لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ساخت سه برنامه کاربردی پایتون در دنیای واقعی
Build Three Real-World Python Applications
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
مهارتهای پایتون بسیار مورد تقاضا هستند و برنامهنویسانی که مهارت واقعی در ساخت برنامهها را نشان میدهند بسیار مورد توجه هستند. در این دوره، مگان سیلوی به شما نشان می دهد که چگونه می توانید مشکلات برنامه نویسی واقعی را حل کنید و آنها را با ساختن سه برنامه کاربردی مختلف به نتایج عملی تبدیل کنید. این برنامه ها بر روی کار با موضوعات محبوب پایتون تمرکز می کنند: خراش دادن وب، API های وب و تجزیه و تحلیل متن. این دوره را بررسی کنید تا مهارت های خود را بهبود ببخشید و برنامه هایی بسازید که بتوانید آنها را به کارفرمایان بالقوه نشان دهید.
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 GitHub Codespaces، میتوانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید—همه با استفاده از ابزاری که احتمالاً در محل کار با آن مواجه خواهید شد.
سرفصل ها و درس ها
معرفی
Introduction
برنامه های کاربردی پایتون در دنیای واقعی
Real-world Python applications
آنچه شما باید بدانید
What you should know
فضاهای کد GitHub
GitHub Codespaces
1. Scraping the Wisdom Pet Medicine
1. Scraping the Wisdom Pet Medicine Website
وب اسکرپینگ چیست؟
What is web scraping?
معرفی وبسایت Wisdom Pet Medicine
Introducing the Wisdom Pet Medicine website
چگونه یک صفحه وب را کاوش کنیم
How to explore a webpage
درک کد HTML
Understanding HTML code
درک بسته درخواست ها
Understanding the requests package
نحوه استفاده از متد get()
How to use the get() method
نحوه بازیابی اطلاعات صفحه وب
How to retrieve webpage information
نحوه بازیابی کد HTML
How to retrieve HTML code
نحوه استفاده از BeautifulSoup
How to use BeautifulSoup
نحوه استفاده از متدهای find() و find_all().
How to use find() and find_all() methods
نحوه حلقه زدن متدهای find_all()
How to loop find_all() methods
نحوه بازیابی لینک های صفحه وب
How to retrieve webpage links
نحوه نوشتن کد HTML در یک فایل متنی
How to write HTML code to a text file
امتحان فصل
Chapter Quiz
2. بررسی Alpha Vantage API
2. Exploring Alpha Vantage API
API ها چیست؟
What are APIs?
معرفی Alpha Vantage API
Introducing Alpha Vantage API
نحوه دسترسی به داده های Alpha Vantage
How to access Alpha Vantage data
نحوه استفاده از کلید API
How to use an API key
نحوه جمع آوری داده های سهام با بسته alpha_vantage: قسمت 1
How to pull stock data with the alpha_vantage package: Part 1
نحوه جمع آوری داده های سهام با بسته alpha_vantage: قسمت 2
How to pull stock data with the alpha_vantage package: Part 2
چگونه داده های سهام را با بسته درخواست ها جمع آوری کنیم
How to pull stock data with the requests package
نحوه قرار دادن اطلاعات سهام در یک DataFrame
How to put stock data into a DataFrame
نحوه استفاده از توابع Alpha Vantage: قسمت 1
How to use Alpha Vantage functions: Part 1
نحوه استفاده از توابع Alpha Vantage: قسمت 2
How to use Alpha Vantage functions: Part 2
نحوه استفاده از توابع Alpha Vantage: قسمت 3
How to use Alpha Vantage functions: Part 3
چالش: سهام مایکروسافت را تجزیه و تحلیل کنید
Challenge: Analyze Microsoft stock
راه حل: سهام مایکروسافت را تجزیه و تحلیل کنید
Solution: Analyze Microsoft stock
امتحان فصل
Chapter Quiz
3. تحلیل متن در رمان انتظارات بزرگ
3. Text Analysis on Great Expectations Novel
تحلیل متن چیست؟
What is text analysis?
معرفی پروژه گوتنبرگ و "انتظارات بزرگ"
Introducing Project Gutenberg and "Great Expectations"
نحوه کشیدن داده های متنی
How to pull text data
چگونه داده های متنی را پاک کنیم
How to clean text data
نحوه ایجاد ابر کلمه
How to create a word cloud
چگونه یک ابر کلمه را بهبود دهیم
How to improve a word cloud
نحوه تجزیه و تحلیل فراوانی کلمات
How to analyze word frequency
نحوه انجام تجزیه و تحلیل احساسات Vader
How to perform Vader sentiment analysis
نحوه ساخت مجموعه و فرهنگ لغت برای مدل سازی موضوع
How to build a corpus and dictionary for topic modeling
نحوه انجام مدل سازی موضوع
How to perform topic modeling
چالش: تجزیه و تحلیل "حس و حساسیت"
Challenge: Analyze "Sense and Sensibility"
راه حل: تجزیه و تحلیل "حس و حساسیت"
Solution: Analyze "Sense and Sensibility"
مگان مشتاق کمک به شرکت ها در تصمیم گیری های مبتنی بر داده است. او Silvey Solutions را برای کمک به ایجاد تفاوت در جامعه داده با ارائه بینشهای عملی و مبتنی بر داده تأسیس کرد. برخی از مشتریان برجسته ای که او با آنها کار کرده است عبارتند از: سازمان ملل متحد، بازنشسته، phData و BankOnIP.
او مدرک کارشناسی ارشد را در تجزیه و تحلیل داده ها از دانشگاه ایالتی کانزاس و لیسانس ریاضیات با رشته روانشناسی را در دانشگاه کانزاس دریافت کرد.
نمایش نظرات