آموزش توابع پایتون برای علوم داده (Data Science) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• استفاده از پایتون مانند یک دانشمند داده Use Python like a data scientist

• شروع کار با پایتون Getting started with Python

1. ضروریات اصلی پایتون 1. Core Python Essentials

• مرتب‌سازی، فیلتر کردن و تبدیل داده‌ها Sort, filter, and transform your data

• تجمیع داده‌ها با توابع پایه Aggregate data with basic functions

• بررسی داده‌ها برای اعتبارسنجی Inspect data for validation

• مدیریت مقیاس‌ها و دقت در داده‌ها Handle magnitudes and precision in data

2. مبانی NumPy و SciPy 2. NumPy and SciPy Fundamentals

• اندکس‌گذاری و برش (Slicing) آرایه‌های NumPy Index and slice NumPy arrays

• حل مسائل مبتنی بر ماتریس با SciPy Solve matrix-based problems with SciPy

• ساخت آرایه‌های NumPy در پایتون Create NumPy arrays in Python

• تبدیل و تغییر مقیاس آرایه‌های NumPy Transform and scale NumPy arrays

• استخراج مقادیر کلیدی با NumPy Extract key values with NumPy

• تغییر شکل (Reshape) آرایه‌های NumPy Reshape NumPy arrays

• اجرای توابع آماری با SciPy Run statistical functions with SciPy

3. کتابخانه pandas برای دستکاری داده‌ها 3. pandas for Data Manipulation

• اصلاح اشیاء pandas Modify pandas objects

• ترکیب داده‌ها از اشیاء pandas Combine data from pandas objects

• گروه‌بندی داده‌ها در اشیاء pandas Group data from pandas objects

• استخراج زیرمجموعه‌های داده از اشیاء pandas Extract data subsets from pandas objects

• تبدیل داده‌ها با متد apply() در pandas Transform data with pandas apply()

• ساخت Series و DataFrame در pandas Create pandas series and dataframes

4. ضروریات بصری‌سازی داده‌ها 4. Visualization Essentials

• سازماندهی بصری‌سازی‌های شما Organize your visualizations

• بصری‌سازی روابط جفتی Visualize pairwise relationships

• نمایش توزیع‌های دسته‌بندی شده Display categorical distributions

• رسم نمودارهای خطی و پراکندگی (Scatter) Create line and scatter plots

• بررسی توزیع‌های عددی Explore numerical distributions

نتیجه‌گیری Conclusion

• به‌کارگیری توابع در علوم داده Apply functions to data science