آموزش مبانی بصری‌سازی داده‌ها با پایتون - آخرین آپدیت

دانلود Data Visualization Fundamentals in Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: دوره «مبانی بصری‌سازی داده‌ها با پایتون» شما را قادر می‌سازد تا داده‌های خام را به روایت‌های بصری جذاب تبدیل کنید. در این دوره با اصول و بهترین روش‌های بصری‌سازی داده‌ها آشنا می‌شوید و با تلفیق هنر و علم، یاد می‌گیرید چگونه داستان‌های تاثیرگذاری را با استفاده از زبان پایتون روایت کنید. در طول این مسیر، شما در ایجاد نمودارهای پایه و پیشرفته تسلط یافته و یاد می‌گیرید که چگونه اطلاعات پیچیده را به‌طور موثر و بصری منتقل کنید. کتابخانه‌های قدرتمند پایتون مانند Matplotlib و Seaborn را بررسی خواهید کرد و می‌آموزید که چگونه عناصر بصری را برای خلق نمایش‌های شفاف، بینش‌بخش و جذاب شخصی‌سازی کنید. همچنین مهارت‌های لازم برای به‌کارگیری اصول بنیادی، در نظر گرفتن جنبه‌های ادراک انسانی، سفارشی‌سازی نمودارها و ایجاد بصری‌سازی‌های تعاملی را توسعه می‌دهید تا تفسیر دقیقی از داده‌ها ارائه شود. این دوره شما را با تکنیک‌های تبدیل مجموعه‌داده‌های پیچیده به تصاویر منسجم مجهز کرده و توانایی شما را در انتقال بینش‌های داده‌محور به‌طور موثر بهینه می‌کند.

سرفصل ها و درس ها

مقدمه‌ای بر هنر بصری‌سازی داده‌ها Introduction to The Art of Data Visualization

  • خوش‌آمدگویی به هنر بصری‌سازی داده‌ها Welcome to the Art of Data Visualization

  • بصری‌سازی داده‌ها: چه داستان‌هایی می‌توانیم روایت کنیم؟ Data Visualization: what stories can we tell?

  • تالار مشاهیر بصری‌سازی داده‌ها Data Visualization Hall of Fame

  • چرا بصری‌سازی داده‌ها اهمیت دارد؟ Why is Data Visualization Important?

  • تقابل هنر و علم در بصری‌سازی داده‌ها Art vs. Science of Data Visualization

اصول بصری‌سازی داده‌ها Principles of Data Visualization

  • اصول ادراک بصری Principles of Perception

  • اصول بصری‌سازی Principles of Visualization

  • بصری‌سازی موثر داده‌ها Effective Data Visualization

  • چه چیزی را بصری‌سازی کنیم؟ What to Visualize

  • چگونه بصری‌سازی کنیم؟ How to Visualize

مرور مبانی پایتون Review of Python Basics

  • محیط برنامه‌نویسی پایتون The Python Programming Environment

  • اسکریپت‌های پایه، محاسبات ریاضی و کامنت‌ها Basic Scripts, Arithmetic, and Comments

  • شروع به کار با ژوپیتر (Jupyter) Getting Started with Jupyter

  • استفاده از نوتبوک‌های ژوپیتر Using Jupyter Notebooks

  • مدیریت اجرا در ژوپیتر و معرفی انواع داده‌ها Managing Execution in Jupyter, Introducing Data Types

  • رشته‌ها، مقادیر بولی، ایندکس‌گذاری و برش (Slicing) Strings, Booleans, Indexing, and Slicing

  • لیست‌ها، ایندکس‌گذاری و برش Lists, Indexing, and Slicing

  • حلقه‌های For For Loops

  • لیست‌های ناهمگون و خروجی گرفتن از نوتبوک ژوپیتر Heterogenous Lists, Exporting Jupyter Notebooks

  • آرایه‌های یک‌بعدی NumPy 1D NumPy Arrays

  • ویژگی‌ها و نحوه ایجاد آرایه‌های NumPy NumPy Array Attributes and Creation

  • مقایسه آرایه‌ها و لیست‌ها Arrays vs. Lists

  • دستکاری آرایه‌های یک‌بعدی: برش و ایندکس‌گذاری Manipulating 1D Arrays: Slicing and Indexing

  • برش شرطی Conditional Slicing

  • ترکیب آرایه‌ها Combining Arrays

  • مرتب‌سازی و خلاصه‌سازی آرایه‌ها Sorting and Summarizing Arrays

  • ادامه خلاصه‌سازی آرایه‌ها Summarizing Arrays, Continued

  • آرایه دوبعدی چیست؟ What is a 2D Array?

  • ویژگی‌ها و نحوه ایجاد آرایه‌های دوبعدی 2D Array Attributes and Creation

  • ساخت آرایه‌های دوبعدی از آرایه‌های یک‌بعدی Creating 2D Arrays from 1D Arrays

  • دستکاری آرایه‌های دوبعدی: برش و ایندکس‌گذاری Manipulating 2D Arrays: Slicing and Indexing

  • زیرمجموعه‌گیری شرطی در آرایه‌های دوبعدی Conditional Subsetting 2D Arrays

  • برش، زیرمجموعه‌گیری و اثرات جانبی Slicing, Subsetting, and Side Effects

  • خلاصه‌سازی آرایه‌های دوبعدی Summarizing 2D Arrays

  • مقدمه‌ای بر Pandas Series: مبانی و کاربردهای عملی Introduction to Pandas Series: Basics and Practical Application

  • بررسی عمیق ایندکس‌گذاری و برش در Pandas Series Pandas Series Indexing and Slicing: A Deep Dive

  • پانداس سریز: تعریف ایندکس‌ها و مدیریت مقادیر غیریکتا Pandas Series: Defining Indices and Handling Non-Unique Values

  • اتصال (Concatenation) سری‌ها در پانداس Series Concatenation in Pandas

  • مقدمه‌ای بر Pandas DataFrames: تبدیل آرایه‌های NumPy و عملیات دیتافریم Introduction to Pandas DataFrames: Converting NumPy Arrays and DataFrame Operations

  • تفاوت دیتافریم‌های پانداس با آرایه‌های دوبعدی NumPy Distinguishing Pandas DataFrames from NumPy 2D Arrays

  • تبدیل دیکشنری به دیتافریم در پانداس Converting Dictionary to DataFrame in Pandas

  • ویژگی‌ها و متدهای دیتافریم: درک dtypes، info() و describe() DataFrame Attributes and Methods in Pandas: Understanding dtypes, info(), and describe()

  • آمار توصیفی و مرتب‌سازی در دیتافریم‌های پانداس Descriptive Statistics and Sorting in Pandas DataFrames

  • مرتب‌سازی و مدیریت دیتافریم در پانداس DataFrame Sorting and Management in Pandas

رسم اشکال با پایتون: نمودارهای پایه Making Figures with Python: Basic Charts

  • پایتون برای بصری‌سازی داده‌ها Python for Data Visualization

  • مقدمه‌ای بر Matplotlib Introduction to Matplotlib

  • ایجاد نمودارهای ساده Creating Simple Plots

  • رسم نمودارهای پیشرفته با Matplotlib Advanced Plotting with Matplotlib

رسم اشکال با پایتون: نمودارهای پیشرفته Making Figures with Python: Advanced Plotting

  • مقدمه‌ای بر کتابخانه Seaborn Introduction to Seaborn Library

  • توابع رسم نمودار در Seaborn Seaborn Plotting Functions

  • رسم نمودارهای پیشرفته با Seaborn Advanced Plotting with Seaborn

نمایش نظرات

آموزش مبانی بصری‌سازی داده‌ها با پایتون
جزییات دوره
22h 37m
51
(آخرین آپدیت)
864
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده