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

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