آموزش Python for Data Science and Machine Learning Essential Training قسمت 1

Python for Data Science and Machine Learning Essential Training Part 1

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

Python for Data Science and Machine Learning Essential Training یکی از محبوب ترین دوره های علوم داده در LinkedIn Learning است. اکنون به روز شده و به دو قسمت گسترش یافته است و تجربه عملی و واقعی تری از پایتون به شما می دهد. در بخش اول، مربی لیلیان پیرسون شما را گام به گام از طریق یک پروژه علم داده و یادگیری ماشین راهنمایی می کند: یک اسکراپر وب که داده ها را از وب دانلود و تجزیه و تحلیل می کند. در طول راه، او تکنیک هایی را برای پاکسازی، قالب بندی مجدد، تبدیل و توصیف داده های خام معرفی می کند. ایجاد تجسم؛ حذف نقاط پرت؛ انجام تجزیه و تحلیل ساده داده ها؛ و نمودارهای مبتنی بر وب را با استفاده از Streamlit تولید کنید. در پایان این دوره، شما تجربه اولیه کدنویسی را کسب خواهید کرد که می توانید آن را در سازمان خود ببرید و به سرعت در پروژه های علم داده سفارشی و یادگیری ماشین خود اعمال کنید.

این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با استفاده از GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از ابزاری استفاده کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، ویدیوی "استفاده از فضاهای کد GitHub با این دوره" را بررسی کنید.


سرفصل ها و درس ها

معرفی Introduction

  • هک های زندگی علم داده Data science life hacks

  • آنچه شما باید بدانید What you should know

  • نحوه استفاده از Codespace در این دوره How to use Codespaces with this course

1. مقدمه ای بر حرفه های داده 1. Introduction to the Data Professions

  • مشاغل علم داده: شناسایی مکان و چگونگی پیشرفت Data science careers: Identifying where and how you'll thrive

  • نقشه راه دوره سطح بالا High-level course road map

  • چرا باید از پایتون برای تجزیه و تحلیل استفاده کرد؟ Why to use Python for analytics

  • مقدمه ای بر حرفه های داده Introduction to the data professions

2. مبانی آماده سازی داده ها 2. Data Preparation Basics

  • الحاق و دگرگونی Concatenating and transforming

  • مقدمه ای بر آماده سازی داده ها Intro to data preparation

  • فیلتر کردن و انتخاب Filtering and selecting

  • گروه بندی و تجمیع Grouping and aggregation

  • حذف موارد تکراری Removing duplicates

  • مبانی ناپخت و پانداها Numpy and pandas basics

  • درمان ارزش های گمشده Treating missing values

3. تجسم داده ها 101 3. Data Visualization 101

  • سه نوع تجسم داده ها The three types of data visualization

  • انتخاب گرافیک داده بهینه Selecting optimal data graphics

  • اهمیت تجسم در علم داده Importance of visualization in data science

  • ارتباط با رنگ و زمینه Communicating with color and context

4. تجسم داده های عملی 4. Practical Data Visualization

  • آشنایی با کتابخانه های matplotlib و Seaborn Introduction to the matplotlib and Seaborn libraries

  • ایجاد داده های گرافیکی استاندارد Creating standard data graphics

  • قالب بندی طرح Plot formatting

  • ایجاد گرافیک داده های آماری در Seaborn Creating statistical data graphics in Seaborn

  • تجسم سری های زمانی Visualizing time series

  • تعریف عناصر یک طرح Defining elements of a plot

  • ایجاد برچسب و حاشیه نویسی Creating labels and annotations

5. تجزیه و تحلیل داده های اکتشافی 5. Exploratory Data Analysis

  • تحلیل همبستگی پیرسون Pearson correlation analysis

  • تجزیه و تحلیل ارزش افراطی برای نقاط پرت Extreme value analysis for outliers

  • خلاصه کردن داده های طبقه بندی شده Summarizing categorical data

  • حسابی ساده Simple arithmetic

  • تجزیه و تحلیل چند متغیره برای نقاط پرت Multivariate analysis for outliers

  • تولید آمار خلاصه Generating summary statistics

  • همبستگی رتبه اسپیرمن و مجذور کای Spearman rank correlation and Chi-square

6. شروع به یادگیری ماشین 6. Getting Started with Machine Learning

  • تبدیل توزیع های مجموعه داده ها Transforming data set distributions

  • پاکسازی و درمان متغیرهای طبقه بندی شده Cleaning and treating categorical variables

  • یادگیری ماشین کاربردی: مشکل شروع کننده Applied machine learning: Starter problem

7. منبع یابی داده از طریق Web Scraping 7. Data Sourcing via Web Scraping

  • خراش دادن وب در عمل Web scraping in practice

  • معرفی وب اسکرپینگ Introduction of web scraping

  • شیء BeautifulSoup BeautifulSoup object

  • خراش دادن ناهمزمان Asynchronous scraping

  • تجزیه داده ها Data parsing

  • اشیاء NavigableString NavigableString objects

  • درخواست های پایتون برای جمع آوری خودکار داده ها Python requests for automating data collection

8. تجزیه و تحلیل مشترک با Streamlit 8. Collaborative Analytics with Streamlit

  • مقدمه ای بر Streamlit Introduction to Streamlit

  • ایجاد نمودارهای آماری Create statistical charts

  • نمودار میله ای و نمودار دایره ای در Streamlit Bar charts and pie charts in Streamlit

  • نمودارهای اساسی ایجاد کنید Create basic charts

  • راه اندازی محیط Environment setup

  • نمودارهای خطی در Streamlit Line charts in Streamlit

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش Python for Data Science and Machine Learning Essential Training قسمت 1
جزییات دوره
7h 44m
49
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
46
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lillian Pierson, P.E. Lillian Pierson, P.E.

لیلیان پیرسون ، P.E. یک متخصص برجسته در زمینه داده های بزرگ و علوم داده است. او متخصصان و دانشجویان شاغل را به مهارتهای داده مورد نیاز برای رقابت در اقتصاد مبتنی بر داده محور تجهیز می کند. لیلیان اخیراً به عنوان مربی علوم داده برای چندین دوره در زمینه آموزش LinkedIn یاد شده است. او همچنین نویسنده چندین کتاب فنی بسیار مرجع توسط انتشارات جان ویلی و پسران ، از جمله شرکت Data Science for Dummies (2017 ، 2015) است و دهه گذشته را در آموزش و مشاوره برای سازمانهای بزرگ فنی در بخش خصوصی گذرانده است. بخش هایی مانند IBM ، BMC ، دل و اینتل و همچنین سازمان های دولتی از نیروی دریایی ایالات متحده تا سطح دولت محلی. به عنوان بنیانگذار Data-Mania LLC ، لیلیان دوره های آموزشی آنلاین و حضوری و همچنین کارگاه ها و سایر مواد آموزشی را در زمینه داده های بزرگ ، علوم داده و تجزیه و تحلیل داده ها ارائه می دهد.