آموزش تجزیه و تحلیل داده 2 در 1: اکسل و پایتون برای تجزیه و تحلیل داده های A-Z

Data Analysis 2 in 1: Excel & Python for A-Z Data Analysis

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: جریان کار تجزیه و تحلیل کامل داده ها را مسلط کنید. دو ابزار پرکاربرد - اکسل و پایتون را آزاد کنید. با ChatGPT خود را قدرتمند کنید. سینتکس پایتون، انواع داده ها، متغیرها و عملگرها را برای ساختن برنامه های ساده و اجرای توابع اولیه بیاموزید. برای مدیریت جریان برنامه، از حلقه ها و عبارات شرطی مانند if، elif و else استفاده کنید. یاد بگیرید که از لیست ها، دیکشنری ها، تاپل ها و مجموعه های پایتون استفاده کنید. دسترسی، تغییر و دستکاری این ساختارها را برای نیازهای مختلف برنامه نویسی بیاموزید. درک و به کارگیری تکنیک های پاکسازی و تهیه داده های خام در اکسل. یاد بگیرید که داده های گمشده، موارد دورافتاده و ناسازگاری ها را شناسایی و مدیریت کنید. از توابع و ابزار اکسل برای اعتبارسنجی و تبدیل داده ها استفاده کنید. مفاهیم اساسی آماری و کاربرد آنها در اکسل را بررسی کنید. آموزش انجام آمار توصیفی، آمار استنباطی و آزمون فرضیه ها با استفاده از توابع و ابزار اکسل. درک چگونگی تفسیر و ارتباط موثر نتایج آماری. طراحی و ساخت داشبوردهای تعاملی در اکسل برای تجسم موثر داده ها. استفاده از PivotTables، PivotCharts و Slicer ها را برای ایجاد داشبوردهای پویا و کاربرپسند یاد بگیرید. تکنیک های مختلف تجسم داده های موجود در اکسل، از جمله نمودارها، نمودارها را کاوش کنید. روش تجزیه و تحلیل داده ها، از تمیز کردن داده ها تا آزمایش فرضیه ها را در برنامه های کاربردی دنیای واقعی بیاموزید و به کار ببرید. تفکر انتقادی و مهارت های حل مسئله خود را برای تجزیه و تحلیل داده ها، تصمیم گیری و توصیه ها افزایش دهید. از شمارش ارزش، درصد، گروه بر اساس، جداول محوری، همبستگی و رگرسیون به صورت حرفه ای و واقع بینانه استفاده کنید. بیش از 60 سوال تحلیلی داده های دنیای واقعی را حل کنید تا بتوانید تجزیه و تحلیل داده ها را در شرایط مختلف تمرین کنید. بر کاربرد عملی برای به دست آوردن بینش های ارزشمند از داده ها و ایجاد قضاوت ها و پیشنهادات آگاهانه تأکید کنید. پیش نیازها:Microsoft Excel بدون نیاز به تجربه کدنویسی میل به یادگیری است

فصل 1: مقدمه

به دوره جامع و پویا، "تحلیل داده 2 در 1: Excel Python برای تجزیه و تحلیل داده های A-Z" خوش آمدید. این برنامه با دقت طراحی شده برای توانمندسازی زبان آموزان با مجموعه مهارت های همه کاره طراحی شده است که شامل قابلیت های کارآمد دستکاری داده ها در اکسل، مقیاس پذیری و انعطاف پذیری کدنویسی پایتون و کمک کدنویسی بصری از ChatGPT است. همانطور که تکنولوژی همچنان در حال تکامل است، مهارت در ابزارهای متعدد ضروری می شود. هدف این دوره ارائه یک درک جامع از گردش کار تجزیه و تحلیل داده است، و تضمین می کند که یادگیرندگان می توانند به طور یکپارچه از اکسل به پایتون منتقل شوند، در حالی که هوش مصنوعی را برای تجربه کدنویسی پیشرفته اضافه می کند.


فصل 2: ​​تسلط بر اکسل

این دوره با یک فرو رفتن عمیق در اکسل آغاز می شود و به شما آموزش می دهد که از ویژگی های قدرتمند آن برای تمیز کردن، تبدیل و تجسم داده ها استفاده کنید. از مدیریت داده‌ها و اطلاعات پرت گرفته تا استفاده از توابع و ابزارهای پیشرفته اکسل برای تجزیه و تحلیل آماری، پایه محکمی در قابلیت‌های اکسل به دست خواهید آورد. تمرکز بر ایجاد داشبورد تعاملی با استفاده از PivotTables، PivotCharts و تکنیک‌های مختلف تجسم به شما این امکان را می‌دهد که بینش‌ها را به شیوه‌ای متقاعدکننده و کاربرپسند ارائه دهید.


فصل 3: مبانی پایتون و فراتر از آن

با تکیه بر مهارت های اکسل شما، این دوره اصول برنامه نویسی پایتون را معرفی می کند. سینتکس، انواع داده ها و ساختارهای کنترلی را یاد خواهید گرفت که به شما امکان می دهد برنامه های ساده بسازید. تاکید بر کاربرد عملی است - تولید، کپی/پیست کردن، تنظیم و اجرای کد با سهولت. توانایی پایتون برای مدیریت مجموعه داده‌های بزرگ آشکار می‌شود، و آن را به ابزار انتخابی برای سناریوهایی تبدیل می‌کند که محدودیت‌های اکسل در آن‌ها فراتر رفته است. این بخش تضمین می‌کند که شما در هر دو ابزار مهارت دارید و در سناریوهای تحلیل داده‌های دنیای واقعی سازگاری را فراهم می‌کند.


فصل 4: تجزیه و تحلیل آماری و تفسیر

همانطور که دوره پیشرفت می کند، به مفاهیم اساسی آماری می پردازید و آنها را با استفاده از Excel و Python به کار می برید. آمار توصیفی، آمار استنباطی و آزمون فرضیه به طور جامع پوشش داده شده است. شما نه تنها یاد خواهید گرفت که چگونه این تجزیه و تحلیل ها را انجام دهید، بلکه به طور مهمی، نحوه تفسیر و انتقال موثر نتایج را خواهید آموخت. این دانش ستون فقرات اتخاذ تصمیمات و توصیه های آگاهانه بر اساس بینش های مبتنی بر داده را تشکیل می دهد.


فصل 5: کاربرد در دنیای واقعی و حل مسئله

بخش پایانی دوره به کاربردهای دنیای واقعی اختصاص دارد. شما با بیش از 60 سوال تحلیلی داده مقابله خواهید کرد و مهارت های خود را در حل مسائل عملی تقویت خواهید کرد. شمارش ارزش، محاسبه درصد، گروه‌بندی داده‌ها و استفاده از تکنیک‌های آماری پیشرفته به ماهیت دوم تبدیل می‌شوند. تاکید بر تفکر انتقادی و حل مسئله است و این اطمینان را می دهد که نه تنها ابزارها و تکنیک ها را درک می کنید بلکه می توانید با اطمینان آنها را در شرایط مختلف به کار ببرید. با نتیجه گیری دوره، شما مجهز می شوید تا با تسلط و اطمینان کامل در جریان کار تجزیه و تحلیل داده ها حرکت کنید.


سرفصل ها و درس ها

درک مفهوم تجزیه و تحلیل داده ها Understanding the concept of data analysis

  • مقدمه ای بر تجزیه و تحلیل داده ها Introduction to data analysis

  • مراحل گردش کار تجزیه و تحلیل داده ها Steps in data analysis workflow

درک مفهوم تحلیل آماری Understanding the concept of statistical analysis

  • مقدمه ای بر تجزیه و تحلیل آماری Introduction to statistical analysis

  • جنبه های مختلف آزمون فرضیه Various aspects of hypothesis testing

  • گردش کار آزمایش فرضیه کامل Complete hypothesis testing workflow

اکسل - پاکسازی و دستکاری داده ها Excel - Data Cleaning and Manipulation

  • مقادیر از دست رفته را شناسایی و جایگزین کنید Identify and replacing missing values

  • فایل تمرین - مقادیر از دست رفته Practice file - Missing values

  • برخورد با ارزش های ناسازگار Dealing with inconsistent values

  • فایل تمرین - مقادیر متناقض Practice file - Inconsistent values

  • برخورد با موارد پرت Dealing with outliers

  • داده های تمرین - پرت Practice data - Outliers

  • برخورد با مقادیر تکراری Dealing with duplicated values

  • داده های تمرین - مقادیر تکراری Practice data - Duplicated values

اکسل - تجزیه و تحلیل داده های اکتشافی Excel - Exploratory Data Analysis

  • بسته ابزار تجزیه و تحلیل داده اکسل را نصب کنید (در صورت لزوم) Install Excel Data Analysis Tool pack (If Necessary)

  • تجزیه و تحلیل فرکانس و درصد Frequency and percentage analysis

  • فایل تمرین - تحلیل فراوانی و درصد Practice file - Frequency and percentage analysis

  • تجزیه و تحلیل توصیفی (میانگین، استاندارد توسعه، چولگی و غیره) Descriptive analysis (mean, std. dev., skewness, etc.)

  • فایل تمرین - تحلیل توصیفی Practice file - Descriptive analysis

  • گروه بندی بر اساس تجزیه و تحلیل در جدول محوری اکسل Group by analysis in excel pivot table

  • فایل تمرین - گروه بر اساس تجزیه و تحلیل Practice file - Group by analysis

  • تجزیه و تحلیل جدول بندی متقاطع در جدول محوری اکسل Crosstabulation analysis in excel pivot table

  • فایل تمرین - تجزیه و تحلیل جدول بندی متقاطع Practice file - Crosstabulation analysis

اکسل - تجزیه و تحلیل آماری و آزمون فرضیه Excel - Statistical Analysis and Hypothesis Testing

  • آزمون تی نمونه مستقل Independent sample t-test

  • فایل تمرین - آزمون تی نمونه مستقل Practice file - Independent sample t-test

  • آزمون t نمونه جفتی Paired sample t-test

  • فایل تمرین - آزمون تی زوجی Practice file - Paired sample t-test

  • آنالیز واریانس (ANOVA) Analysis of variance (ANOVA)

  • فایل تمرین - ANOVA Practice file - ANOVA

  • تحلیل همبستگی پیرسون Pearson correlation analysis

  • فایل تمرین - تحلیل همبستگی Practice file - Correlation analysis

  • تحلیل رگرسیون خطی چندگانه Multiple linear regression analysis

  • فایل تمرین - تحلیل رگرسیون Practice file - Regression analysis

Excel - قرار دادن همه بینش ها در یک مکان Excel - Putting All Insights in One Place

  • ایجاد بوم برای داشبورد Creating canvas for dashboard

  • ایجاد داشبورد نهایی Creating the final dashboard

  • فایل تمرین - داشبورد Practice file - Dashboard

تنظیم محیط تجزیه و تحلیل داده شما Setting Up Your Data Analysis Environment

  • نصب نوت بوک پایتون و ژوپیتر Installing Python and Jupyter Notebook

  • راه اندازی محیط هوش مصنوعی: ChatGPT Setting Up The AI Environment: ChatGPT

  • مجموعه داده ها و دستورالعمل های آزمون را تمرین کنید Practice dataset and quizz instructions

پایتون - مبانی برنامه نویسی سطح 1 Python - Programming Fundamentals Level 1

  • اولین کد پایتون شما: شروع به کار Your First Python Code: Getting Started

  • اولین کد شما Your first code.

  • متغیرها و قراردادهای نامگذاری Variables and naming conventions

  • کار با متغیرها Working with variables

  • انواع داده ها: اعداد صحیح، شناور، رشته ها، بولی Data types: integers, float, strings, boolean

  • تبدیل نوع و ریخته گری Type conversion and casting

  • برخورد با انواع داده ها Dealing with data types

  • عملگرهای حسابی (+، -، *،/، ٪ **) Arithmetic operators (+, -, *, /, %, **)

  • عملیات حسابی Arithmetic operations

  • عملگرهای مقایسه (>، =، <=، ==، !=) Comparison operators (>, =, <=, ==, !=)

  • عملیات مقایسه Comparison operations

  • عملگرهای منطقی (و، یا، نه) Logical operators (and, or, not)

  • عملیات منطقی Logical operations

  • مبانی برنامه نویسی پایتون – سطح 1 Python Programming Basics – Level 1

پایتون - مبانی برنامه نویسی سطح 2 Python - Programming Fundamentals Level 2

  • لیست ها: ایجاد، نمایه سازی، برش، اصلاح Lists: creation, indexing, slicing, modifying

  • ایجاد و برش لیست Creating and slicing list

  • مجموعه ها: عناصر منحصر به فرد، عملیات Sets: unique elements, operations

  • کار با مجموعه ها Operating with sets

  • واژه‌نامه‌ها: جفت‌های کلید-مقدار، روش‌ها Dictionaries: key-value pairs, methods

  • پرداختن به فرهنگ لغت Dealing with dictionaries

  • عبارات شرطی (if, elif, else) Conditional statements (if, elif, else)

  • کار تحت شرایط Working under conditions

  • عبارات منطقی در شرایط Logical expressions in conditions

  • شرط با بیان منطقی Condition with logical expression

  • ساختارهای حلقه ای (برای حلقه ها، حلقه های while) Looping structures (for loops, while loops)

  • کار با ساختار حلقه ای Working with looping structure

  • تعریف، ایجاد و فراخوانی توابع Defining, Creating and Calling functions

  • کار با توابع Working with functions

  • مبانی برنامه نویسی پایتون – سطح 2 Python Programming Basics – Level 2

پایتون - پاک کردن داده ها از ابتدا Python - Cleaning Data from Scratch

  • وارد کردن مجموعه داده به نوت بوک Jupyter Importing dataset into Jupyter Notebook

  • وارد کردن مقادیر گمشده با SimpleImputer Imputing missing values with SimpleImputer

  • شناسایی تعداد مقادیر از دست رفته Identifying number of missing values

  • مقابله با ارزش های گمشده Dealing with missing values

  • یافتن و برخورد با داده های متناقض Finding and dealing with inconsistent data

  • برخورد با داده های متناقض Dealing with inconsistent data

  • مجموعه داده صحیح را شناسایی و اختصاص دهید Identify and assign correct dataset

  • برخورد با انواع داده ها Dealing with data types

  • برخورد با مقادیر تکراری Dealing with duplicate values

  • حذف مقادیر تکراری Removing duplicated values

  • پاکسازی داده ها در پایتون Data Cleaning in Python

پایتون - روش های مختلف دستکاری داده ها Python - Various Data Manipulation Methods

  • مرتب سازی و مرتب سازی مجموعه داده ها Sorting and arranging dataset

  • مرتب سازی و مرتب سازی داده ها Sorting and arranging data

  • فیلتر کردن مشروط مجموعه داده Conditional Filtering of dataset

  • فیلتر مشروط Conditional filtering

  • ادغام داده های اضافی با مجموعه داده Merging extra data with the dataset

  • ادغام مجموعه داده ها Merging datasets

  • الحاق متغیرها در مجموعه داده Concatenating variables within dataset

  • به هم پیوستن مجموعه داده ها Concatenating datasets

  • دستکاری داده ها در پایتون Data Manipulation in Python

پایتون - تجزیه و تحلیل داده های اکتشافی Python - Exploratory Data Analysis

  • تجزیه و تحلیل داده های اکتشافی چیست؟ What is exploratory data analysis?

  • تجزیه و تحلیل فرکانس و درصد Frequency and percentage analysis

  • تجزیه و تحلیل فرکانس و درصد را انجام دهید Perform frequency and percentage analysis

  • تجزیه و تحلیل توصیفی برای داده های عددی Descriptive analysis for numeric data

  • تحلیل توصیفی انجام دهید Perform descriptive analysis

  • تجزیه و تحلیل گروه بندی - اندازه گیری عددی با داده های اسمی Grouping analysis - numeric measure by nominal data

  • انجام گروه با تجزیه و تحلیل Perform group by analysis

  • جدول محوری - جدولی از بینش ها Pivot table - a tabulation of insights

  • تجزیه و تحلیل جدول محوری را انجام دهید Perform pivot table analysis

  • جدول بندی متقاطع - داده های دسته بندی v/s دسته بندی شده Crosstabulation - categorical v/s categorical data

  • تجزیه و تحلیل جدول بندی متقاطع را انجام دهید Perform crosstabulation analysis

  • همبستگی - داده های عددی عددی v/s Correlation - numeric v/s numeric data

  • تحلیل همبستگی را انجام دهید Perform correlation analysis

  • تجزیه و تحلیل داده های اکتشافی در پایتون Exploratory data analysis in Python

پایتون - تبدیل داده ها به توزیع عادی Python - Transforming Data into Normal Distribution

  • نرمال بودن داده های عددی را تست کنید Test normality of numeric data

  • روش تبدیل ریشه مربع Square root transformation method

  • تبدیل ریشه مربع Square root transformation

  • روش تبدیل لگاریتمی Logarithm transformation method

  • تبدیل لگاریتمی Logarithmic transformation

  • روش تبدیل Boxcox Boxcox transformation method

  • تبدیل جعبه-کاکس Box-cox transformation

  • روش تبدیل یئو جانسون Yeo-johnson transformation method

  • تحول یئو جانسون Yeo-johnson transformation

  • تبدیل داده ها در پایتون Data Transformation in Python

پایتون - تجزیه و تحلیل آماری و آزمایش فرضیه Python - Statistical Analysis and Hypothesis Testing

  • یک نمونه آزمون تی One sample T-test

  • یک نمونه آزمون تی One sample t-test

  • آزمون تی نمونه مستقل Independent sample T-test

  • آزمون تی نمونه مستقل Independent sample t-test

  • تجزیه و تحلیل واریانس یک طرفه (ANOVA) One way analysis of variance (ANOVA)

  • ANOVA یک طرفه One way ANOVA

  • آزمون کای دو برای استقلال Chi-square test for independence

  • آزمون کای دو برای استقلال Chi-square test for independence

  • تحلیل همبستگی پیرسون Pearson correlation analysis

  • آزمون همبستگی پیرسون Pearson correlation test

  • تحلیل رگرسیون خطی Linear regression analysis

  • تست و تحلیل فرضیه در پایتون Hypothesis Testing and Analysis in Python

پروژه نهایی Final Project

  • تجزیه و تحلیل عملکرد فروش و رفتار مشتری Analysis of Sales Performance and Customer Behavior

بعد چه می شود؟ What's Next?

  • از پایتون در برنامه تحلیل داده های دنیای واقعی استفاده کنید Utilize Python in real-world data analysis application

نمایش نظرات

نظری ارسال نشده است.

آموزش تجزیه و تحلیل داده 2 در 1: اکسل و پایتون برای تجزیه و تحلیل داده های A-Z
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
9.5 hours
80
Udemy (یودمی) udemy-small
23 بهمن 1402 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
1,064
5 از 5
دارد
دارد
دارد
Md Shahriar

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Md Shahriar Md Shahriar

تحلیلگر داده (فریلنسر) و مدرس در Udemy

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.