آموزش بوت کمپ نهایی پایتون برای علم داده و یادگیری ماشین

Ultimate Python Bootcamp For Data Science & Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: نحوه کدنویسی پایتون برای علم داده، تجزیه و تحلیل داده های ML، با بیش از 100 تمرین و 4 پروژه واقعی را بیاموزید!

آنچه یاد خواهید گرفت

  • ایجاد یک پایه جامد در تجزیه و تحلیل داده با پایتون
  • شما قادر خواهید بود با ساختارهای داده پانداها کار کنید: سری، DataFrame و اشیاء فهرست
  • صدها روش و ویژگی را در بسیاری از اشیاء پانداها بیاموزید
  • شما قادر خواهید بود یک فایل داده بزرگ و نامرتب را تجزیه و تحلیل کنید
  • می‌توانید فایل‌های داده‌های آشفته دنیای واقعی را برای هوش مصنوعی و ML آماده کنید
  • دستکاری سریع و کارآمد داده ها
  • تقریباً تمام اصول اولیه پانداها را که برای تبدیل شدن به یک "تحلیلگر داده" ضروری است را یاد خواهید گرفت

سلام، علاقمندان گرامی به یادگیری به "Bootcamp نهایی Python For Data Science Machine Learning" از سطح مبتدی تا پیشرفته خوش آمدید. ما عاشق برنامه نویسی هستیم. پایتون یکی از محبوب ترین زبان های برنامه نویسی در دنیای تکنیکال امروزی است. پایتون ویژگی های برنامه نویسی شی گرا و ساختاری را ارائه می دهد. از این رو، ما علاقه مند به تجزیه و تحلیل داده ها با پانداها در این دوره هستیم.

این دوره برای کسانی است که می‌خواهند مهارت تجزیه و تحلیل داده‌های خود را با ابزار تجزیه و تحلیل داده‌های پایتون، یعنی «پاندا» به سطح بالاتری برسانند.

این آموزش برای افراد مبتدی و متوسط ​​طراحی شده است، اما این بدان معنا نیست که ما در مورد موارد پیشرفته نیز صحبت نخواهیم کرد. روش تدریس ما در این آموزش ساده و سرراست است، هیچ گونه عارضه ای برای بی حوصلگی یا از دست دادن تمرکز در نظر گرفته نشده است.

در این آموزش، من تمام چیزهای اساسی را که باید در مورد پانداها بدانید تا به یک تحلیلگر داده یا دانشمند داده تبدیل شوید، پوشش خواهم داد.

ما در حال اتخاذ یک رویکرد عملی برای یادگیری آسان و راحت چیزها هستیم. از یادگیری و همچنین تمرین‌های تمرینی همراه با پروژه‌های واقعی لذت خواهید برد (پروژه‌های گنجانده شده بخشی از پروژه‌های صنعتی پژوهش محور هستند).

فکر می‌کنم این یک پلتفرم فوق‌العاده است و من فرصت فوق‌العاده‌ای برای به اشتراک گذاشتن و کسب دانش فنی خود با مشتاقان یادگیری و علاقه‌مندان به علم داده به دست آوردم.


آنچه خواهید آموخت:

در حین یادگیری از طریق این دوره، در موارد زیر متخصص خواهید شد

"تجزیه و تحلیل داده ها با پانداها".

  • شما می توانید یک فایل بزرگ را تجزیه و تحلیل کنید

  • یک پایه محکم در تجزیه و تحلیل داده ها با پایتون بسازید

پس از اتمام دوره، تجربه حرفه ای در این زمینه خواهید داشت.

  • ساختارهای داده پانداها: سری، DataFrame و اشیاء شاخص

  • عملکردهای اساسی

  • مدیریت داده

  • پیش پردازش داده

  • کشمکش داده ها

  • گروه بندی داده ها

  • تجمع داده ها

  • چرخش

  • کار با نمایه سازی سلسله مراتبی

  • تبدیل انواع داده

  • تجزیه و تحلیل سری زمانی

  • ویژگی‌های پیشرفته پانداها و خیلی بیشتر با تمرینات عملی و کارهای تمرینی.

این دوره برای چه کسانی است:

  • توسعه دهندگان مبتدی پایتون - کنجکاو برای یادگیری در مورد علم داده یا تجزیه و تحلیل داده
  • مبتدیان تجزیه و تحلیل داده
  • دانشمندان مشتاق داده که می خواهند پایتون را به زرادخانه ابزار خود اضافه کنند
  • دانش آموزان و دیگر متخصصان
  • مشتاقان هوش مصنوعی و ML قبل از اعمال الگوریتم های یادگیری ماشینی، دانش خود را در زمینه پیش پردازش داده ها ارتقا دهند. پروژه های خود
  • جویندگان کار تحلیلگر داده که می خواهند رزومه خود را با جعبه ابزار تجزیه و تحلیل داده پایتون به روز کنند

سرفصل ها و درس ها

شروع شدن Getting Started

  • معرفی دوره Course Introduction

  • چگونه از این دوره بیشترین بهره را ببرید How To Get Most Out Of This Course

  • بهتر است این چیزها را بدانید Better To Know These Things

  • نحوه نصب نوت بوک پایتون IPython و Jupyter How To Install Python IPython And Jupyter Notebook

  • نحوه نصب Anaconda برای کاربران macOS و Linux How To Install Anaconda For macOS And Linux Users

  • نحوه کار با نوت بوک Jupyter Part-1 How To Work With The Jupyter Notebook Part-1

  • نحوه کار با نوت بوک Jupyter Part-2 How To Work With The Jupyter Notebook Part-2

بلوک های ساختمانی پانداها Pandas Building Blocks

  • نحوه کار با داده های جدولی How To Work With The Tabular Data

  • نحوه خواندن اسناد در پانداها How To Read The Documentation In Pandas

Pandas_Data Structures Pandas_Data Structures

  • نظریه در مورد ساختارهای داده پانداها Theory On Pandas Data Structures

  • چگونه سری پانداها را بسازیم How To Construct The Pandas Series

  • نحوه ساخت اشیاء DataFrame How To Construct The DataFrame Objects

  • نحوه ساخت اشیاء شاخص پانداها How To Construct The Pandas Index Objects

  • قسمت 01 را تمرین کنید Practice Part 01

  • راه حل قسمت 01 را تمرین کنید Practice Part 01 Solution

نمایه سازی و انتخاب داده ها Data Indexing And Selection

  • نظریه در نمایه سازی و انتخاب داده ها Theory On Data Indexing And Selection

  • انتخاب داده در سری قسمت 1 Data Selection In Series Part 1

  • انتخاب داده در سری قسمت 2 Data Selection In Series Part 2

  • Indexers Loc و Iloc در سری Indexers Loc And Iloc In Series

  • انتخاب داده در DataFrame قسمت 1 Data Selection In DataFrame Part 1

  • انتخاب داده در DataFrame قسمت 2 Data Selection In DataFrame Part 2

  • دسترسی به مقادیر با استفاده از Loc Iloc و Ix در آبجکت های DataFrame Accessing Values Using Loc Iloc And Ix In DataFrame Objects

  • تمرین قسمت 02 Practice Part 02

  • راه حل قسمت 02 را تمرین کنید Practice Part 02 Solution

کارکردهای ضروری Essential Functionalities

  • نظریه در مورد کارکردهای اساسی Theory On Essential Functionalities

  • چگونه اشیاء پانداها را دوباره فهرست کنیم How To Reindex Pandas Objects

  • نحوه حذف ورودی ها از یک محور How To Drop Entries From An Axis

  • تراز حساب و داده ها Arithmetic And Data Alignment

  • روش های حسابی با مقادیر پر Arithmetic Methods With Fill Values

  • پخش در پانداها Broadcasting In Pandas

  • Apply and Applymap In Pandas Apply And Applymap In Pandas

  • نحوه مرتب سازی و رتبه بندی در پانداها How To Sort And Rank In Pandas

  • نحوه کار با شاخص های تکراری How To Work With The Duplicated Indices

  • خلاصه و محاسبه آمار توصیفی Summarising And Computing Descriptive Statistics

  • ارزش های منحصر به فرد تعداد ارزش و عضویت Unique Values Value Counts And Membership

  • تمرین_قسمت_03 Practice_Part_03

  • راه حل تمرین_بخش_03 Practice_Part_03 Solution

داده گردانی Data Handling

  • تئوری در مورد مدیریت داده ها Theory On Data Handling

  • نحوه خواندن فایل های Csv قسمت - 1 How To Read The Csv Files Part - 1

  • نحوه خواندن فایل های Csv قسمت - 2 How To Read The Csv Files Part - 2

  • نحوه خواندن فایل های متنی به صورت تکه تکه How To Read Text Files In Pieces

  • چگونه داده ها را در قالب متن صادر کنیم How To Export Data In Text Format

  • نحوه استفاده از ماژول Csv پایتون How To Use Python's Csv Module

  • تمرین_قسمت_04 Practice_Part_04

  • راه حل تمرین_بخش_04 Practice_Part_04 Solution

پاکسازی و آماده سازی داده ها Data Cleaning And Preparation

  • تئوری در مورد پیش پردازش داده ها Theory On Data Preprocessing

  • چگونه ارزش های از دست رفته را مدیریت کنیم How To Handle Missing Values

  • نحوه فیلتر کردن مقادیر از دست رفته How To Filter The Missing Values

  • نحوه فیلتر کردن مقادیر از دست رفته قسمت 2 How To Filter The Missing Values Part 2

  • نحوه حذف سطرها و مقادیر تکراری How To Remove Duplicate Rows And Values

  • نحوه جایگزینی مقادیر غیر پوچ How To Replace The Non Null Values

  • نحوه تغییر نام برچسب های محور How To Rename The Axis Labels

  • چگونه می توان قسمت داده ها را نامشخص و باین کرد - 1 How To Descretize And Bin The Data Part - 1

  • نحوه فیلتر کردن و تشخیص نقاط پرت How To Filter And Detect The Outliers

  • نحوه سفارش مجدد و انتخاب تصادفی How To Reorder And Select Randomly

  • تبدیل متغیرهای طبقه بندی به متغیرهای ساختگی Converting The Categorical Variables Into Dummy Variables

  • نحوه استفاده از روش "نقشه". How To Use 'map' Method

  • چگونه با رشته ها دستکاری کنیم How To Manipulate With Strings

  • استفاده از عبارات منظم Using Regular Expressions

  • کار با توابع رشته برداری Working With The Vectorized String Functions

  • تمرین_قسمت_05 Practice_Part_05

  • راه حل تمرین_بخش_05 Practice_Part_05 Solution

جدال داده ها Data Wrangling

  • نظریه در مورد کشمکش داده ها Theory On Data Wrangling

  • نمایه سازی سلسله مراتبی Hierarchical Indexing

  • مرتب سازی مجدد و مرتب سازی نمایه سازی سلسله مراتبی Hierarchical Indexing Reordering And Sorting

  • آمار خلاصه بر اساس سطح Summary Statistics By Level

  • نمایه سازی سلسله مراتبی با ستون های DataFrame Hierarchical Indexing With DataFrame Columns

  • نحوه ادغام اشیاء پانداها How To Merge The Pandas Objects

  • ادغام در فهرست ردیف Merging On Row Index

  • چگونه در امتداد یک محور به هم بپیوندیم How To Concatenate Along An Axis

  • نحوه ترکیب با همپوشانی How To Combine With Overlap

  • نحوه تغییر شکل و چرخش داده ها در پانداها How To Reshape And Pivot Data In Pandas

  • تمرین_قسمت_06 Practice_Part_06

  • راه حل تمرین_بخش_06 Practice_Part_06 Solution

گروه بندی و تجمیع داده ها Data Grouping And Aggregation

  • Thoery در مورد گروه‌بندی داده‌ها و تجمیع Thoery On Data Groupby And Aggregation

  • عملیات گروهی Groupby Operation

  • نحوه تکرار روی شی Groupby How To Iterate Over Groupby Object

  • نحوه انتخاب ستون ها در روش Groupby How To Select Columns In Groupby Method

  • گروه بندی با استفاده از دیکشنری ها و سری ها Grouping Using Dictionaries And Series

  • گروه بندی با استفاده از توابع و سطح شاخص Grouping Using Functions And Index Level

  • تجمیع داده ها Data Aggregation

  • تمرین_قسمت_07 Practice_Part_07

  • راه حل تمرین_بخش_07 Practice_Part_07 Solution

تجزیه و تحلیل سری زمانی Time Series Analysis

  • تئوری در تجزیه و تحلیل سری های زمانی Theory On Time Series Analysis

  • مقدمه ای بر انواع داده های سری زمانی Introduction To Time Series Data Types

  • نحوه تبدیل بین رشته و زمان تاریخ How To Convert Between String And Datetime

  • مبانی سری زمانی با اشیاء پاندا Time Series Basics With Pandas Objects

  • محدوده تاریخ فرکانس ها و تغییر Date Ranges Frequencies And Shifting

  • محدوده تاریخ فرکانس ها و تغییر قسمت - 2 Date Ranges Frequencies And Shifting Part - 2

  • مدیریت منطقه زمانی Time Zone Handling

  • دوره ها و محاسبه دوره ها Periods And Period Arithmetic’s

  • تمرین_قسمت_08 Practice_Part_08

  • راه حل تمرین_بخش_08 Practice_Part_08 Solution

چگونه با بخشی از پروژه های زندگی واقعی تجزیه و تحلیل کنیم How To Analyse With The Part of Real Life Projects

  • مقدمه ای کوتاه بر پروژه های پانداها A Brief Introduction To The Pandas Projects

  • توضیحات پروژه_1 Project_1 Description

  • Project_1 Solution Part - 1 Project_1 Solution Part - 1

  • Project_1 Solution Part - 2 Project_1 Solution Part - 2

  • توضیحات پروژه_2 Project_2 Description

  • راه حل پروژه_2 Project_2 Solution

  • توضیحات پروژه_3 Project_3 Description

  • Project_3 Solution Part - 1 Project_3 Solution Part - 1

  • Project_3 Solution Part - 2 Project_3 Solution Part - 2

  • واگذاری پروژه Project Assignment

نمایش نظرات

آموزش بوت کمپ نهایی پایتون برای علم داده و یادگیری ماشین
جزییات دوره
15h 45m
103
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
177,029
4 از 5
دارد
ندارد
ندارد
Pruthviraja L
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Pruthviraja L Pruthviraja L

مربی حرفه ای ، مربی نرم افزار و نویسنده سلام ، من Pruthviraja L هستم ، با بیش از 6 سال تجربه آموزش و تدریس از مitسسات فنی ، تدریس علاقه من است. من هر دو PG (M.Tech) خود را در مهندسی سیستم های قدرت و UG (B.E) را در مهندسی برق و الکترونیک از V.T.U - Belgaum ، کارناتاکا ، هند به دست آورده ام. من یک تحلیلگر خبره معتبر هستم. من از مراکز مختلف آموزش الکترونیکی از جمله Udemy ، Intellipaat-Bengaluru ، LinkedIn eLearning و غیره گواهینامه گرفتم. من با موفقیت 6 مقاله پژوهشی در "مجلات و کنفرانس های ملی و بین المللی" با موفقیت منتشر و ارائه کرده ام. من عضو مجلات مختلف ملی و بین المللی از جمله الزویر و IEEE هستم. من یک آرزو کننده حرفه ای نرم افزار چند وجهی هستم و دارای توانایی اثبات شده در استقرار روشهای تحلیلی و برنامه نویسی برای استخراج بینش برای تقویت و تقویت نیازهای کاربر هستم. ماهر در انجام تجزیه و تحلیل آماری و مدل سازی داده ها برای تبدیل داده های خام به استراتژی های عملی. مهارت در تجسم داده ها برای اجرای پروژه ها و تنظیم سازمان ها در مسیر سودآوری. 6 سال تجربه تدریس در م engineeringسسات مهندسی با مهارت برنامه نویسی در Matlab ، Python ، SAS ، R و اشتیاق در توسعه مهارت های یادگیری AI و ماشین به من انگیزه داد تا در محیط کار پویا برای استفاده از مهارت ها و حداکثر سود برای سازمان شرکت کنم.