مبانی علوم داده با پایتون: آموزش NumPy، Pandas، Matplotlib و Seaborn [ویدئویی] - آخرین آپدیت

دانلود Data Science Foundations with Python: Learn NumPy, Pandas, Matplotlib, and Seaborn [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره شما را با برنامه‌نویسی پایتون و کاربردهای آن در تحلیل داده‌ها آشنا می‌کند. با شروع از مفاهیم بنیادی، یاد می‌گیرید که چگونه با متغیرها، حلقه‌ها، شرط‌ها و ساختارهای داده‌ای مختلف مانند لیست‌ها، تاپل‌ها، مجموعه‌ها و دیکشنری‌ها کار کنید. این امر تضمین می‌کند که پیش از ورود به ابزارهای تخصصی علوم داده، مهارت‌های پایه‌ای لازم را کسب کرده‌اید. سپس به بررسی NumPy و Pandas برای مدیریت بهینه داده‌ها خواهید پرداخت. شما یاد می‌گیرید چگونه آرایه‌ها و مجموعه‌داده‌های ساختاریافته را ایجاد، تغییر و تحلیل کنید و عملیاتی مانند مرتب‌سازی، فیلتر کردن و تحلیل‌های آماری را انجام دهید. از طریق تمرینات عملی، متوجه خواهید شد که این کتابخانه‌ها چگونه پردازش داده‌ها را ساده کرده و مدیریت مجموعه‌داده‌های بزرگ را آسان‌تر می‌کنند. در بخش نهایی دوره، نحوه بصری‌سازی داده‌ها با استفاده از Matplotlib و Seaborn را خواهید آموخت. شما انواع مختلف نمودارها از جمله نمودارهای خطی، ستونی، پراکندگی و نقشه‌های حرارتی (Heatmaps) را برای نمایش معنادار داده‌ها ایجاد خواهید کرد. در پایان دوره، مهارت‌های لازم برای کار با پایتون و کتابخانه‌های علوم داده را خواهید داشت تا بتوانید داده‌ها را به طور مؤثر تحلیل و ارائه کنید. نوشتن برنامه‌های پایتون و کار با مفاهیم اصلی برنامه‌نویسی انجام عملیات مدیریت داده‌ها با استفاده از NumPy برای کار با آرایه‌ها پردازش و تحلیل بهینه داده‌های ساختاریافته با Pandas اعمال مرتب‌سازی، فیلتر کردن و تحلیل آماری روی مجموعه‌داده‌ها ایجاد بصری‌سازی‌ها با Matplotlib و Seaborn برای استخراج بینش‌ها کار با مجموعه‌داده‌های واقعی برای تمرین مهارت‌های تحلیل داده این دوره برای مبتدیان در برنامه‌نویسی و علوم داده طراحی شده است که می‌خواهند پایتون و کتابخانه‌های اصلی مدیریت داده را بیاموزند. این دوره برای دانشجویان، متخصصان و پژوهشگرانی که به مهارت‌های پایه پردازش و بصری‌سازی داده نیاز دارند، ایده‌آل است. هیچ تجربه قبلی در علوم داده مورد نیاز نیست، اما درک ابتدایی از مفاهیم برنامه‌نویسی می‌تواند مفید باشد. چه به دنبال شروع حرفه‌ای در علوم داده باشید و چه بخواهید توانایی خود را در کار با داده‌ها ارتقا دهید، این دوره یک معرفی کاربردی از ابزارها و تکنیک‌های ضروری ارائه می‌دهد. معرفی کاربردی پایتون و کتابخانه‌های ضروری علوم داده * تمرینات عملی جامع در مدیریت و بصری‌سازی داده‌ها * مثال‌های واقعی برای توسعه مهارت‌های مدیریت و ارائه داده‌ها

سرفصل ها و درس ها

هدیه: دوره فشرده پایتون BONUS - Python Crash Course

  • متغیرها در پایتون Variables in Python

  • شرط‌ها و دستور If Conditionals & If Statement

  • مثالی برای دستور If Example for If Statement

  • دستور If Else If-Else Statement

  • مثالی از دستور If Else Example of If-Else Statement

  • دستور If تو در تو Nested If Statement

  • مثالی برای دستور If تو در تو Example for Nested If Statement

  • دستور Elif Elif Statement

  • مثالی برای دستور Elif Example for Elif Statement

  • حلقه While While Loop

  • حلقه While: شمارش ارقام یک عدد While Loop - Count the Digits in a Number

  • حلقه While: توان سه یک عدد While Loop - Cube of a Number

  • حلقه While: نمایش جدول ضرب While Loop - Display Multiplication Table

  • حلقه While: مجموع ارقام یک عدد داده شده While Loop - Sum of Digits in a Given Number

  • حلقه While: مجموع ۱۰ عدد اول While Loop - Sum of First 10 Numbers

  • حلقه For For Loop

  • نمایش اعداد ۱ تا ۱۰ با استفاده از حلقه For Display Numbers from 1 to 10 Using For Loop

  • محاسبه فاکتوریل با استفاده از حلقه For Factorial Using For Loop

  • دستورات Break و Continue Break & Continue Statement

  • آشنایی با کانتینرها (Containers) Introduction to Containers

  • ایجاد و دسترسی به لیست‌ها در پایتون Creating and Accessing Lists in Python

  • دسترسی به عناصر و جستجوی یک عنصر در لیست Accessing Elements & Searching Element in a List

  • اندیس‌گذاری و برش (Slicing) در لیست‌ها List Indexing and Slicing

  • کار با متدهای لیست Working with List Methods

  • کار با عملگرها در لیست‌ها Working with Operators on Lists

  • لیست‌های جامع (List Comprehension) List Comprehension

  • تعریف تاپل (Tuple) Tuple - Definition

  • تاپل‌ها Tuples

  • بررسی وجود یک عنصر در تاپل Checking Element Inside a Tuple

  • اندیس‌گذاری و برش در تاپل‌ها Tuple Indexing & Slicing

  • دست‌کاری تاپل‌ها Manipulating Tuples

  • باز کردن (Unpacking) تاپل‌ها Unpacking Tuples

  • مجموعه‌ها (Sets) Sets

  • دیکشنری‌ها Dictionaries

  • مبانی دیکشنری Basics of Dictionary

  • دسترسی به دیکشنری Accessing Dictionary

  • توابع len، str و type در دیکشنری len, str & type Functions in Dictionary

  • توابع در پایتون Functions in Python

  • برنامه نمونه ۱ در مورد توابع Example Program 1 on Functions

  • برنامه نمونه ۲ در مورد توابع Example Program 2 on Functions

مدیریت داده‌ها با استفاده از NumPy Data Handling using NumPy

  • آشنایی با ماژول‌ها در پایتون Introduction to Modules in Python

  • ایجاد و نمایش آرایه یک‌بعدی Creating & Displaying 1D Array

  • درک اندیس آرایه یک‌بعدی Understanding 1D Array Index

  • ایجاد آرایه‌هایی از صفرها و یک‌ها Creating Array of 0's and Array of 1's

  • مرتب‌سازی عناصر در آرایه یک‌بعدی Sorting Elements in 1D Array

  • برش (Slicing) در آرایه یک‌بعدی Slicing a 1D Array

  • عملیات ریاضی روی آرایه‌ها Mathematical Operations on Array

  • جستجوی یک عنصر در آرایه Searching an Element in an Array

  • فیلتر کردن یک آرایه Filtering an Array

  • بررسی خالی یا پر بودن یک آرایه Checking Whether a Given Array is Empty or Not

  • ایجاد و نمایش آرایه دوبعدی Creating & Displaying 2D Array

  • ویژگی ndim ndim Attribute

  • ویژگی Size Size Attribute

  • شکل (Shape) و تغییر شکل (Reshape) آرایه Shape and Reshape of Array

  • ایجاد ماتریس همانی Creating an Identity Matrix

  • تابع ()arange arange()

  • تابع ()linspace linspace()

  • آرایه تصادفی Random Array

  • ماتریس تصادفی Random Matrix

  • ایجاد ماتریس قطری Creating a Diagonal Matrix

  • تخت کردن (Flatten) یک ماتریس Flatten a Matrix

  • محاسبه اثر (Trace) یک ماتریس Computing Trace of a Matrix

  • یافتن ترانهاده (Transpose) یک ماتریس Finding Transpose of a Matrix

  • اندیس‌گذاری منفی برای دسترسی به عناصر در آرایه دوبعدی Negative Indexing to Access Elements in a 2D Array

مدیریت داده‌ها با استفاده از Pandas Data Handling using Pandas

  • آشنایی با Pandas Introduction to Pandas

  • کار با Series در Pandas Working with Series in Pandas

  • ترکیب Series با NumPy Combining Series with NumPy

  • یافتن تعداد عناصر در یک Series Finding Number of Elements in a Series

  • محاسبه میانگین، حداکثر و حداقل در یک Series Computing Mean, Max, and Min in a Series

  • مرتب‌سازی یک Series Sorting a Series

  • نمایش مقادیر منحصر به فرد در یک Series Displaying Unique Values in a Series

  • خلاصه آماری Series Summary of Series Statistics

  • ایجاد DataFrame از Series Creating DataFrame from Series

  • ایجاد DataFrame از لیستی از دیکشنری‌ها Creating DataFrame from List of Dictionaries

  • دسترسی به DataFrame با استفاده از اندیس‌گذاری سطری و ستونی DataFrame Access using Row-wise and Column-wise Indexing

  • افزودن، تغییر نام و حذف ستون‌ها در DataFrame Add, Rename and Delete Columns in a DataFrame

  • حذف سطرها و ستون‌ها با استفاده از ()drop Deleting Rows and Columns using drop()

  • اندیس‌گذاری بولی (Boolean Indexing) در DataFrameها Boolean Indexing in DataFrames

  • اتصال (Concatenating) DataFrameها Concatenating DataFrames

بصری‌سازی داده‌ها با Matplotlib در پایتون Data Visualization using Matplotlib in Python

  • آشنایی با Matplotlib Introduction to Matplotlib

  • ایجاد نمودار خطی Creating Line Graph

  • ایجاد نمودار ستونی Creating Bar Graph

  • ایجاد نمودار پراکندگی (Scatter) Creating Scatter Graph

  • ایجاد نمودار هیستوگرام Creating Histogram Graph

  • ایجاد نمودار دایره‌ای (Pie Chart) Creating Pie Chart

  • ایجاد نمودار سه بعدی Creating 3D Plot

  • ایجاد نمودار خطی سه بعدی Creating 3D Line Graph

بصری‌سازی داده‌ها با Seaborn در پایتون Data Visualization using Seaborn in Python

  • درک یک مجموعه‌داده نمونه (قابل دانلود) Understanding a Sample Dataset (Downloadable)

  • آشنایی با Seaborn Introduction to Seaborn

  • نمودار Swarm Swarm Plot

  • نمودار Violin Violin Plot

  • شبکه‌های وجهی (Facet Grids) Facet Grids

  • نقشه حرارتی (Heatmap) Heatmap

نمایش نظرات

مبانی علوم داده با پایتون: آموزش NumPy، Pandas، Matplotlib و Seaborn [ویدئویی]
جزییات دوره
6h 43m
93
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Geek Bootcamp
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Geek Bootcamp Geek Bootcamp

Geek Bootcampis یک جامعه جهانی از محققان ، مهندسان نرم افزار و اساتید متعهد به پیشبرد آموزش فنی و نوآوری است. Geek Bootcamp که برای اتصال تخصص دانشگاهی با شیوه های صنعت تأسیس شده است ، دانش جمعی از اعضای خود را که از دانشگاه های برتر و شرکت های برتر فناوری در سراسر جهان استقبال می کنند ، بهره می برد. این تیم در ایجاد تجربیات یادگیری دستی و متمرکز بر پروژه تخصص دارد که هم برای مبتدیان و هم برای متخصصان فصلی پذیرایی می کنند. با تخصص مهندسی نرم افزار ، هوش مصنوعی ، فناوری های ابری و علوم داده ، Geek Bootcamp به یک نام قابل اعتماد در ارائه آموزش با کیفیت بالا تبدیل شده است. مأموریت آنها توانمندسازی زبان آموزان با مهارت های برش ، ایجاد شکاف بین تئوری و کاربردهای عملی است. Geek Bootcamp به دلیل طراحی بوته های جامع ، کارگاه ها و دوره های آنلاین که بر پروژه های تعاملی و دنیای واقعی تأکید دارد ، شناخته شده است. Geek Bootcamp با ترکیب نوآوری ، همکاری و آموزش ، همچنان الهام بخش نسل بعدی رهبران فناوری است.