آموزش پایتون برای تحلیل داده‌ها: گام‌به‌گام همراه با پروژه‌های عملی - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• بررسی کلی دوره Course Overview

دوره فشرده پایتون Python Crash Course

• راه‌اندازی محیط پایتون Setting Up Python environment

• بررسی انواع داده‌های عددی و تعریف متغیرها Overview of Data Types, Numeric, Define Variables

• رشته‌ها، توابع رایج و متدها Strings, Common Functions, and Methods

• لیست‌ها، تاپل‌ها، مجموعه‌ها، دیکشنری‌ها و مقادیر بولی Lists, Tuples, Sets, Dictionaries, Booleans

• دستورات شرطی (If) و حلقه‌ها If Statements, Loops

• تعریف توابع و استفاده از پکیج‌ها Define Functions, Use Packages

• توابع لامبدا و عبارات شرطی Lambda Functions, Conditional Expressions

وارد کردن داده‌ها Importing Data

• بررسی کلی ساختارهای داده در پانداز (Pandas) Pandas Data Structures Overview

• بارگذاری داده‌ها Loading Data

• پیش‌نمایش داده‌ها Previewing Data

• بررسی کلی انواع داده‌ها در پانداز Pandas Data Types Overview

• خروجی گرفتن از داده‌ها Exporting Data

کاوش در داده‌ها Exploring Data

• ترکیب مجموعه‌داده‌ها Combining Datasets

• تغییر نام ستون‌ها Renaming Columns

• انتخاب ستون‌ها Selecting Columns

• انتخاب ردیف‌ها و تنظیم ایندکس (بخش ۱) Selecting Rows and Setting the Index (1)

• انتخاب ردیف‌ها و تنظیم ایندکس (بخش ۲) Selecting Rows and Setting the Index (2)

• زیرمجموعه سازی همزمان ردیف‌ها و ستون‌ها Subsetting Both Rows and Columns

• اصلاح مقادیر Modifying Values

• ایجاد کپی از داده‌ها Making a Copy

• مرتب‌سازی داده‌ها Sorting Data

پروژه جامع عملی ۱ Capstone Practice Project I

• بررسی پروژه بازی‌های NBA NBA Games Project Overview

پاک‌سازی داده‌ها Cleaning Data

• بررسی کلی پاک‌سازی داده‌ها Data Cleaning Overview

• حذف ستون‌ها و ردیف‌های غیرضروری Removing Unnecessary Columns/Rows

• بررسی کلی داده‌های گم‌شده Missing Data Overview

• مدیریت داده‌های گم‌شده (حذف) Tackling Missing Data (Dropping)

• مدیریت داده‌های گم‌شده (جایگزینی با مقدار ثابت) Tackling Missing Data (Imputing with Constant)

• مدیریت داده‌های گم‌شده (جایگزینی آماری) و نشانگرهای گم‌شدگی Tackling Missing Data (Imputing with Statistics) and Missing Indicators

• مدیریت داده‌های گم‌شده (جایگزینی با مدل) Tackling Missing Data (Imputing with Model)

• مدیریت مقادیر پرت (بخش ۱) Handling Outliers (1)

• مدیریت مقادیر پرت (بخش ۲) Handling Outliers (2)

• پاک‌سازی متون Cleaning Text

تبدیل ستون‌ها و ویژگی‌ها Transforming Columns/Features

• استخراج تاریخ و زمان Extracting Date and Time

• دسته‌بندی داده‌ها (Binning) Binning

• نگاشت مقادیر جدید Mapping New Values

• اعمال توابع Applying Functions

پروژه جامع عملی ۲ Capstone Practice Project II

• بررسی پروژه بانک چک Czech Bank Project Overview

تحلیل اکتشافی داده‌ها (EDA) Exploratory Data Analysis

• بررسی کلی تحلیل اکتشافی (EDA) EDA Overview

• تجمیع آماری Aggregating Statistics

• گروه‌بندی داده‌ها (Group By) Group By

• جداول محوری (Pivoting Tables) Pivoting Tables

• توزیع یک ویژگی Distribution of One Feature

• بررسی کلی کتابخانه Seaborn Seaborn Library Overview

• رابطه بین دو ویژگی (بخش ۱) Relationship of Two Features (1)

• رابطه بین دو ویژگی (بخش ۲) Relationship of Two Features (2)

• رابطه بین چندین ویژگی Relationship of Multiple Features

• مرور نهایی کتابخانه Seaborn Seaborn Library Recap

پروژه جامع عملی ۳ Capstone Practice Project III

• بررسی پروژه بازی‌های المپیک Olympic Games Project Overview

کار با داده‌های سری زمانی Dealing with Time Series Data

• مقدمه‌ای بر سری‌های زمانی Introduction to Time Series

• مرور مفاهیم تاریخ و زمان Review of Date and Time

• دستکاری Datetime به عنوان ایندکس Manipulating Datetime as an Index

• تغییر فرکانس نمونه‌برداری: Downsampling Resampling Frequency: Downsampling

• تغییر فرکانس نمونه‌برداری: Upsampling Resampling Frequency: Upsampling

• پنجره‌های زمانی لغزان و جابجایی (Rolling/Shifting) Rolling/Shifting Time Windows

پایان و تشکر Thank You

• جمع‌بندی نهایی دوره Course Wrap Up