دوره آموزش پایتون برای تحلیل داده‌ها - تبدیل به تحلیلگر داده شوید - آخرین آپدیت

دانلود Python Course for Data Analysis - Become Data Analyst

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره دارای قابلیت Coursera Coach است! روشی هوشمندانه‌تر برای یادگیری با گفتگوهای تعاملی و لحظه‌ای که به شما کمک می‌کند تا دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. این دوره شما را با مبانی برنامه‌نویسی پایتون و کاربرد آن در تحلیل داده‌ها آشنا می‌کند. شما تجربه عملی در استفاده از کتابخانه‌های محبوب پایتون مانند NumPy، Pandas و Matplotlib برای پاک‌سازی، دستکاری و بصری‌سازی داده‌ها کسب خواهید کرد. با ترکیبی از دروس تعاملی و تمرینات واقعی، درک عمیقی از کاربرد پایتون در تحلیل داده‌ها به دست می‌آورید که به شما اجازه می‌دهد با اعتماد به نفس کامل، مسائل را حل کرده و داده‌ها را تحلیل کنید. ساختار این دوره به گونه‌ای است که شما را از مفاهیم ابتدایی به سمت مباحث پیشرفته هدایت می‌کند. ابتدا با سینتکس پایتون، متغیرها، عملگرها و انواع داده‌ها آشنا می‌شوید و سپس به سراغ مهارت‌های عملی مانند حلقه‌ها، توابع و List Comprehensions می‌روید. بخش‌های بعدی بر ابزارهای قدرتمند تحلیل داده مانند Pandas برای مدیریت داده‌ها و Matplotlib برای بصری‌سازی متمرکز است و در نهایت تکنیک‌های پیشرفته در پاک‌سازی داده‌ها و ادغام مجموعه‌داده‌ها را خواهید آموخت. این دوره برای هر کسی که به دنبال ارتقای مهارت‌های خود در تحلیل داده‌ها است، ایده‌آل است. چه در پایتون مبتدی باشید و چه تجربه‌ای داشته باشید، از تمرینات عملی و پروژه‌ها بهره‌مند خواهید شد. این دوره نیازی به دانش قبلی در علوم داده یا پایتون ندارد، هرچند آشنایی اولیه با مفاهیم برنامه‌نویسی کمک‌کننده خواهد بود. با تمرکز بر کاربردهای دنیای واقعی، این دوره برای زبان‌آموزان در تمامی سطوح مناسب است. در پایان این دوره، شما قادر خواهید بود کدهای پایتون برای تحلیل داده بنویسید، با استفاده از Pandas داده‌ها را پاک‌سازی و مدیریت کنید، با Matplotlib داده‌ها را بصری‌سازی نمایید و یک پروژه جامع را به عنوان نمونه‌ای از مهارت‌های خود در محیط واقعی تکمیل کنید.

سرفصل ها و درس ها

مقدمه و بررسی کلی دوره Introduction & Course Overview

  • مقدمه‌ای بر دوره Introduction to Course

مبانی پایتون Basics of Python

  • شروع به کار Getting Started

  • متغیرها در پایتون Python Variables

  • اصطلاحات پایتون Python Terms

  • انواع داده‌ها در پایتون Python Data Types

  • رشته‌ها (Strings) Strings

  • فرمت‌بندی رشته‌ها String Formatting

  • عملگرهای محاسباتی، انتصابی و مقایسه‌ای Arithmetic, Assignment & Comparison Operators

  • دستورات شرطی Conditional Statements

  • لیست‌ها Lists

  • دیکشنری‌ها Dictionaries

  • مجموعه‌ها (Sets) Sets

  • تاپل‌ها (Tuples) Tuples

  • عملگرهای منطقی Logical Operators

  • حلقه‌ها Loops

  • لیست کامپرهنشن (List Comprehension) List Comprehension

  • تمرین: بررسی مهارت‌ها Exercise: Skill Investigation

  • توابع Functions

  • توابع لمبدا (Lambda) Lambda Functions

  • ماژول‌ها Modules

  • تمرین: پاک‌سازی داده‌ها Exercise: Cleaning Data

  • کتابخانه‌ها Libraries

  • کلاس‌ها Classes

آشنایی با کتابخانه Numpy Introduction to Numpy

  • نومپای: مقدمه Numpy: Introduction

مبانی کتابخانه Pandas Basics of Pandas

  • مقدمه‌ای بر پانداز Introduction to Pandas

  • بررسی داده‌ها Data Inspection

  • پاک‌سازی داده‌ها Data Cleaning

  • تحلیل داده‌ها Data Analysis

  • تمرین: مبانی پانداز Exercise: Pandas Basics

مبانی کتابخانه Matplotlib Basics of Matplotlib

  • مقدمه‌ای بر مت‌پلات‌لیب Introduction to Matplotlib

  • رسم نمودارها Plotting

  • مت‌پلات‌لیب: برچسب‌گذاری Matplotlib: Labeling

  • مت‌پلات‌لیب: رسم نمودار با پانداز Matplotlib: Pandas Plotting

  • تمرین: مبانی مت‌پلات‌لیب Exercise: Matplotlib Basics

مباحث پیشرفته Pandas Pandas Advanced

  • نصب آناکوندا Anaconda Installation

  • نصب ویژوال استودیو کد Visual Studio Code Installation

  • محیط‌های مجازی Virtual Environments

  • دسترسی به داده‌ها Accessing Data

  • پاک‌سازی داده‌ها Data Cleaning

  • مدیریت داده‌ها Data Management

  • جداول محوری (Pivot Tables) Pivot Tables

  • مدیریت ایندکس‌ها Index Management

  • تمرین: تقاضای شغلی Exercise: Job Demand

  • ادغام دیتافریم‌ها (Merge) Merge DataFrames

  • اتصال دیتافریم‌ها (Concat) Concat DataFrames

  • خروجی گرفتن از داده‌ها Exporting Data

  • تابع Apply Apply Function

  • تابع Explode Explode Function

  • تمرین: مهارت‌های ترند شده Exercise: Trending Skills

مباحث پیشرفته Matplotlib Matplotlib Advanced

  • فرمت‌بندی نمودارها Format Charts

  • نمودارهای دایره‌ای (Pie Plots) Pie Plots

  • نمودارهای پراکندگی (Scatter Plots) Scatter Plots

  • سفارشی‌سازی پیشرفته Advanced Customization

  • هیستوگرام‌ها Histograms

  • نمودارهای جعبه‌ای (Box Plots) Box Plots

  • تمرین: تحلیل دستمزد مهارت‌ها Exercise: Skill Pay Analysis

آشنایی با کتابخانه Seaborn Introduction to Seaborn

  • سی‌بورن: مقدمه Seaborn: Introduction

پروژه نهایی Project

  • پروژه: مقدمه Project: Introduction

  • راه‌اندازی Git و GitHub Git & GitHub Setup

  • تقاضای مهارت‌ها Skill Demand

  • روند تغییرات مهارت‌ها Skills Trend

  • تحلیل حقوق و دستمزد Salary Analysis

  • بهترین مهارت‌های کاربردی Optimal Skills

نکات پایانی Ending Notes

  • اشتراک‌گذاری در گیت‌هاب Share on GitHub

نمایش نظرات

دوره آموزش پایتون برای تحلیل داده‌ها - تبدیل به تحلیلگر داده شوید
جزییات دوره
19h 43m
64
(آخرین آپدیت)
228
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده