آموزش پایتون برای علم داده و یادگیری ماشین: صفر تا قهرمان

سرفصل ها و درس ها

معرفی Introduction

• به بوت کمپ Python for Data Science و ML خوش آمدید! Welcome to the Python for Data Science & ML bootcamp!

• پایتون: مروری کوتاه Python: A Brief Overview

• مراحل نصب پایتون The Python Installation Procedure

• ژوپیتر چیست؟ What Jupyter is?

• آناکوندا را در سیستم عامل های مختلف راه اندازی کنید Set up Anaconda on Different Operating Systems

• چگونه پایتون را در Jupyter ادغام کنیم؟ How to integrate Python into Jupyter?

• مدیریت دایرکتوری ها در نوت بوک Jupyter Handling Directories in Jupyter Notebook

• ورودی خروجی Input & Output

• کار با انواع داده های مختلف Working with different datatypes

• متغیرها Variables

• عملگرهای حسابی Arithmetic Operators

• اپراتورهای مقایسه Comparison Operators

• عملگرهای منطقی Logical Operators

• اظهارات مشروط Conditional statements

• حلقه ها Loops

• دنباله ها قسمت 1: فهرست ها Sequences Part 1: Lists

• دنباله ها قسمت 2: دیکشنری ها Sequences Part 2: Dictionaries

• سکانس ها قسمت 3: تاپل ها Sequences Part 3: Tuples

• توابع قسمت 1: توابع داخلی Functions Part 1: Built-in Functions

• توابع قسمت 2: توابع تعریف شده توسط کاربر Functions Part 2: User-defined Functions

• مواد درسی Course Materials

کتابخانه های علم داده پایتون که باید وجود داشته باشد The Must-Have Python Data Science Libraries

• تکمیل راه اندازی کتابخانه Completing Library Setup

• واردات کتابخانه Library Importing

• پانداها: کتابخانه علم داده Pandas: A Data Science Library

• NumPy: کتابخانه علم داده NumPy: A Data Science Library

• NumPy در مقابل پانداها NumPy vs. Pandas

• کتابخانه Matplotlib برای علوم داده Matplotlib Library for Data Science

• کتابخانه Seaborn برای علوم داده Seaborn Library for Data Science

NumPy Mastery: هر آنچه که باید در مورد NumPy بدانید NumPy Mastery: Everything you need to know about NumPy

• مقدمه ای بر آرایه های NumPy Intro to NumPy arrays

• ایجاد آرایه های NumPy Creating NumPy arrays

• نمایه سازی آرایه های NumPy Indexing NumPy arrays

• شکل آرایه Array shape

• تکرار بر روی آرایه های NumPy Iterating Over NumPy Arrays

• آرایه های پایه NumPy: zeros() Basic NumPy arrays: zeros()

• آرایه های پایه NumPy: ones() Basic NumPy arrays: ones()

• آرایه های پایه NumPy: full() Basic NumPy arrays: full()

• افزودن اسکالر Adding a scalar

• تفریق یک اسکالر Subtracting a scalar

• ضرب در یک اسکالر Multiplying by a scalar

• تقسیم بر یک اسکالر Dividing by a scalar

• بالا بردن به یک قدرت Raise to a power

• جابجا شود Transpose

• علاوه بر عنصر Element-wise addition

• تفریق از نظر عنصر Element-wise subtraction

• ضرب عنصری Element-wise multiplication

• تقسیم عنصری Element-wise division

• ضرب ماتریس Matrix multiplication

• آمار Statistics

DataFrames و Series در Pandas پایتون DataFrames and Series in Python's Pandas

• دیتا فریم پایتون پاندا چیست؟ What is a Python Pandas DataFrame?

• سری پانداهای پایتون چیست؟ What is a Python Pandas Series?

• DataFrame vs Series DataFrame vs Series

• ایجاد یک DataFrame با استفاده از لیست ها Creating a DataFrame using lists

• ایجاد DataFrame با استفاده از دیکشنری Creating a DataFrame using a dictionary

• بارگیری داده های CSV در پایتون Loading CSV data into python

• تغییر ستون شاخص Changing the Index Column

• درجا Inplace

• بررسی DataFrame: Head & Tail Examining the DataFrame: Head & Tail

• خلاصه آماری DataFrame Statistical summary of the DataFrame

• برش سطرها با استفاده از عملگرهای براکت Slicing rows using bracket operators

• نمایه سازی ستون ها با استفاده از عملگرهای براکت Indexing columns using bracket operators

• لیست بولی Boolean list

• فیلتر کردن ردیف ها Filtering Rows

• فیلتر کردن ردیف ها با استفاده از & و | اپراتورها Filtering rows using & and | operators

• فیلتر کردن داده ها با استفاده از loc() Filtering data using loc()

• فیلتر کردن داده ها با استفاده از iloc() Filtering data using iloc()

• افزودن و حذف سطرها و ستون ها Adding and deleting rows and columns

• مرتب سازی مقادیر Sorting Values

• صادرات و ذخیره DataFrames پانداها Exporting and saving pandas DataFrames

• الحاق DataFrames Concatenating DataFrames

• دسته بندی بر اساس() groupby()

تکنیک های پاکسازی داده ها برای داده های بهتر Data Cleaning Techniques for Better Data

• مقدمه ای بر پاکسازی داده ها Introduction to Data Cleaning

• کیفیت داده ها Quality of Data

• نمونه هایی از ناهنجاری ها Examples of Anomalies

• تشخیص ناهنجاری مبتنی بر میانه Median-based Anomaly Detection

• تشخیص ناهنجاری مبتنی بر میانگین Mean-based anomaly detection

• تشخیص ناهنجاری مبتنی بر امتیاز Z Z-score-based Anomaly Detection

• محدوده بین چارکی برای تشخیص ناهنجاری Interquartile Range for Anomaly Detection

• مقابله با ارزش های گمشده Dealing with missing values

• عبارات با قاعده Regular Expressions

• مقیاس بندی ویژگی ها Feature Scaling

تجزیه و تحلیل داده های اکتشافی در پایتون Exploratory Data Analysis in Python

• معرفی Introduction

• تجزیه و تحلیل داده های اکتشافی چیست؟ What is Exploratory Data Analysis?

• تحلیل تک متغیره Univariate Analysis

• تحلیل تک متغیره: داده های پیوسته Univariate Analysis: Continuous Data

• تجزیه و تحلیل تک متغیره: داده های طبقه ای Univariate Analysis: Categorical Data

• تحلیل دو متغیره: پیوسته و پیوسته Bivariate analysis: Continuous & Continuous

• تجزیه و تحلیل دو متغیره: طبقه بندی و طبقه بندی Bivariate analysis: Categorical & Categorical

• تحلیل دو متغیره: پیوسته و مقوله ای Bivariate analysis: Continuous & Categorical

• تشخیص نقاط پرت Detecting Outliers

• تبدیل متغیر طبقه ای Categorical Variable Transformation

پایتون برای تجزیه و تحلیل سری های زمانی: یک آغازگر Python for Time-Series Analysis: A Primer

• مقدمه ای بر سری زمانی Introduction to Time Series

• دریافت اطلاعات سهام با استفاده از yfinance Getting stock data using yfinance

• تبدیل یک مجموعه داده به سری زمانی Converting a Dataset into Time Series

• کار با سری زمانی Working with Time Series

• تجسم داده های سری زمانی با پایتون Time Series Data Visualization with Python

پایتون برای تجسم داده ها: منابع کتابخانه و نمودارهای نمونه Python for Data Visualization: Library Resources, and Sample Graphs

• معرفی Introduction

• راه اندازی Matplotlib Setting Up Matplotlib

• رسم نمودارهای خط با استفاده از Matplotlib Plotting Line Plots using Matplotlib

• عنوان، برچسب ها و افسانه Title, Labels & Legend

• ترسیم هیستوگرام ها Plotting Histograms

• ترسیم نمودارهای میله ای Plotting Bar Charts

• ترسیم نمودارهای پای Plotting Pie Charts

• ترسیم پلات های پراکنده Plotting Scatter Plots

• توطئه های ورود به سیستم Plotting Log Plots

• ترسیم توطئه های قطبی Plotting Polar Plots

• رسیدگی به تاریخ ها Handling Dates

• ایجاد چندین طرح فرعی در یک شکل Creating multiple subplots in one figure

مبانی یادگیری ماشینی The Basics of Machine Learning

• چرا به یادگیری ماشین نیاز داریم؟ Why do we need machine learning?

• موارد استفاده از یادگیری ماشین Machine Learning Use Cases

• رویکردهای یادگیری ماشینی Approaches to Machine Learning

• یادگیری تحت نظارت چیست؟ What is Supervised learning?

• یادگیری بدون نظارت چیست؟ What is Unsupervised learning?

• یادگیری تحت نظارت در مقابل یادگیری بدون نظارت Supervised learning vs Unsupervised learning

رگرسیون خطی ساده با پایتون Simple Linear Regression with Python

• مقدمه ای بر رگرسیون Introduction to regression

• رگرسیون خطی چگونه کار می کند؟ How Does Linear Regression Work?

• نمایندگی خط Line representation

• پیاده سازی در پایتون: وارد کردن کتابخانه ها و مجموعه داده ها Implementation in python: Importing libraries & datasets

• پیاده سازی در پایتون: توزیع داده ها Implementation in python: Distribution of the data

• پیاده سازی در پایتون: ایجاد یک شی رگرسیون خطی Implementation in python: Creating a linear regression object

رگرسیون خطی چندگانه با پایتون Multiple Linear Regression with Python

• درک رگرسیون خطی چندگانه Understanding Multiple linear regression

• کاوش مجموعه داده Exploring the dataset

• رمزگذاری داده های طبقه بندی شده Encoding Categorical Data

• تقسیم داده ها به مجموعه های قطار و تست Splitting data into Train and Test Sets

• آموزش مدل روی مجموعه آموزشی Training the model on the Training set

• پیش بینی نتایج مجموعه تست Predicting the Test Set results

• ارزیابی عملکرد مدل رگرسیون Evaluating the performance of the regression model

• ریشه میانگین مربعات خطا در پایتون Root Mean Squared Error in Python

الگوریتم‌های طبقه‌بندی: K-نزدیک‌ترین همسایه‌ها Classification Algorithms: K-Nearest Neighbors

• مقدمه ای بر طبقه بندی Introduction to classification

• الگوریتم K-Nearest Neighbors K-Nearest Neighbors algorithm

• نمونه ای از KNN Example of KNN

• K-نزدیکترین همسایگان (KNN) با استفاده از پایتون K-Nearest Neighbours (KNN) using python

• واردات کتابخانه های مورد نیاز Importing required libraries

• وارد کردن مجموعه داده Importing the dataset

• تقسیم داده ها به مجموعه های قطار و تست Splitting data into Train and Test Sets

• مقیاس بندی ویژگی ها Feature Scaling

• وارد کردن طبقه بندی کننده KNN Importing the KNN classifier

• پیش‌بینی نتایج و ماتریس سردرگمی Results prediction & Confusion matrix

الگوریتم های طبقه بندی: درخت تصمیم Classification Algorithms: Decision Tree

• مقدمه ای بر درختان تصمیم گیری Introduction to decision trees

• آنتروپی چیست؟ What is Entropy?

• کاوش مجموعه داده Exploring the dataset

• ساختار درخت تصمیم Decision tree structure

• وارد کردن کتابخانه ها و مجموعه داده ها Importing libraries & datasets

• رمزگذاری داده های طبقه بندی شده Encoding Categorical Data

• تقسیم داده ها به مجموعه های قطار و تست Splitting data into Train and Test Sets

• پیش بینی و دقت نتایج Results Prediction & Accuracy

الگوریتم های طبقه بندی: رگرسیون لجستیک Classification Algorithms: Logistic regression

• معرفی Introduction

• مراحل پیاده سازی Implementation steps

• وارد کردن کتابخانه ها و مجموعه داده ها Importing libraries & datasets

• تقسیم داده ها به مجموعه های قطار و تست Splitting data into Train and Test Sets

• پیش پردازش Pre-processing

• آموزش مدل Training the model

• پیش‌بینی نتایج و ماتریس سردرگمی Results prediction & Confusion matrix

• رگرسیون لجستیک در مقابل رگرسیون خطی Logistic Regression vs Linear Regression

خوشه بندی Clustering

• مقدمه ای بر خوشه بندی Introduction to clustering

• موارد استفاده کنید Use cases

• الگوریتم خوشه بندی K-Means K-Means Clustering Algorithm

• روش آرنج Elbow method

• مراحل روش آرنج Steps of the Elbow method

• پیاده سازی در پایتون Implementation in python

• خوشه بندی سلسله مراتبی Hierarchical clustering

• خوشه بندی مبتنی بر چگالی Density-based clustering

• پیاده سازی خوشه بندی k-means در پایتون Implementation of k-means clustering in python

• وارد کردن مجموعه داده Importing the dataset

• تجسم مجموعه داده Visualizing the dataset

• تعریف طبقه بندی کننده Defining the classifier

• تجسم سه بعدی خوشه ها 3D Visualization of the clusters

• تجسم سه بعدی مقادیر پیش بینی شده 3D Visualization of the predicted values

• تعداد خوشه های پیش بینی شده Number of predicted clusters

سیستم توصیه کننده Recommender System

• معرفی Introduction

• فیلتر مشارکتی در سیستم های توصیه کننده Collaborative Filtering in Recommender Systems

• سیستم توصیه کننده مبتنی بر محتوا Content-based Recommender System

• وارد کردن کتابخانه ها و مجموعه داده ها Importing libraries & datasets

• ادغام مجموعه داده ها در یک دیتافریم Merging datasets into one dataframe

• مرتب سازی بر اساس عنوان و رتبه Sorting by title and rating

• هیستوگرام تعداد رتبه‌بندی‌ها را نشان می‌دهد Histogram showing number of ratings

• توزیع فرکانس Frequency distribution

• طرح مشترک رتبه‌بندی‌ها و تعداد رتبه‌بندی‌ها Jointplot of the ratings and number of ratings

• پیش پردازش داده ها Data pre-processing

• مرتب سازی فیلم های دارای بیشترین امتیاز Sorting the most-rated movies

• گرفتن امتیاز برای دو فیلم Grabbing the ratings for two movies

• همبستگی بین فیلم های دارای بیشترین امتیاز Correlation between the most-rated movies

• مرتب سازی داده ها بر اساس همبستگی Sorting the data by correlation

• فیلتر کردن فیلم ها Filtering out movies

• مرتب سازی مقادیر Sorting values

• تکرار این روند برای یک فیلم دیگر Repeating the process for another movie

نتیجه Conclusion

• نتیجه Conclusion