffle Method

  • شمارش و استخراج مقادیر منحصر به فرد Counting and Extracting Unique Values

  • متد value_counts The value_counts Method

دیتافریم‌ها ۳: فیلتر کردن DataFrames III - Filtering

  • معرفی مجموعه داده Introducing the Dataset

  • متد filter The filter Method

  • فیلتر کردن با عملگرهای ریاضی Filtering with Mathematical Operators

  • فیلتر کردن با مقادیر گم‌شده Filtering with Missing Values

  • فیلتر کردن با ستون‌های بولی (Boolean) Filtering with Boolean Columns

  • اعمال منطق And (عبارات بولی متعدد) Applying And Logic (Multiple Boolean Expressions)

  • اعمال منطق Or Applying Or Logic

  • اولویت عملگرها Operator Precedence

  • اعمال منطق XOR (یا انحصاری) Applying Exclusive OR (xor) Logic

  • فیلتر کردن برای مقادیر منحصر به فرد و تکراری Filtering for Unique and Duplicate Values

  • فیلتر کردن با تاریخ و زمان (Datetimes) Filtering with Datetimes

  • متد is_between The is_between Method

  • متد is_in The is_in Method

  • متد remove The remove Method

  • نقیض با نماد Tilde (~) Negation with Tilde Symbol

  • ساختار When, Then, Otherwise When, Then, Otherwise

  • بخش‌بندی دیتافریم‌ها (Partitioning) Partitioning DataFrames

اتصال داده‌ها (Joins) Joins

  • معرفی مجموعه‌داده‌ها Introducing the Datasets

  • اتصال داخلی (Inner Joins) Inner Joins

  • پارامتر on The on Parameter

  • اتصال کامل (Full Joins) Full Joins

  • اتصال چپ و راست (Left and Right Joins) Left and Right Joins

  • اتصال نیمه (Semi Join) Semi Join

  • اتصال ضد (Anti Join) Anti Join

  • اتصال متقاطع/حاصل‌ضرب دکارتی (Cross Joins) Cross Joins/Cartesian Products

  • اتصال بر اساس چندین ستون Joining on Multiple Columns

  • پارامتر validate The validate Parameter

  • متد join_asof بخش اول The join_asof Method I

  • متد join_asof بخش دوم: تلورانس (Tolerance) The join_asof Method II: Tolerance

  • متد join_asof بخش سوم: پارامتر by The join_asof Method III: The by Parameter

نمایش نظرات

آموزش تحلیل داده‌ها با پایتون و Polars
جزییات دوره
16h 39m
110
(آخرین آپدیت)
22
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده