آموزش با Streamlit برنامه های وب علم داده را بیاموزید و به کار بگیرید

Learn & Deploy Data Science Web Apps with Streamlit

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آموزش، توسعه و استقرار برنامه وب Streamlit برای برنامه علوم داده فقط با استفاده از Python ایجاد برنامه های قدرتمند استریم لیت ایجاد برنامه وب زیبا در عرض چند دقیقه ساخت وب اپلیکیشن بدون دانستن چیزی در مورد HTML، CSS، جاوا اسکریپ توسعه برنامه های وب در پایتون توسعه برنامه وب علم داده پیش نیازها: مبتدیان پایتون باید پانداها را برای تجزیه و تحلیل داده بشناسند

به دوره آموزشی Learn Streamlit for Data Science خوش آمدید

Streamlit یک کتابخانه پایتون منبع باز است که ایجاد و اشتراک گذاری برنامه های وب زیبا و سفارشی برای یادگیری ماشین و علم داده را آسان می کند که می تواند برای به اشتراک گذاشتن نتایج تجزیه و تحلیل، ایجاد تجربیات تعاملی پیچیده و نشان دادن مدل های جدید یادگیری ماشین استفاده شود. . فقط در چند دقیقه می‌توانید برنامه‌های داده قدرتمند بسازید و اجرا کنید.

علاوه بر این، توسعه و استقرار برنامه‌های Streamlit فوق‌العاده سریع و انعطاف‌پذیر است و اغلب زمان توسعه برنامه را از روز به ساعت تبدیل می‌کند.

در این دوره، ما با اصول Streamlit شروع می کنیم. ما یاد خواهیم گرفت که چگونه برنامه های Streamlit را دانلود و اجرا کنیم، چگونه برنامه های آزمایشی را با استفاده از ویرایشگر متن خود ویرایش کنیم، چگونه برنامه های Streamlit خود را سازماندهی کنیم، و در نهایت، چگونه برنامه های خودمان را بسازیم. سپس، اصول تجسم داده ها را در Streamlit بررسی می کنیم. ما یاد خواهیم گرفت که چگونه برخی از ورودی های اولیه کاربر را بپذیریم، و سپس برخی از کارهای تکمیلی را با متن به برنامه های خود اضافه کنیم. در پایان این دوره، شما باید راحت شروع به ساخت برنامه های Streamlit خود کنید.

به ویژه، ما موضوعات زیر را پوشش خواهیم داد:

  • چرا Streamlit؟

  • نصب Streamlit

  • سازماندهی برنامه های Streamlit

  • Streamlit

  • عناصر متن

  • نمایش داده ها

  • طرح بندی ها

  • ابزارک ها

  • تجسم داده

    • ادغام ابزارک ها با تجسم ها

    • نقشه

    • بوکه

    • Streamlit

  • پروژه علم داده

  • برنامه وب Data Science را در Cloud استقرار دهید



سرفصل ها و درس ها

معرفی Introduction

  • استریم لایت چیست؟ What is streamlit ?

  • Flask vs Django vs Streamlit Flask vs Django vs Streamlit

  • منابع را دانلود کنید Download the resourses

  • پایتون را نصب کنید Install Python

  • Streamlit را نصب کنید Install Streamlit

  • کتابخانه های مورد نیاز را نصب کنید Install required libraries

  • VS Code را نصب کنید Install VS Code

  • VS Code Extensions را نصب کنید Install VS Code Extensions

شروع کار با Streamlit Getting Started with Streamlit

  • شروع کار با Streamlit Getting Started with Streamlit

  • Streamlit را اجرا کنید Run Streamlit

  • برنامه Streamlit را در 24 خط ایجاد کنید Create Streamlit App in 24 Lines

APIهای Streamlit Streamlit APIs

  • دانلود منابع Download resourses

  • تقریباً هر چیزی را به صورت جریانی نمایش دهید Display almost anything in streamlit

  • st.نوشتن st.write

  • شعبده بازي magic

  • عناصر متنی ساده Streamlit Text Elements

  • st.markdown st.markdown

  • st.markdown part-2 st.markdown part-2

  • st.markdown part-3 st.markdown part-3

  • عناصر متن: عنوان، سربرگ، زیر سربرگ، کد، لاتکس Text elements : title, header, subheader, code, latex

  • عناصر داده: دیتافریم، جدول، json Data Elements: dataframe, table, json

  • عناصر وضعیت: نوار پیشرفت Status Elements: Progress Bar

  • عنصر وضعیت: اسپینر Status Element: Spinner

  • عناصر وضعیت: نمایش پیام هایی مانند موفقیت، خطا، هشدار، اطلاعات Status Elements: Display message like Success, Error, Warning, Info

  • عناصر رسانه: نمایش تصویر، ویدئو و صدا Media Elements: Display Image, Video and Audio

  • طرح بندی ها Layouts

  • طرح بندی: ستون ها Layouts: Columns

  • Layouts: Expanders Layouts: Expanders

  • چیدمان: ظروف Layouts: Containers

  • طرح بندی: خالی Layouts: Empty

ابزارک های ورودی ساده Streamlit Input Widgets

  • دکمه Button

  • چک باکس Checkbox

  • دکمه رادیویی Radio button

  • جعبه را انتخاب کنید Select Box

  • چند انتخابی Multiselect

  • لغزنده Slider

  • متن_ورودی، عدد_ورودی، تاریخ_ورودی text_input, number_input, date_input

  • آپلود فایل File upload

  • تکلیف-1 Assignment-1

  • تکلیف -1 راه حل Assignment -1 Solution

تست تمرینی - 1 Practice test - 1

  • تست Streamlit API Streamlit API Test

تجسم با Streamlit Visualizations with Streamlit

  • منابع را دانلود کنید Download the Recourses

  • بارگذاری داده ها و سوالات تجزیه و تحلیل داده ها Load Data and Data Analysis Questions

  • شکل Matplotlib در Streamlit: Pie Chart Matplotlib Figure in Streamlit: Pie Chart

  • شکل Matplotlib در Streamlit: Bar Chart Matplotlib Figure in Streamlit: Bar Chart

  • Matplotlib و ابزارک ورودی را ادغام کنید Integrate Matplotlib and Input Widgets

  • شکل Seaborn در Streamlit: نمودار جعبه Seaborn Figure in Streamlit: Box plot

  • Seaborn Figure + Streamlit Widgets: (هیستوگرام، ویولن، Kdeplott) Seaborn Figure + Streamlit Widgets: (Histogram, Violin, Kdeplott)

  • طرح پانداها در Streamlit Pandas Plot in Streamlit

  • نقشه هایی که توسط چندین ویجت کنترل می شوند Plots controlled by multiple widgets

  • Scatter Plot + Widgets Scatter Plot + Widgets

تجسم های تعاملی در Streamlit Interactive Visualizations in Streamlit

  • مقدمه ای بر تجسم های تعاملی Introduction to interactive visualizations

  • نمودار نواری استریم لایت | نمودار مساحتی | نمودار خطی Streamlit Bar Chart | Area Chart | Line Chart

  • درباره پلاتلی About Plotly

  • نمودار طرح در Streamlit بخش - 1 Plotly Chart in Streamlit part - 1

  • نمودار طرح در Streamlit قسمت -2 Plotly Chart in Streamlit part -2

  • نمودار توطئه در Streamlit بخش - 3 Plotly Chart in Streamlit part - 3

  • بوکه را نصب کنید Install Bokeh

  • نمودار بوکه در Streamlit قسمت -1 Bokeh Chart in Streamlit part -1

  • نمودار بوکه در Streamlit قسمت -2 Bokeh Chart in Streamlit part -2

پروژه - 1: توسعه و استقرار برنامه پروفایل خودکار داده ها Project - 1: Develop & Deploy Automatic Data Profiling App

  • چه چیزی را توسعه خواهید داد What will you develop

  • هشدار: این سخنرانی را نادیده نگیرید Warning: DONT SKIP THIS LECTURE

  • کد به روز شده GitHub Repository Updated code GitHub Repository

  • بسته ها و محیط مجازی را نصب کنید Install Packages and Virtual Environment

  • فایل CSV را آپلود کنید و داده ها را از باطن بارگیری کنید Upload CSV file and load data from backend

  • ایجاد گزارش نمایه داده و نمایش آن در Streamlit Generate Data Profile Report and display in Streamlit

  • ویجت های ورودی را به برنامه اضافه کنید Add input widgets to the App

  • اعتبار سنجی در نوع فایل (فقط فایل های csv و excel مجاز هستند) Validation on File type (Allow only csv and excel files)

  • اعتبارسنجی در اندازه فایل (حداکثر اندازه مجاز فایل 10 مگابایت است) Validation on File size (Max allowed file size is 10 MB)

  • استقرار برنامه Stream: Git را برای ویندوز نصب کنید Deploy Stream App : Install Git for Windows

  • استقرار: کدها را به مخزن GitHub فشار دهید Deploy: Push Codes to GitHub Repository

  • برنامه Streamlit را اجرا کنید Deploy the Streamlit App

  • گزارش‌ها (بدون صدا) Logs (No Audio)

  • برنامه Streamlit با موفقیت مستقر شد Deployed Streamlit App sucessfully

جایزه Bonus

  • سخنرانی پاداش Bonus Lecture

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 با Streamlit برنامه های وب علم داده را بیاموزید و به کار بگیرید
جزییات دوره
5.5 hours
74
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
775
4.5 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

Data Science Anywhere Team Data Science Anywhere Team

تیم مهندس و توسعه دهندگان سلام ، ما تیمی متشکل از کارشناسان یادگیری ماشین ، توسعه دهندگان هوش مصنوعی هستیم که با هم همکاری می کنند تا وضعیت هنر هوش مصنوعی را پیشرفت دهند. وقتی دوره های جدید آزاد می شوید ، با پرسش و پاسخ و بسیاری موارد دیگر از ما می شنوید. ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. با تشکر، تیم Data Science Anywhere

Srikanth Gusksra Srikanth Gusksra

توسعه دهنده هوش مصنوعی سلام به همه ، ما تیم دانشمندان داده هستیم و در طول دوره با شما همراه خواهیم بود. ما به تمام س yourالات شما در رابطه با دوره پاسخ خواهیم داد و اگر در اجرای کد ساختار دارید ، به شما کمک می کنیم خطاها را برطرف کنید. بسیار سپاسگزارم و یادگیری مبارک. علم داده در هر کجا

Brightshine Learn Brightshine Learn

تیم مربی