آموزش یک داشبورد تجزیه و تحلیل داده های تعاملی با پایتون بسازید

Build an Interactive Data Analytics Dashboard with Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: همه مراحل را برای استقرار داشبورد تجزیه و تحلیل داده های خود در وب با Python بیاموزید و کامل کنید. ایجاد یک داشبورد تجزیه و تحلیل داده تعاملی با استفاده از کتابخانه Dash در موارد کروناویروس و مرگ و میر با استفاده از توابع لجستیک تعمیم یافته داده های صاف با استفاده از هموارسازی نمودار پراکندگی وزن محلی خواندن و داده‌ها را پاک کنید تا برای مدل‌سازی مناسب باشد یاد بگیرید چگونه از Plotly استفاده کنید، یک کتابخانه تجسم داده‌های تعاملی در پایتون که وب را هدف قرار می‌دهد. وب برای همه مشاهده کنید. کارهای شبانه cron را برای به روز رسانی داده ها و پیش بینی های مدل اجرا کنید همه کدهای خود را در کلاس های پایتون کپسوله کنید تا اتوماسیون آسان شود بیاموزید چگونه با استفاده از مجموعه وسیعی از مهارت ها، یک پروژه جامع و کامل در پایتون را تکمیل کنید. :دانش آموزان باید با اصول پایتون احساس راحتی کنند. دانستن کتابخانه پانداها در پایتون مفید است.

این دوره به شما تمام مهارت‌های ساخت داشبورد تجزیه و تحلیل داده‌های تعاملی با پایتون را می‌آموزد. به طور خاص، شما یک داشبورد پیش‌بینی کرونا می‌سازید که مقادیر تاریخی و پیش‌بینی‌شده مرگ‌ها و موارد را برای همه کشورهای جهان و ایالات ایالات متحده در اثر همه‌گیری ویروس کرونا نشان می‌دهد. محصول نهایی یک داشبورد زنده خواهد بود که به طور خودکار روزانه به روز می شود و در یک سرور راه دور میزبانی می شود تا همه در هر کجای دنیا ببینند!

شما کل فرآیند ساخت داشبورد را از جمله موضوعات زیر یاد خواهید گرفت و تکمیل خواهید کرد:

  • دریافت، تمیز کردن و تبدیل داده ها - شما یاد خواهید گرفت که چگونه داده ها را جمع آوری کنید، داده های بد را پیدا کرده و پاک کنید، و آنها را به گونه ای تبدیل کنید که بتوان از آنها برای ساخت مدل هایی با قابلیت پیش بینی استفاده کرد.

  • صاف کردن داده ها - چندین تکنیک مختلف مانند LOWESS را برای هموارسازی داده های خام ناهموار یاد خواهید گرفت تا مدل بتواند روندها را بهتر تشخیص دهد.

  • مدل‌های رشد و زوال تصاعدی - مدل‌سازی موارد کروناویروس را برای هر منطقه از جهان با این مدل‌های ساده شروع می‌کنید که می‌توانند یک مرحله رشد یا کاهش نمایی را ثبت کنند، اما نه هر دو را.

  • مدل‌های رشد لجستیک - با کلاس جداگانه‌ای از مدل‌های "S-Curve" آشنا می‌شوید که قادر به ثبت رشد و کاهش نمایی در یک مدل هستند.

  • مدل سازی امواج جدید - موارد کروناویروس به صورت امواج در دوره های زمانی مختلف ظاهر می شوند. شما یاد خواهید گرفت که چگونه مدل خود را تغییر دهید تا بتواند هر تعداد موج جدید را در آینده تشخیص دهد.

  • کپسوله‌سازی در کلاس‌ها - پس از انتخاب مدل خود، همه کدها را با هم در کلاس‌های پایتون کپسوله می‌کنید تا در نهایت در کد تولید نهایی شما استفاده شود.

  • تجسم‌سازی‌ها با Plotly - شما یاد خواهید گرفت که چگونه از کتابخانه Plotly Python برای ایجاد تجسم‌های داده‌های تعاملی با هدف وب استفاده کنید

  • HTML و CSS - شما در حال ساختن یک برنامه وب هستید و اصول اولیه HTML و CSS را برای کمک به افزودن سفارشی سازی با کمک Dash خواهید آموخت.

  • ساخت داشبورد با Dash - یاد خواهید گرفت که چگونه تمام اجزا و تعامل داشبورد را با کتابخانه Dash Python بسازید.

  • استقرار - یکی از هیجان‌انگیزترین بخش‌های یک پروژه، استقرار آن بر روی سرور خود برای دیدن جهان است. دو گزینه استقرار مختلف را خواهید آموخت - یکی ساده و دیگری پیچیده تر، اما با انعطاف پذیری بیشتر.

شامل چه چیزی است؟

این دوره دارای مقدار زیادی مطالب از جمله:

است
  • 13 نوت بوک Jupyter

  • 26 تمرین با راه حل های دقیق

  • 200 صفحه PDF از کل محتوای دوره

  • همه کدهای تولید برای داشبورد

فن آوری های مورد استفاده

  • همه کدهای توسعه داشبورد با استفاده از پایتون انجام می شود

  • پانداها به طور گسترده برای تجزیه و تحلیل و تبدیل داده ها استفاده خواهند شد

  • Statsmodels برای هموارسازی استفاده خواهد شد

  • Scipy برای ساخت مدل‌های موارد کروناویروس و بهینه‌سازی پارامترها استفاده خواهد شد

  • Matplotlib در نوت‌بوک‌ها برای تجسم‌های ایستا استفاده خواهد شد

  • Plotly برای تجسم داده‌های تعاملی که در داشبورد ظاهر می‌شوند استفاده می‌شود

  • Dash برای ساخت خود داشبورد استفاده خواهد شد

  • HTML/CSS همراه با Dash برای سفارشی کردن اجزای داشبورد استفاده خواهد شد

  • می‌آموزید که چگونه سرور لینوکس Ubuntu خود را برای اجرای داشبورد خود راه‌اندازی کنید


سرفصل ها و درس ها

شروع شدن Getting Started

  • بررسی اجمالی دوره Course Overview

  • دانلود مطالب دوره Downloading the Course Material

  • بررسی مطالب دوره Exploring the Course Material

  • نکته برای کاربران ویندوز Note for Windows Users

  • ایجاد محیط مجازی (سریع) Creating the Virtual Environment (fast)

  • ایجاد محیط مجازی Creating the Virtual Environment

  • فعال و غیرفعال کردن محیط مجازی Activating and Deactivating the Virtual Environment

  • راه اندازی و کاوش داشبورد Launching and Exploring the Dashboard

  • باز کردن نوت بوک های Jupyter Opening the Jupyter Notebooks

  • راهنمای تکمیل دوره A Guide To Completing the Course

دریافت داده ها Getting the Data

  • دانلود داده ها Downloading the Data

  • دانلود همه داده ها Downloading all of the Data

  • ذخیره داده ها به صورت محلی Saving the Data Locally

پاکسازی و تبدیل داده ها Data Cleaning and Transformation

  • انتخاب ستون های صحیح Selecting the Correct Columns

  • به روز رسانی عملکرد Run Updating the Run Function

  • به روز رسانی نام مناطق Updating Area Names

  • مجموع مناطق تکراری Aggregate Repeating Areas

  • انتقال داده ها به سری های زمانی Transposing the Data to Time Series

  • یافتن و مدیریت داده های بد Finding and Handling Bad Data

  • همه مراحل را در یک کلاس کپسوله کنید Encapsulate all Steps into a Class

هموارسازی داده ها Data Smoothing

  • هموارسازی میانگین متحرک Moving Average Smoothing

  • LOWESS صاف کردن LOWESS Smoothing

  • یک تابع برای صاف کردن داده ها بسازید Build a Function to Smooth the Data

مدل های رشد نمایی و کاهش Exponential Growth and Decline Models

  • رشد و نزول تصاعدی Exponential Growth and Decline

  • یافتن پارامترهای بهینه برای مدل‌سازی مجموع موارد با حداقل مربعات scipy Finding Optimal Parameters to Model Total Cases with scipy's least_squares

  • پیش بینی داده های دیده نشده Predicting Unseen Data

  • آموزش مدل خودکار Automate Model Training

  • خودکارسازی پیش بینی های روزانه Automate Daily Predictions

  • خودکارسازی پیش بینی های تجمعی Automate Cumulative Predictions

  • ترسیم واقعی در مقابل پیش بینی Plotting Actual vs Prediction

  • هموارسازی خودکار، آموزش، پیش‌بینی و رسم Automating Smoothing, Training, Predicting, and Plotting

  • مدل های رشد نمایی پیوسته Continuous Exponential Growth Models

  • مدل سازی نزول نمایی Modeling Exponential Decline

مدل های رشد لجستیک Logistic Growth Models

  • مجانب Assymptotes

  • S-Curves S-Curves

  • آزمایش با پارامترهای تابع لجستیک Experimenting with Logistic Function Parameters

  • تخمین پارامترهای تابع لجستیک Estimating Logistic Function Parameters

  • تابع لجستیک تعمیم یافته Generalized Logistic Function

مدل سازی امواج جدید Modeling New Waves

  • داده ها را محدود کنید Limit the Data

  • تغییر عمودی تابع لجستیک تعمیم یافته Vertically Shifting the Generalized Logistic Function

  • مرزهای بالایی L Upper Bounds of L

  • خودکار کردن مرزهای پارامتر Automating Parameter Bounds

  • پیدا کردن امواج جدید Finding New Waves

  • مدل نهایی The Final Model

کپسوله سازی در کلاس ها Encapsulation into Classes

  • کلاس CasesModel The CasesModel Class

  • نمونه سازی و اجرای CasesModel Instantiating and Running CasesModel

  • پیش بینی مرگ و میر با استفاده از نسبت مرگ و میر مورد Predict Deaths using Case Fatality Ratio

  • کلاس DeathsModel The DeathsModel Class

  • Instantiating and Running DeathsModel Instantiating and Running DeathsModel

  • ایجاد جداول نهایی برای داشبورد Creating Final Tables for the Dashboard

  • جدول خلاصه تاریخ فعلی را ایجاد کنید Create Summary Table of Current Date

  • کد در ماژول ها Code within the Modules

اجرای تمام کدها Running all of the Code

  • توضیح update.py Explaining update.py

  • در حال اجرای update.py Executing update.py

تجسم با Plotly Visualization with Plotly

  • معرفی پلاتلی Intro to Plotly

  • کشف خواص ردیابی Discovering Trace Properties

  • به روز رسانی Layout Updating the Layout

  • ایجاد یک شکل با ردیابی های متعدد Creating a Figure with Multiple Traces

  • ترسیم خودکار یک منطقه Automate Plotting of an Area

  • ایجاد طرح های فرعی Creating Subplots

  • اضافه کردن حاشیه نویسی Adding Annotations

  • نقشه های کوروپلث Choropleth Maps

  • خلاصه داستان Plotly Summary

مقدمه ای بر HTML و CSS Intro to HTML and CSS

  • عناصر HTML HTML Elements

  • نوشتن HTML در نوت بوک Writing HTML in the Notebook

  • عنصر لنگر The Anchor Element

  • عنصر تصویر The Image Element

  • لیست های نامرتب و مرتب و موارد فهرست Unordered and Ordered Lists and List Items

  • عنصر جدول The Table Element

  • تقسیم منطقی عنصر محتوا Logical Division of Content Element

  • نحو HTML HTML Syntax

  • بلاک در مقابل عناصر درون خطی Block vs Inline Elements

  • استایل دهی با CSS Styling with CSS

  • واحدهای فاصله CSS CSS Distance Units

  • حاشیه های عنصر Element Margins

  • تغییر صفحه نمایش از Block به Inline Changing Display from Block to Inline

  • انتخاب عناصر بر اساس کلاس و شناسه Selecting Elements by class and id

  • اصطلاحات ظرف-اقلام Container-Item Terminology

  • طرح بندی Flexbox The Flexbox Layout

  • طرح بندی شبکه ای The Grid Layout

ساخت داشبورد با داش Building the Dashboard with Dash

  • بخش هایی از یک برنامه Dash Parts of a Dash Application

  • یک داشبورد کمینه A Minimal Dashboard

  • عناصر HTML در Dash HTML Elements in Dash

  • افزودن CSS Adding CSS

  • ایجاد جدول داده ها Creating a Data Table

  • ایجاد برگه ها Creating Tabs

  • بازآفرینی تمام فیگورهای Plotly Recreating all Plotly Figures

  • اضافه کردن فیگورهای Plotly به داشبورد Adding Plotly Figures to the Dashboard

  • اضافه کردن نقشه ها به داشبورد Adding Maps to the Dashboard

  • اضافه کردن دکمه های رادیویی در بالای نقشه Adding Radio Buttons Above the Map

  • تعامل با استفاده از پاسخ به تماس Interactivity Using Callbacks

  • پاسخ به تماس واحد برای به روز رسانی داده های جهان و ایالات متحده Single Callback for Updating both World and USA Data

  • برگشت به تماس برای تغییر نقشه Callback to Change the Map

  • داشبورد کامل شد Dashboard Complete

  • راه اندازی داشبورد در حین اجرای نوت بوک Launching the Dashboard while Notebook Running

  • باز کردن dashboard.py Opening dashboard.py

  • نظرات در dashboard.py Comments in dashboard.py

  • واردات و نمونه سازی Imports and Instantiation

  • متغیرهای جهانی و خواندن در داده ها Global Variables and Reading in the Data

  • توابع ایجاد جداول و نمودارها Functions to Create Tables and Graphs

  • ایجاد نوار ناوبری Creating the Navigation Bar

  • ایجاد هدر داشبورد Creating the Dashboard Headers

  • ایجاد برگه ها و جداول Creating the Tabs and Tables

  • ایجاد اجزای نمودار Creating the Graph Components

  • ایجاد نقشه و دکمه های رادیویی Creating the Map and Radio Buttons

  • ایجاد کارت ها Creating the Cards

  • ایجاد کانتینرها Creating the Containers

  • اضافه کردن تماس ها Adding the Callbacks

  • داشبورد کامل شد Dashboard Complete

  • باز کردن فایل CSS Opening the CSS File

  • متغیرهای CSS CSS Variables

  • اطلاعات برتر و CSS کانتینر Top Info and Container CSS

  • Grid Container CSS Grid Container CSS

  • CSS ناحیه شبکه Grid Area CSS

  • دکمه رادیویی CSS Radio Button CSS

  • تب CSS Tab CSS

  • CSS کارت جانبی Side Card CSS

  • CSS برای صفحه نمایش های کوچکتر CSS for Smaller Screens

  • خلاصه خط تیره Dash Summary

گسترش Deployment

  • یک وب سرور چیست What is a Web Server

  • شروع کار با Python Anywhere Getting Started with Python Anywhere

  • داشبورد Python Anywhere The Python Anywhere Dashboard

  • ایجاد وب اپلیکیشن جدید Create New Web App

  • فایل ها را آپلود کنید Upload the Files

  • دایرکتوری کاری را تغییر دهید Change the Working Directory

  • فایل WSGI را تغییر دهید Modify WSGI File

  • کنسول را باز کنید Open Console

  • dash_bootstrap_components را نصب کنید Install dash_bootstrap_components

  • statsmodels را نصب کنید Install statsmodels

  • بررسی کنید داشبورد فعال و فعال باشد Verify Dashboard is Up and Running

  • Daily Task را برای اجرای update.py ایجاد کنید Create Daily Task to Run update.py

  • فایل های گزارش Log Files

  • استقرار Python Anywhere کامل شد Python Anywhere Deployment Complete

  • استقرار در اوبونتو با Vultr Deploying on Ubuntu with Vultr

  • سرور اوبونتو را راه اندازی کنید Launch Ubuntu Server

  • برای استفاده از IPv4، نمونه را ارتقا دهید Upgrade Instance to use IPv4

  • PuTTY (ویندوز) را نصب کنید Install PuTTY (Windows)

  • SSH به سرور (ویندوز) SSH into Server (Windows)

  • SSH به سرور (مک و لینوکس) SSH into Server (Mac and Linux)

  • به روز رسانی و ارتقاء با apt Updating and Upgrading with apt

  • ZSH را نصب کنید Install ZSH

  • pip و venv را نصب کنید Install pip and venv

  • NginX را نصب کنید Install NginX

  • دایرکتوری پروژه ایجاد کنید Create Project Directory

  • انتقال فایل های پروژه به سرور (ویندوز) Transfer project files to server (Windows)

  • انتقال فایل های پروژه به سرور (مک و لینوکس) Transfer project files to server (Mac and Linux)

  • ایجاد محیط مجازی Create Virtual Environment

  • نیازمندی ها را نصب کنید Install Requirements

  • پیکربندی Gunicorn با systemd Configuring Gunicorn with systemd

  • NginX را برای ارتباط با Gunicorn پیکربندی کنید Configure NginX to Communicate with Gunicorn

  • دسترسی به فایل های گزارش با journalctl Accessing Log Files with journalctl

  • به روز رسانی خودکار روزانه با Cron Job Automatic Daily Updates with a Cron Job

  • استقرار کامل شد Deployment Complete

نمایش نظرات

آموزش یک داشبورد تجزیه و تحلیل داده های تعاملی با پایتون بسازید
جزییات دوره
12 hours
153
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,677
4.8 از 5
دارد
دارد
دارد
Ted Petrou
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Ted Petrou Ted Petrou

نویسنده کتاب آشپزی پانداها، بنیانگذار Dunder Data