آموزش پایتون - تجزیه و تحلیل داده ها - پروژه های عملی دنیای واقعی
Python - Data Analytics - Real World Hands-on Projects
در این دوره، ما 8 پروژه تجزیه و تحلیل داده‌ها را آپلود کرده‌ایم که با پایتون حل شده‌اند.
اگر به‌عنوان تحلیلگر داده به‌دنبال شغلی در سطح اولیه هستید، این پروژه‌ها مفید هستند.
این پروژه ها برای انتقال شغلی به حوزه تجزیه و تحلیل داده مفید هستند.
اگر دانشجو هستید، می‌توانید از این پروژه‌ها برای ارسال در کالج/موسسه استفاده کنید.
کد منبع و فایل‌های مجموعه داده برای دانلود در دسترس هستند.
همه پروژه ها با یک توضیح بسیار آسان ایجاد شده اند.
ما عمدتاً از کتابخانه محبوب پاندای پایتون برای حل این پروژه‌ها استفاده کرده‌ایم.
لطفاً برای جزئیات بیشتر، توضیحات هر سخنرانی ویدیویی را مرور کنید.
پروژه ها عبارتند از:
پروژه 1 - تجزیه و تحلیل داده های آب و هوا
پروژه 2 - تجزیه و تحلیل داده خودروها
پروژه 3 - تجزیه و تحلیل داده های پلیس
پروژه 4 - تجزیه و تحلیل داده های کووید
پروژه 5 - تجزیه و تحلیل داده های مسکن لندن
پروژه 6 - تجزیه و تحلیل داده های سرشماری
پروژه 7 - تجزیه و تحلیل داده های Udemy
پروژه 8 - تجزیه و تحلیل داده های Netflix
چند نمونه از دستورات مورد استفاده در این پروژه ها عبارتند از:
دستوراتی که در این پروژه استفاده کردیم:
* head() - N ردیف اول در داده ها را نشان می دهد (به طور پیش فرض N=5).
* شکل - تعداد کل را نشان می دهد. از ردیف و نه. از ستون های چارچوب داده
* index - این ویژگی نمایه چارچوب داده را ارائه می دهد
* ستونها - نام هر ستون را نشان می دهد
* dtypes - نوع داده هر ستون را نشان می دهد
* unique() - در یک ستون، تمام مقادیر منحصر به فرد را نشان می دهد. می توان آن را فقط روی یک ستون اعمال کرد، نه در کل دیتافریم.
* nunique() - شماره کل را نشان می دهد. مقادیر منحصر به فرد در هر ستون می توان آن را روی یک ستون و همچنین در کل دیتافریم اعمال کرد.
* شمارش - تعداد کل را نشان می دهد. مقادیر غیر تهی در هر ستون. می توان آن را روی یک ستون و همچنین در کل دیتافریم اعمال کرد.
* value_counts - در یک ستون، تمام مقادیر منحصر به فرد را با تعداد آنها نشان می دهد. می توان آن را فقط روی یک ستون اعمال کرد.
* info() - اطلاعات اولیه را در مورد چارچوب داده ارائه می دهد.* اندازه - برای نمایش تعداد کل مقادیر(عناصر) در مجموعه داده.
* duplicate( ) - برای بررسی ردیف‌ها و شناسایی ردیف‌های تکراری.
* isnull( ) - برای نشان دادن محل وجود مقدار Null.
* dropna( ) - سطرهایی را که حاوی تمام مقادیر از دست رفته هستند حذف می کند.
* isin( ) - برای نمایش تمام رکوردها از جمله عناصر خاص.
* str.contains( ) - برای دریافت تمام رکوردهایی که دارای یک رشته معین هستند.
* str.split( ) - رشته ستون را به ستون های مختلف تقسیم می کند.
* to_datetime( ) - نوع داده ستون Date-Time را به datatime[ns] تبدیل می کند.
* dt.year.value_counts( ) - وقوع همه سالهای فردی را در ستون Time شمارش می کند.
* groupby( ) - Groupby برای تقسیم داده ها به گروه ها بر اساس برخی معیارها استفاده می شود.
* sns.countplot(df['Col_name']) - برای نمایش تعداد تمام مقادیر منحصر به فرد هر ستون به شکل نمودار میله ای.
* max( ), min( ) - حداکثر/حداقل مقدار سری را نشان می دهد.
* mean( ) - مقدار میانگین سری را نشان می دهد.
تجزیه و تحلیل داده ها با پایتون Data Analysis with Python
-
پروژه 1: تجزیه و تحلیل داده های آب و هوا Project 1 : Weather Data Analysis
-
پروژه 1: تجزیه و تحلیل داده های آب و هوا Project 1 : Weather Data Analysis
-
پروژه 2: تجزیه و تحلیل داده های اتومبیل Project 2 : Cars Data Analysis
-
پروژه 2: تجزیه و تحلیل داده های اتومبیل Project 2 : Cars Data Analysis
-
پروژه 3: تجزیه و تحلیل داده های پلیس Project 3 : Police Data Analysis
-
پروژه 3: تجزیه و تحلیل داده های پلیس Project 3 : Police Data Analysis
-
پروژه 4: تجزیه و تحلیل داده های Covid-19 Project 4 : Covid-19 Data Analysis
-
پروژه 4: تجزیه و تحلیل داده های Covid-19 Project 4 : Covid-19 Data Analysis
-
پروژه 5: تجزیه و تحلیل داده های مسکن لندن Project 5 : London Housing Data Analysis
-
پروژه 5: تجزیه و تحلیل داده های مسکن لندن Project 5 : London Housing Data Analysis
-
پروژه 6: تجزیه و تحلیل داده های سرشماری Project 6 : Census Data Analysis
-
پروژه 6: تجزیه و تحلیل داده های سرشماری Project 6 : Census Data Analysis
-
پروژه 7: تجزیه و تحلیل داده های Udemy Project 7 : Udemy Data Analysis
-
پروژه 7: تجزیه و تحلیل داده های Udemy Project 7 : Udemy Data Analysis
-
پروژه 8: تجزیه و تحلیل داده های نتفلیکس Project 8 : Netflix Data Analysis
-
پروژه 8: تجزیه و تحلیل داده های نتفلیکس Project 8 : Netflix Data Analysis
نمایش نظرات
نظری ارسال نشده است.
https://donyad.com/d/3f1a83
آموزش مدلسازی آماری کاربردی برای تجزیه و تحلیل داده ها در R
Applied Statistical Modeling for Data Analysis in R
راهنمای کامل شما برای تجزیه و تحلیل داده های آماری و تجسم برای کاربردهای عملی در R
![آموزش تجزیه و تحلیل داده های اکتشافی (EDA): یادگیری از طریق 500+ MCQ [2023]](https://Donyad.com/course/getimg/b766f5b9-3120-49b5-8abd-39fd41d39564.jpg "آموزش تجزیه و تحلیل داده های اکتشافی (EDA): یادگیری از طریق 500+ MCQ [2023]")
آموزش تجزیه و تحلیل داده های اکتشافی (EDA): یادگیری از طریق 500+ MCQ [2023]
Exploratory Data Analysis (EDA) : Learn via 500+ MCQs [2023]
تجزیه و تحلیل داده های اکتشافی (EDA) ارزیابی عمیق به Master EDA | آموزش EDA را با بیش از 500 MCQ عمیق کامل کنید
آموزش یادگیری عمیق: شبکه های عصبی در پایتون با استفاده از مطالعات موردی
Deep Learning: Neural Networks in Python using Case Studies
بیاموزید که چگونه یک شبکه عصبی از بلوک های ساختمانی اولیه با استفاده از پایتون ساخته می شود
آموزش یادگیری هوش مصنوعی و یادگیری ماشینی
Learn Artificial Intelligence And Machine Learning
با کار بر روی تست های عملی عملی، با یادگیری ماشینی و هوش مصنوعی به خوبی آشنا شوید
Data Science Lovers
تحلیلگر ارشد داده
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.