کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش برنامه‌نویسی پایتون و آر - آخرین آپدیت

دانلود Python & R Programming

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

یادگیری دو زبان برنامه‌نویسی پرکاربرد علم داده: پایتون و R

در این دوره آموزشی، هم پایتون و هم R را در کنار علم داده خواهید آموخت.

پایتون (Python) در علم داده:

  • نصب Anaconda و Jupyter بر روی دسکتاپ/لپ‌تاپ
  • آشنایی با حلقه‌های For (مقدماتی و پیشرفته)
  • درک دلیل تغییر لیست‌ها، دیکشنری‌ها و توابع
  • تحلیل، بازیابی و پاکسازی داده‌ها با پایتون
  • الحاق جداول (Concatenation) با پایتون و Pandas
  • دستکاری داده‌های زمان و تاریخ با Python Datetime
  • کار با مجموعه داده‌های بزرگ، تحلیل سری‌های زمانی و بصری‌سازی داده‌ها با Pandas
  • کار با Generatorهای پایتون و کنترل جریان کد با دستورات If Else

زبان R در علم داده:

  • مهم‌ترین ابزارهای R برای علم داده
  • ابزارهایی برای رفع چالش‌های متنوع علم داده با بهترین قابلیت‌های R
  • اصلاح (Tidying) داده‌ها و ذخیره آن‌ها در قالبی سازگار
  • ایجاد بصری‌سازی‌های کاربردی برای کشف الگوها و طرح سوالات جدید
  • یادگیری مدل‌سازی برای پاسخگویی به سوالات علمی

پیش‌نیازها:

هیچ تجربه قبلی در برنامه‌نویسی لازم نیست. پس از اتمام دوره، یک پروژه واقعی علم داده را با مهارت‌های جدید پایتون و R خود از ابتدا تا انتها خواهید ساخت!

چرا پایتون و R؟

هر دو زبان پایتون و R زبان‌های محبوب علم داده هستند. در حالی که قابلیت‌های R با تمرکز بر آمارگرها توسعه یافته است (قدرت بالای R در بصری‌سازی داده‌ها را در نظر بگیرید!)، پایتون اغلب به دلیل سینتکس قابل فهم خود مورد تحسین قرار می‌گیرد.

R در سال ۱۹۹۵ توسط راس ایهاکا و رابرت جنتلمن به عنوان پیاده‌سازی زبان برنامه‌نویسی S ایجاد شد. هدف، توسعه زبانی متمرکز بر ارائه روشی بهتر و کاربرپسندتر برای تحلیل داده، آمار و مدل‌های گرافیکی بود.

پایتون در سال ۱۹۹۱ توسط گیدو ون روسوم ایجاد شد و بر بهره‌وری و خوانایی کد تاکید دارد. برنامه‌نویسانی که به تحلیل داده یا تکنیک‌های آماری علاقه‌مندند، از کاربران اصلی پایتون برای اهداف آماری محسوب می‌شوند.

انتخاب زبان مناسب در علم داده:

به عنوان یک دانشمند داده، انتخاب زبانی که بهترین تناسب را با نیازهای شما دارد، وظیفه شماست. برخی سوالات که می‌توانند به شما کمک کنند:

  1. چه مشکلاتی می‌خواهید حل کنید؟
  2. هزینه‌های یادگیری یک زبان چقدر است؟
  3. ابزارهای رایج در حوزه شما کدامند؟
  4. ابزارهای دیگر موجود کدامند و چه ارتباطی با ابزارهای رایج دارند؟

زمان و نحوه استفاده از R:

R عمدتاً زمانی استفاده می‌شود که وظیفه تحلیل داده نیازمند محاسبات مستقل یا تحلیل بر روی سرورهای منفرد باشد. این زبان برای کارهای اکتشافی عالی است و به دلیل تعداد عظیم پکیج‌ها و تست‌های آماده، برای تقریباً هر نوع تحلیل داده‌ای مفید است. R حتی می‌تواند بخشی از یک راه‌حل کلان داده (Big Data) باشد.

برای شروع کار با R، نصب محیط RStudio IDE گام اول خوبی است. پس از آن، مشاهده پکیج‌های محبوب زیر توصیه می‌شود:

  • dplyr, plyr و data.table برای دستکاری آسان داده‌ها
  • stringr برای دستکاری رشته‌ها
  • zoo برای کار با سری‌های زمانی منظم و نامنظم
  • ggvis, lattice, و ggplot2 برای بصری‌سازی داده‌ها
  • caret برای یادگیری ماشین

زمان و نحوه استفاده از پایتون:

می‌توانید از پایتون زمانی استفاده کنید که وظایف تحلیل داده شما نیاز به ادغام با برنامه‌های وب داشته باشد یا کد آماری شما باید در پایگاه داده تولید (production) گنجانده شود. پایتون به عنوان یک زبان برنامه‌نویسی کامل، ابزار عالی برای پیاده‌سازی الگوریتم‌ها در محیط عملیاتی است.

در حالی که در گذشته پکیج‌های پایتون برای تحلیل داده محدود بودند، این وضعیت در سال‌های اخیر به طور قابل توجهی بهبود یافته است. نصب NumPy/SciPy (محاسبات علمی) و pandas (دستکاری داده‌ها) برای استفاده از پایتون در تحلیل داده ضروری است. همچنین نگاهی به matplotlib برای ایجاد گرافیک و scikit-learn برای یادگیری ماشین بیندازید.

برخلاف R، پایتون IDE "برنده" مشخصی ندارد. توصیه می‌شود Spyder, IPython Notebook و Rodeo را بررسی کنید تا ببینید کدام یک بهتر نیازهای شما را برآورده می‌کند.

توصیه ما به تمام دانشجویان این است که هر دو زبان برنامه‌نویسی را بیاموزند و در صورت لزوم از آن‌ها استفاده کنند، زیرا بسیاری از تیم‌های علم داده امروزه دو زبانه هستند و از هر دو زبان R و پایتون در کار خود بهره می‌برند.

نظرات دانشجویان:

بله، از شرکت در این دوره خوشحالم. اطمینان دارم که با یادگیری این دوره در روزهای آینده بهتر عمل خواهم کرد. ~ Ch Hemalatha

بله، تطابق خوبی بود. ~ Fashagba Tosin Sarah

برای مبانی و افراد غیرفنی خوب است. ~ Muhammad Azam

تا اینجا برای من بسیار خوب بوده است و مشتاقانه منتظر یادگیری تاثیر علم داده بر زندگی روزمره ما و نحوه کاربرد آن برای حل مشکلات اجتماعی هستم. ~ Jacquline Andrew Kayuni

کاملاً خوب و چالش‌برانگیز بود. ~ Ilesanmi Ayo Jimba

سرفصل ها و درس ها

مقدمه‌ای بر پایتون Python Introduction

  • مقدمه Introduction

به دنیای منحصر به فرد پایتون خوش آمدید! A Warm Welcome to the Unique World of Python!

  • به پایتون خوش آمدید Welcome to Python

ادامه مقدمه Intro Continued

  • ادامه مقدمه Intro Continued

پایتون بخش ۲: نصب Anaconda و Jupyter Python Part 2: Anaconda and Jupyter Installation

  • پایتون: بخش ۲ Python: Part 2

پایتون بخش ۳: برنامه‌های پایه با استفاده از Jupyter Python Part 3: Basic Programs Using Jupyter

  • برنامه‌های پایه با استفاده از Jupyter Basic Programs Using Jupyter

پایتون بخش ۴: انواع داده Python Part 4: Datatypes

  • انواع داده Datatypes

پایتون بخش ۵: کالکشن‌های پایتون - آرایه‌ها Python Part 5: Python Collections - Arrays

  • بخش ۵ Part 5

پایتون بخش ۶: تابع Set و دیکشنری‌ها Python Part 6: Set function and Dictionaries

  • بخش ۶ Part 6

پایتون بخش ۷: دستورات شرطی: IF Elif Else Python Part 7: Conditional Statements: IF Elif Else

  • دستورات شرطی: IF Elif Else Conditional Statements: IF Elif Else

پایتون بخش ۸: مبانی Numpy Python Part 8: Numpy Fundas

  • مبانی Numpy Numpy Fundas

پایتون بخش ۹: Numpy_Arrays Python Part 9: Numpy_Arrays

  • آرایه‌های Numpy بخش ۱ Numpy Arrays Part 1

  • آرایه‌های Numpy Numpy_Arrays

پایتون بخش ۱۰: Pandas Python Part 10: Pandas

  • Pandas Pandas

پایتون بخش ۱۱: کار با داده‌ها با استفاده از Numpy و Pandas Python Part 11: Play with Data using Numpy & Pandas

  • کار با داده‌ها با استفاده از Numpy و Pandas Play with Data using Numpy & Pandas

پایتون بخش ۱۲: شاخص اصلاح شده Python Part 12: Modified Index

  • شاخص اصلاح شده Modified Index

پایتون بخش ۱۳: ادغام و الحاق دیتا فریم‌ها Python Part 13: Data Frames Merging & Concatenating

  • ادغام و الحاق دیتا فریم‌ها Data Frames Merging & Concatenating

پایتون بخش ۱۳: منابع > فایل‌های داده Python Part 13: Resources> Data Files

  • فایل‌های داده Data Files

مقدمه‌ای بر برنامه‌نویسی R R Programming Introduction

  • مقدمه برنامه‌نویسی R R Programming Intro

برنامه‌نویسی R بخش ۱ R Programming Part 1

  • برنامه‌نویسی R بخش ۱ R Programming Part 1

برنامه‌نویسی R بخش ۲: انواع داده > فاکتور R Programming Part 2: Datatypes>Factor

  • برنامه‌نویسی R بخش ۲ R Programming Part 2

برنامه‌نویسی R بخش ۳: تبدیل انواع داده فاکتور R Programming Part 3: Converting Factor Datatypes

  • برنامه‌نویسی R بخش ۳ R Programming Part 3

برنامه‌نویسی R بخش ۴: تبدیل فاکتور به عددی، منطقی به عددی انواع داده R Programming Part 4: Factor to Numeric, Logical to Numeric Datatypes

  • برنامه‌نویسی R بخش ۴ R Programming Part 4

برنامه‌نویسی R بخش ۵: تبدیل کاراکتر به منطقی/عددی/فاکتور R Programming Part 5: Character to Logical/Numeric/Factor

  • برنامه‌نویسی R بخش ۵ R Programming Part 5

برنامه‌نویسی R بخش ۶: ایجاد، نام‌گذاری، اصلاح و عملیات حسابی بردارها R Programming Part 6: Create, Name, Modify & Arithmetic operations of Vectors

  • برنامه‌نویسی R بخش ۶ R Programming Part 6

برنامه‌نویسی R بخش ۷: توابع > Which, Rep, Seq و کار با مقادیر گمشده R Programming Part 7: Functions >Which, Rep, Seq and dealing with missing values

  • برنامه‌نویسی R بخش ۷ R Programming Part 7

برنامه‌نویسی R بخش ۸: ایجاد ماتریس، دسترسی به عناصر ماتریس و اصلاح آن R Programming Part 8: Matrix creation, Accessing Matrix elements & Modification

  • برنامه‌نویسی R بخش ۸ R Programming Part 8

  • ادامه ماتریس Matrix Contd

برنامه‌نویسی R بخش ۹: ایجاد دیتا فریم، ترکیب (cbind, rbind)، و جابجایی (stack & unstack) داده‌ها R Programming Part 9: Creating a Dataframe, cbind, rbind, stack & unstack data

  • برنامه‌نویسی R بخش ۹ R Programming Part 9

برنامه‌نویسی R بخش ۱۰: زیرمجموعه‌گیری داده‌ها با استفاده از توابع With و Subset R Programming Part 10: Sub-setting the data using With and Subset functions

  • برنامه‌نویسی R بخش ۱۰ R Programming Part 10

برنامه‌نویسی R بخش ۱۱: ایجاد تابع ساده با و بدون ارسال آرگومان R Programming Part 11: Create simple function with and without passing arguments

  • برنامه‌نویسی R بخش ۱۱ R Programming Part 11

برنامه‌نویسی R بخش ۱۲: بسته‌های scatterplot3d و rgl R Programming Part 12: Packages scatterplot3d and rgl

  • برنامه‌نویسی R بخش ۱۲ R Programming Part 12

تسلط بر تمام زمان های افعال انگلیسی در یک ساعت | گرامر انگلیسی

تسلط بر تمام زمان های افعال انگلیسی در یک ساعت | گرامر انگلیسی

Master All English Verb Tenses in One Hour | English Grammar

آموزش Microsoft Azure Administrator (AZ-104) Cert Prep: 4 پیکربندی و مدیریت شبکه مجازی

آموزش Microsoft Azure Administrator (AZ-104) Cert Prep: 4 پیکربندی و مدیریت شبکه مجازی

Microsoft Azure Administrator (AZ-104) Cert Prep: 4 Configure and Manage Virtual Networking

آموزش مبانی فیزیک

آموزش مبانی فیزیک

Physics Fundamentals

نمایش نظرات

آموزش برنامه‌نویسی پایتون و آر
جزییات دوره
25 hours
30
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
46,107
4.1 از 5
دارد
دارد
دارد

https://donyad.com/d/8d63a0

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Sai Acuity Institute of Learning Pvt Ltd Enabling Learning Through Insight! Sai Acuity Institute of Learning Pvt Ltd Enabling Learning Through Insight!

کارشناسان موضوع امنیت سایبری و علوم داده! ما در آموزش امنیت سایبری ، علوم داده و مدیریت استعدادها / مدیریت سرمایه انسانی تخصص داریم. USP تمام آموزش های ما عملی است که ما ارائه می دهیم ، تمرکز ما بر روی به اشتراک گذاری دانش عملی واقعی است ، و نه اسلایدهای PPT مبتنی بر ابزار. تمام آموزش های ما توسط پزشکان باتجربه ای که آزمایش کننده نفوذ پشم هستند ، انجام می شود. این مطالب در حال پیشرفت و حتی با جدیدترین تحولات به روز هستند. ما یک دوره استاندارد داریم که در حوزه های مختلف امنیت اطلاعات ، دامنه های تجزیه و تحلیل داده ها و حوزه مدیریت استعدادها شرح داده شده است. با این حال ، ما همچنین آموزش را با توجه به نیاز مشتری سفارشی می کنیم.