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"

  • امتحان فصل Chapter Quiz

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش ساخت سه برنامه کاربردی پایتون در دنیای واقعی
جزییات دوره
2h 27m
45
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- از 5
ندارد
دارد
دارد
Megan Silvey
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Megan Silvey Megan Silvey

مشاور علم داده

مگان سیلوی یک مشاور علم داده است.

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.