آموزش جدال کامل داده ها و تجسم داده ها با پایتون

Complete Data Wrangling & Data Visualisation With Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: آموزش پیش پردازش، بحث و تجسم داده ها برای کاربردهای عملی علم داده در پایتون نصب و شروع با محیط علم داده پایتون- Jupyter/iPython در داده ها در محیط مشتری/iPython از منابع مختلف مطالعه کنید. در محیط Jupyter یاد بگیرید که تشخیص دهید کدام تجسم ها باید در هر موقعیتی استفاده شوند، از یک سطح پایه به انجام برخی از رایج ترین وظایف پیش پردازش داده، مشاجره داده ها و تجسم داده ها در Jupyter بروید نحوه استفاده از برخی از مهم ترین و مهم ترین و پیچیده ترین داده ها بسته‌های تجسمی مانند Matplotlib ایجاد تجسم‌ها و نمودارهای قدرتمند از داده‌های واقعی، مفاهیم تجسم داده‌ها را برای تجزیه و تحلیل و تفسیر عملی داده‌ها به کار می‌برند. پیش نیازها: امکان نصب محیط آناکوندا در شرکت شما کامپیوتر/لپ تاپ آشنایی با نحوه نصب و بارگذاری بسته ها در Anaconda علاقه به یادگیری پردازش و تجسم داده های واقعی

سلام، نام من مینروا سینگ است و من فارغ التحصیل کارشناسی ارشد دانشگاه آکسفورد (جغرافیا و محیط زیست) هستم. من اخیراً دکترای خود را در دانشگاه کمبریج (اکولوژی و حفاظت گرمسیری) به پایان رساندم.


من چندین سال تجربه در تجزیه و تحلیل داده‌های واقعی از منابع مختلف با استفاده از مدل‌سازی آماری و تولید انتشارات برای مجلات معتبر بین‌المللی دارم. اگر راهنمای کتاب های آمار را خیلی مبهم، گران قیمت و عملی نمی بینید، پس این دوره را دوست خواهید داشت!

من این دوره آموزشی را ایجاد کردم تا شما را به صورت دستی همراهی کنم و تمام مفاهیم را به شما آموزش دهم، و با اساسی ترین واحدهای ساختمانی در علم داده عملی - جدال و تجسم داده ها مقابله کنم.

به دوره‌ای دسترسی پیدا کنید که حاوی اطلاعات کاربردی زیادی است!


این دوره راه مطمئن شما برای به دست آوردن دانش و مهارت های تجزیه و تحلیل داده های آماری در بحث و تجسم است که من از آموزش های دقیقی که در ۲ تا از بهترین دانشگاه های جهان دریافت کردم، مطالعه کتاب های متعدد و انتشارات آماری غنی کسب کردم. مقالات در مجلات بین المللی مشهور مانند PLOS One.

برای دقیق تر بودن، این دوره کاری برای شما انجام می دهد:


  (الف) شما را (حتی اگر پیش‌زمینه‌ی مدل‌سازی/تحلیل آماری قبلی نداشته باشید) از سطح پایه به انجام برخی از رایج‌ترین وظایف جدال داده در پایتون می‌برد.


  (ب) شما را به استفاده از برخی از مهم‌ترین بسته‌های جدال و تجسم داده‌های پایتون مانند seaborn مجهز می‌کند.


  (ج) برخی از مهم‌ترین مفاهیم تجسم داده‌ها را به شیوه‌ای عملی به شما معرفی می‌کند تا بتوانید این مفاهیم را برای تجزیه و تحلیل و تفسیر داده‌های عملی به کار ببرید.

  (د) همچنین می‌توانید تصمیم بگیرید که کدام تکنیک‌های مجادله و تجسم برای پاسخ به سؤالات تحقیقاتی شما مناسب‌تر هستند و برای داده‌های شما و تفسیر نتایج کاربرد دارند.

این دوره بیشتر بر کمک به شما در پیاده سازی تکنیک های مختلف بر روی داده های واقعی مانند برندگان المپیک و جایزه نوبل تمرکز دارد


بعد از هر ویدیو، مفهوم یا تکنیک جدیدی را یاد می گیرید که می توانید بلافاصله در پروژه های خود اعمال کنید! دانش خود را از طریق آزمون ها و تکالیف عملی تقویت کنید.

همین حالا اقدام کنید :) همچنین وقتی این دوره را می گذرانید از حمایت مستمر من برخوردار خواهید شد تا مطمئن شوید که در آن موفق هستید. اگر ضمانت من برای شما کافی نیست، در صورتی که کاملاً از دوره راضی نبودید، می‌توانید ظرف 30 روز پس از خرید، درخواست بازپرداخت کنید.

همین امروز اقدام کنید! من شخصاً از شما حمایت می‌کنم و مطمئن می‌شوم که تجربه شما از این دوره موفقیت‌آمیز است.


سرفصل ها و درس ها

مقدمه دوره: مفاهیم کلیدی و ابزار نرم افزار INTRODUCTION TO THE COURSE: The Key Concepts and Software Tools

  • به دوره خوش آمدید Welcome to the Course

  • داده ها و اسکریپت برای دوره Data & Script For the Course

  • داده ها و اسکریپت برای دوره Data & Script For the Course

  • محیط علم داده پایتون Python Data Science Environment

  • برای کاربران مک For Mac Users

  • مقدمه ای بر IPython/Jupyter Introduction to IPython/Jupyter

  • ipython در مرورگر ipython in Browser

مقدمه دوره: مفاهیم کلیدی و ابزار نرم افزار INTRODUCTION TO THE COURSE: The Key Concepts and Software Tools

  • به دوره خوش آمدید Welcome to the Course

  • محیط علم داده پایتون Python Data Science Environment

  • برای کاربران مک For Mac Users

  • مقدمه ای بر IPython/Jupyter Introduction to IPython/Jupyter

  • ipython در مرورگر ipython in Browser

داده ها را از منابع مختلف با پانداها بخوانید Read in Data From Different Sources With Pandas

  • پانداها چیست؟ What are Pandas?

  • داده های CSV را بخوانید Read CSV Data

  • داده های CSV را بخوانید Read CSV Data

  • داده های اکسل را بخوانید Read Excel Data

  • در داده های HTML بخوانید Read in HTML Data

  • در داده های HTML بخوانید Read in HTML Data

داده ها را از منابع مختلف با پانداها بخوانید Read in Data From Different Sources With Pandas

  • پانداها چیست؟ What are Pandas?

  • داده های اکسل را بخوانید Read Excel Data

پاکسازی داده ها Data Cleaning

  • مقادیر NA را حذف کنید Remove NA Values

  • مقادیر NA را حذف کنید Remove NA Values

  • مقادیر از دست رفته در یک مجموعه داده واقعی Missing Values in a Real Dataset

  • انتساب داده ها Data Imputation

  • انتساب داده ها Data Imputation

  • انطباق ارزش های کیفی Imputing Qualitative Values

  • از k-NN برای Imputation داده استفاده کنید Use k-NN for Data Imputation

پاکسازی داده ها Data Cleaning

  • مقادیر از دست رفته در یک مجموعه داده واقعی Missing Values in a Real Dataset

  • انطباق ارزش های کیفی Imputing Qualitative Values

  • از k-NN برای Imputation داده استفاده کنید Use k-NN for Data Imputation

بحث اولیه داده ها Basic Data Wrangling

  • اصول اساسی Basic Principles

  • اکتشافات داده های اولیه Preliminary Data Explorations

  • اکتشافات داده های اولیه Preliminary Data Explorations

  • مدیریت داده های اساسی با بیانیه های مشروط Basic Data Handling With Conditional Statements

  • رها کردن ستون/ردیف Drop Column/Row

  • رها کردن ستون/ردیف Drop Column/Row

  • تغییر نام ستون Change Column Name

  • نوع ستون را تغییر دهید Change the Column Type

  • داده های مربوط به تاریخ را کاوش کنید Explore Date Related Data

  • داده های مربوط به تاریخ را کاوش کنید Explore Date Related Data

  • محاسبات ساده مربوط به تاریخ Simple Date Related Computations

بحث اولیه داده ها Basic Data Wrangling

  • اصول اساسی Basic Principles

  • مدیریت داده های اساسی با بیانیه های مشروط Basic Data Handling With Conditional Statements

  • تغییر نام ستون Change Column Name

  • نوع ستون را تغییر دهید Change the Column Type

  • محاسبات ساده مربوط به تاریخ Simple Date Related Computations

کشمکش داده های بیشتر More Data Wrangling

  • گروه بندی داده ها Data Grouping

  • گروه بندی داده ها Data Grouping

  • زیر مجموعه داده ها و نمایه سازی Data Subsetting and Indexing

  • زیرمجموعه داده های بیشتر More Data Subsetting

  • زیرمجموعه داده های بیشتر More Data Subsetting

  • استخراج اطلاعات از رشته ها Extract Information From Strings

  • (فازی) تطبیق رشته (Fuzzy) String Matching

  • رتبه بندی و مرتب سازی Ranking & Sorting

  • الحاق Concatenate

  • ادغام و پیوستن Merging and Joining

  • ادغام و پیوستن Merging and Joining

کشمکش داده های بیشتر More Data Wrangling

  • زیر مجموعه داده ها و نمایه سازی Data Subsetting and Indexing

  • استخراج اطلاعات از رشته ها Extract Information From Strings

  • (فازی) تطبیق رشته (Fuzzy) String Matching

  • رتبه بندی و مرتب سازی Ranking & Sorting

  • الحاق Concatenate

انتخاب ویژگی و تبدیل Feature Selection and Transformation

  • تجزیه و تحلیل همبستگی Correlation Analysis

  • استفاده از همبستگی برای تصمیم گیری در مورد حفظ کدام ویژگی Using Correlation to Decide Which Features to Retain

  • انتخاب ویژگی تک متغیره Univariate Feature Selection

  • انتخاب ویژگی تک متغیره Univariate Feature Selection

  • حذف ویژگی بازگشتی (RFE) Recursive Feature Elimination (RFE)

  • نظریه پشت PCA Theory Behind PCA

  • نظریه پشت PCA Theory Behind PCA

  • PCA را پیاده سازی کنید Implement PCA

  • PCA را پیاده سازی کنید Implement PCA

  • استاندارد سازی داده ها Data Standardisation

  • یک ویژگی جدید ایجاد کنید Create a New Feature

  • یک ویژگی جدید ایجاد کنید Create a New Feature

انتخاب ویژگی و تبدیل Feature Selection and Transformation

  • تجزیه و تحلیل همبستگی Correlation Analysis

  • استفاده از همبستگی برای تصمیم گیری در مورد حفظ کدام ویژگی Using Correlation to Decide Which Features to Retain

  • حذف ویژگی بازگشتی (RFE) Recursive Feature Elimination (RFE)

  • استاندارد سازی داده ها Data Standardisation

نظریه پشت تجسم داده ها Theory Behind Data Visualisation

  • تجسم داده چیست؟ What is Data Visualisation?

  • تجسم داده چیست؟ What is Data Visualisation?

  • برخی از اصول نظری پشت تجسم داده ها Some Theoretical Principles Behind Data Visualisation

نظریه پشت تجسم داده ها Theory Behind Data Visualisation

  • برخی از اصول نظری پشت تجسم داده ها Some Theoretical Principles Behind Data Visualisation

رایج ترین تجسم داده ها Most Common Data Visualizations

  • هیستوگرام-تصویرسازی توزیع متغیرهای عددی پیوسته Histograms-Visualize the Distribution of Continuous Numerical Variables

  • Boxplots - توزیع متغیرهای عددی پیوسته را تجسم کنید Boxplots-Visualize the Distribution of Continuous Numerical Variables

  • Boxplots - توزیع متغیرهای عددی پیوسته را تجسم کنید Boxplots-Visualize the Distribution of Continuous Numerical Variables

  • نمودار پراکندگی-رابطه بین دو متغیر عددی Scatter plot-Relationship Between Two Numerical Variables

  • بارپلات Barplot

  • بارپلات Barplot

  • نمودار دایره ای Pie Chart

  • نمودارهای خطی Line Charts

  • نمودارهای خطی بیشتر More Line Charts

  • برخی دیگر از انواع طرح Some More Plot Types

  • برخی دیگر از انواع طرح Some More Plot Types

  • و برخی دیگر And Some More

  • و برخی دیگر And Some More

رایج ترین تجسم داده ها Most Common Data Visualizations

  • هیستوگرام-تصویرسازی توزیع متغیرهای عددی پیوسته Histograms-Visualize the Distribution of Continuous Numerical Variables

  • نمودار پراکندگی-رابطه بین دو متغیر عددی Scatter plot-Relationship Between Two Numerical Variables

  • نمودار دایره ای Pie Chart

  • نمودارهای خطی Line Charts

  • نمودارهای خطی بیشتر More Line Charts

اطلاعات متفرقه Miscallaneous Information

  • استفاده از Colabs به عنوان یک نوت بوک آنلاین Jupyter Using Colabs as an Online Jupyter Notebook

  • Github Github

  • علم داده چیست؟ What is data science?

  • انواع داده های مختلف Different Data Types

  • انواع داده های مختلف Different Data Types

اطلاعات متفرقه Miscallaneous Information

  • استفاده از Colabs به عنوان یک نوت بوک آنلاین Jupyter Using Colabs as an Online Jupyter Notebook

  • Github Github

  • علم داده چیست؟ What is data science?

نمایش نظرات

نظری ارسال نشده است.

آموزش جدال کامل داده ها و تجسم داده ها با پایتون
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
6.5 hours
54
Udemy (یودمی) udemy-small
10 آبان 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
14,726
4.5 از 5
دارد
دارد
دارد
Minerva Singh

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Minerva Singh Minerva Singh

دانشمند تحصیل کرده آکسبریج

سلام. من فارغ التحصیل دکترا از دانشگاه کمبریج هستم که در آنجا در اکولوژی گرمسیری تخصص دارم. من همچنین یک دانشمند داده هستم. به عنوان بخشی از تحقیقاتم، باید تجزیه و تحلیل گسترده داده‌ها، از جمله تجزیه و تحلیل داده‌های مکانی را انجام دهم. یا برای این منظور ترجیح می‌دهم از ترکیبی از ابزارهای رایگان نرم‌افزار R، QGIS و Python استفاده کنم. بیشتر کار تجزیه و تحلیل داده‌های مکانی خود را با استفاده از R انجام می‌دهم. و QGIS. اینها جدا از رایگان بودن، ابزارهای بسیار قدرتمندی برای تجسم، پردازش و تجزیه و تحلیل داده ها هستند. من همچنین دارای مدرک کارشناسی ارشد جغرافیا و محیط زیست از دانشگاه آکسفورد هستم. من مهارت های آماری و تجزیه و تحلیل داده های خود را از طریق تعدادی MOOC از جمله The Analytics Edge (دوره آماری مبتنی بر R و یادگیری ماشین ارائه شده توسط EdX)، یادگیری آماری (دوره یادگیری ماشین مبتنی بر R ارائه شده توسط Standford آنلاین) تقویت کرده ام. علاوه بر تجزیه و تحلیل داده های مکانی، در تجزیه و تحلیل آماری، یادگیری ماشین و داده کاوی نیز مهارت دارم. من همچنین از برنامه نویسی عمومی، تجسم داده ها و توسعه وب لذت می برم. من علاوه بر اینکه یک دانشمند و اعداد شکن هستم، یک مسافر مشتاق هستم

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.