آموزش راهنمای کامل کاربردهای علم داده با استریم‌لیت - آخرین آپدیت

دانلود Complete Guide to Data Science Applications with Streamlit

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

ساخت و استقرار اپلیکیشن‌های علم داده با پایتون

آموزش جامع ساخت اپلیکیشن‌های داده با Streamlit

تحلیل داده‌ها و ساخت مدل‌های یادگیری ماشین تنها یک بخش از کار است. بسته‌بندی این تحلیل‌ها و مدل‌ها به گونه‌ای که قابل اشتراک‌گذاری باشند، چالشی متفاوت است.

این دوره آموزشی به سریع‌ترین و آسان‌ترین روش ساخت و اشتراک‌گذاری اپلیکیشن‌های داده با استفاده از Streamlit می‌پردازد. برای این منظور، نیازی به هیچ‌گونه تجربه قبلی در ساخت اپلیکیشن‌های فرانت‌اند ندارید. در این دوره به مباحث زیر خواهید پرداخت:

  • آموزش سریع پایتون (Python Crash Course)

  • آموزش سریع NumPy

  • معرفی Streamlit

  • یکپارچه‌سازی Matplotlib و Seaborn در Streamlit

  • استفاده از Altair و Vega-Lite در Streamlit

  • آشنایی با تمام ویجت‌های Streamlit

  • آپلود و پردازش فایل‌ها

  • ساخت اپلیکیشن پردازش تصویر

  • توسعه اپلیکیشن پردازش زبان طبیعی (NLP)

  • یکپارچه‌سازی نقشه‌ها با Streamlit

  • پیاده‌سازی نمودارهای Plotly

  • احراز هویت اپلیکیشن‌های شما

  • چیدمان اپلیکیشن در Streamlit

  • توسعه با کامپوننت‌های Streamlit

  • استقرار اپلیکیشن‌های داده

چرا Streamlit؟

کتابخانه‌های مختلفی برای ساخت اپلیکیشن‌های داده وجود دارند. با این حال، چرا Streamlit را باید در نظر گرفت؟

  • بدون نیاز به تجربه فرانت‌اند

  • همه چیز را با آنچه می‌دانید بنویسید - پایتون

  • به راحتی تعامل با ویجت‌هایی مانند اسلایدرها را اضافه کنید

  • استقرار سریع و آسان

  • سازگاری با اکثر چارچوب‌های علم داده

بدون نیاز به تجربه فرانت‌اند

اگر قصد داشتید با Flask یا Django یک اپلیکیشن داده بسازید، دانش ابزارهای فرانت‌اند مانند HTML، CSS و JavaScript ضروری است. اما در Streamlit، همه این کارها با استفاده از ویجت‌های Streamlit انجام می‌شود. به عنوان مثال، یک لیست کشویی به راحتی با ویجت `selectbox` قابل دستیابی است. سایر تگ‌های HTML مانند فیلدهای ورودی و دکمه‌ها نیز از طریق ویجت‌های ساده Streamlit پیاده‌سازی می‌شوند.

اسکریپت‌نویسی پایتون

هنگام ساخت اپلیکیشن‌های داده در Streamlit، هرگز ویرایشگر پایتون خود را ترک نمی‌کنید، زیرا همه چیز با پایتون اسکریپت‌نویسی می‌شود. این یک مزیت بزرگ است زیرا شما به کار با زبانی که با آن آشنایی دارید ادامه می‌دهید. در سایر چارچوب‌های پایتون، اجتناب از نوشتن کد HTML، CSS و JavaScript غیرممکن بود.

تعامل‌پذیری

افزودن تعامل به اپلیکیشن‌های Streamlit بسیار ساده است. Streamlit ویجت‌هایی را ارائه می‌دهد که می‌توان از آنها برای تعبیه تعامل در اپلیکیشن شما استفاده کرد. به عنوان مثال، می‌توان از ویجت ورودی تاریخ برای فیلتر کردن داده‌ها استفاده کرد. جعبه‌های انتخابی (Select boxes) و اسلایدرها نیز می‌توانند برای دستیابی به همین هدف به کار روند.

استقرار

اشتراک‌گذاری اپلیکیشن‌های Streamlit بسیار آسان است. به راحتی می‌توانید آن‌ها را در پلتفرم‌هایی مانند Heroku و AWS مستقر کنید. همچنین می‌توانید اپلیکیشن خود را با کلیک تنها دو دکمه در Streamlit Sharing مستقر کنید. برای این کار کافی است درخواست دسترسی کنید. آدرس ایمیل گیت‌هاب شما به Streamlit Sharing متصل خواهد شد. پس از انجام این کار، می‌توانید هر پروژه Streamlit موجود در حساب گیت‌هاب خود را مستقر کنید.

سازگاری

Streamlit با محبوب‌ترین کتابخانه‌های علم داده سازگار است. به عنوان مثال، می‌توانید با ابزارهایی که قبلاً با آن‌ها کار کرده‌اید، در Streamlit ویژوال‌سازی انجام دهید. کتابخانه‌های ویژوال‌سازی پشتیبانی شده عبارتند از:

  • Matplotlib

  • Seaborn

  • Altair

  • Plotly

  • Bokeh

قطعاً قبل از ویژوال‌سازی نتایج، نیاز به پاکسازی و پردازش داده‌ها دارید. Pandas و NumPy پشتیبانی می‌شوند تا بتوانید این کار را انجام دهید.

هنگامی که صحبت از یادگیری ماشین می‌شود، می‌توانید مدل‌های ساخته شده با کتابخانه‌های محبوب که قبلاً با آن‌ها آشنا هستید را مستقر کنید. این به دلیل پشتیبانی آماده از Keras، TensorFlow و PyTorch است.

کامپوننت‌های Streamlit

در صورتی که به تابعی نیاز دارید که Streamlit در ابتدا پشتیبانی نمی‌کند، اولین جایی که باید جستجو کنید صفحه کامپوننت‌های Streamlit است. کامپوننت‌های Streamlit تابعی‌های شخص ثالثی هستند که توسط جامعه کاربری ساخته شده‌اند. این کامپوننت‌ها را می‌توان از طریق pip نصب کرد و بلافاصله در پروژه خود استفاده نمود.

کامپوننت‌های Streamlit

نکته جالب این است که شما می‌توانید کامپوننت‌های خود را بنویسید و آن‌ها را با جامعه کاربری به اشتراک بگذارید.

در پایان دوره، چندین اپلیکیشن خواهید ساخت که می‌توانید آن‌ها را به مجموعه کارهای علم داده خود اضافه کنید. همچنین مهارت جدیدی به رزومه خود اضافه خواهید کرد.

این دوره همچنین دارای ضمانت بازگشت وجه ۳۰ روزه است. هم‌اکنون ثبت‌نام کنید و اگر دوره را دوست نداشتید، بدون سوال پول خود را پس خواهید گرفت.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • مقدمه ای بر Streamlit Introduction to Streamlit

  • دانلود تمام فایل ها Download all the files

  • تمرین Assignment

دوره فشرده پایتون Python Crash Course

  • معرفی بخش Section Intro

  • نصب Anaconda Install Anaconda

  • فرآیند علم داده The Data Science Process

  • عملیات پایتون و کامنت گذاری Python operations & Comments

  • انواع داده در پایتون Python Types

  • لیست ها و اندیس گذاری Lists and Indexing

  • لیست - اندیس گذاری منفی List - Negative Indexing

  • دیکشنری های پایتون Python Dictionaries

  • تاپل های پایتون Python Tuples

  • مجموعه های پایتون Python Sets

  • عملگرهای بولی پایتون Python Boolean Operators

  • دستورات شرطی Conditional Statements

  • توابع پایتون Python Functions

  • حلقه For در پایتون Python For Loop

  • حلقه While در پایتون Python While Loop

  • تابع Map در پایتون Python Map Function

  • تابع Range در پایتون Python Range Function

  • تمرین پایتون Python Exercise

  • راه حل تمرین پایتون Python Solutions

مدیریت بسته در پایتون Package Management in Python

  • معرفی بخش Section Intro

  • محیط مجازی Virtual Environment

  • کاربرد Pip Pip Practical

  • نصب بسته Anaconda Anaconda Package Installation

دوره فشرده NumPy NumPy Crash Course

  • مقدمه NumPy NumPy Introduction

  • صفرها، یک ها و Linspace در NumPy NumPy Zeros, Ones, and Linspace

  • بررسی مستندات NumPy Checking NumPy Documentation

  • اندیس گذاری یک بعدی One Dimensional Indexing

  • اندیس گذاری چند بعدی Multi Dimensional Indexing

  • Broadcasting در NumPy Broadcasting in NumPy

  • عملیات در NumPy Operations in NumPy

  • تمرین NumPy NumPy Exercise

  • راه حل تمرین NumPy NumPy Solutions

دوره فشرده Pandas Pandas Crash Course

  • معرفی بخش Section Intro

  • مقدمه ای بر Pandas Introduction to Pandas

  • DataFrames در Pandas Pandas DataFrames

  • بازنشانی اندیس Resetting the Index

  • حذف ستون ها Dropping Columns

  • مدیریت مقادیر Null Dealing with Null Values

  • ایجاد ستون های جدید Creating New Columns

  • انتخاب در Pandas Selecting in Pandas

  • گروه بندی داده ها Grouping Data

  • خروجی گرفتن از DataFrames Exporting Data Frames

  • بارگذاری داده ها Loading Data

  • جداول محوری Pivot Tables

  • پروژه Pandas Pandas Project

  • راه حل ها: بخش ۱ Solutions: Part 1

  • راه حل ها: بخش ۲ Solutions: Part 2

  • راه حل ها: بخش ۳ Solutions: Part 3

  • راه حل ها: بخش ۴ Solutions: Part 4

  • راه حل ها: بخش ۵ Solutions: Part 5

  • راه حل ها: بخش ۶ Solutions: Part 6

  • راه حل ها: بخش ۷ Solutions: Part 7

راهنمای بصری سازی Visualization Guide

  • راهنمای بصری سازی Visualization Guide

Matplotlib با Streamlit Matplotlib with Streamlit

  • معرفی بخش Section Intro

  • مقدمه Intro

  • مقدمه Matplotlib Matplotlib Intro

  • راه اندازی محیط Set Up Environment

  • اولین نمودار First Visual

  • Markdown Markdown

  • نمودار میله ای Bar Plot

  • ایجاد نمودار میله ای افقی Create Horizontal Bar

  • ایجاد نمودار پراکندگی Create Scatter Plot

  • هیستوگرام Histogram

  • نمودار دایره ای Pie Chart

  • ایجاد زیرنمودار Make Sub Plots

  • ایجاد چهار زیرنمودار Create Four Sub Plots

  • شکل و محورها Figure & Axes

  • چهار نمودار با شکل و محورها Four Plots With Figure & Axes

Streamlit با Seaborn Streamlit with Seaborn

  • معرفی بخش Section Intro

  • معرفی داده Data Introduction

  • معرفی اپلیکیشن App Introduction

  • ایجاد نمودار شمارش Create Count Plot

  • نمودار Stripplot و Violin Plot Stripplot & Violin Plot

  • تمرین Exercise

  • نمایش روند Show Trend

  • شکل و محورها Figure & Axes

  • ابر کلمات Word Cloud

موارد اضافه Extras

  • موارد اضافه - عنوان صفحه، فاوآیکون و غیره Extras - Page Title, Favicon etc

بارگذاری فایل File Upload

  • بارگذاری فایل File Upload

نقشه کشی Mapping

  • نقشه Map

اپلیکیشن پردازش تصویر Image Processing Application

  • معرفی بخش Section Intro

  • نمایش تصویر Show Image

  • چرخش تصویر Rotate Image

  • ایجاد تصویر بند انگشتی Create Thumbnail

  • تصویر برش خورده [شامل تمرین] Cropped Image [Exercise Included]

  • [تمرین] ادغام تصاویر [Exercise] Merging Images

  • برگرداندن تصویر Flip Image

  • تبدیل به سیاه و سفید Convert to Black & White

  • تند کردن تصویر Sharpen the Image

  • تقویت لبه ها Enhance the Edges

  • تنظیم کنتراست تصویر Contrast the Image

کامپوننت های Streamlit Streamlit Components

  • ادغام کامپوننت های Streamlit Integrate Streamlit components

احراز هویت Streamlit Streamlit Authentication

  • احراز هویت اپلیکیشن شما Authenticate your app

Plotly با Streamlit Plotly with Streamlit

  • معرفی بخش Section Intro

  • مقدمه Plotly Plotly Introduction

  • بارگذاری داده ها Load the Data

  • ایجاد نمودار دایره ای - نمودار دسته بندی Create Pie Chart - Categorical Plot

  • ایجاد نمودار دونات Create Donut Chart

  • ایجاد نمودار پراکندگی Create Scatter Plot

  • نمودار پراکندگی با ستون ها Scatter with Columns

  • نمایش روند Show the Trend

  • ایجاد نمودار میله ای Create Bar chart

  • نمودار میله ای انباشته Stack the Bar Chart

  • ایجاد انیمیشن ها Create Animations

  • ایجاد زیرنمودار Make Subplots

Streamlit با Altair Streamlit with Altair

  • مقدمه Altair Altair Introduction

  • Vega Lite Vega Lite

  • نمودار پراکندگی Vega Lite Vega Lite Scatter Plot

  • ایجاد نمودار خطی Altair Create Altair Line Chart

  • ایجاد نمودار خطی Altair Create Altair Line Plot

  • ایجاد نمودار پراکندگی Altair Create Altair Scatter Plot

  • ایجاد نمودار مساحت Altair Create Altair Area Chart

  • ایجاد ماتریس پراکندگی Altair Create Altair Scatter Matrix

  • نمودار پراکندگی با لینک [تمرین] 8Scatter with Links [ Exercise]

  • ایجاد نقشه حرارتی Altair [تمرین] Create Altair Heatmap [Exercise]

  • ایجاد نمودار میله ای افقی Altair [تمرین] Create Horizontal Altair Bar Plot [Exercise]

  • تنظیم تم Set Theme

  • ساخت نمودار میله ای گروه بندی شده Altair Build an Altair Grouped Bar Chart

  • نمودار میله ای انباشته Altair [تمرین] Stack the Altair Bar Chart [Exercise]

  • نمودار میله ای انباشته نرمال شده [تمرین] Normalized Stacked Bar Chart [Exercise

  • افزودن متن به نمودار Add Text to the Chart

  • افزودن نمودار جعبه ای Altair Add Altair Boxplot

  • ایجاد راهنمای تعاملی در Altair Create an Interactive Legend in Altair

  • ترکیب نمودارها Concatenate Charts

  • ایجاد محور Y دوگانه در Altair Create Dual Y Axis in Altair

  • ترکیب افقی [تمرین] Horizontal Concatenation [Exercise]

  • ترکیب عمودی [تمرین] Vertical Concatenation [Exercise]

  • نمودار تعاملی Interactive Chart

چیدمان Streamlit Streamlit Layout

  • چیدمان اپلیکیشن شما Laying Out Your Application

افزودن تعامل در Streamlit Add Interactivity in Streamlit

  • معرفی بخش Section Intro

  • افزودن تعامل - ورودی های تاریخ Add Interactivity - Date Inputs

  • افزودن تعامل - جعبه ورودی Add Interactivity - Input Box

  • افزودن تعامل - منوی کشویی [تمرین] Add Interactivity - Drop Down [Exercise]

  • افزودن تعامل - اسلایدر انتخاب [تمرین] Add Interactivity - Select Slider [Exercise]

  • افزودن تعامل - جعبه انتخاب 4 Add Interactivity - Select Box

  • افزودن تعامل - دکمه Add Interactivity - Button

پردازش زبان طبیعی Natural Language Processing

  • معرفی بخش Section Intro

  • تحلیل احساسات Sentiment Analysis

  • ایجاد یک اپلیکیشن پرسش و پاسخ Create a Question Answering App

  • تولید متن [تمرین] Generate Text [Exercise]

  • تشخیص موجودیت نام گذاری شده [تمرین] Named Entity Recognition[Exercise]

  • خلاصه کردن متن Summarize Text

  • ترجمه متن [تمرین] Translate Text [Exercise]

استقرار اپلیکیشن Streamlit Deploy Streamlit Application

  • معرفی بخش Section Intro

  • اشتراک گذاری Streamlit Streamlit Sharing

  • Heroku Heroku

تبریک و جایزه Congratulations & Bonus

  • درس جایزه Bonus Lecture

  • جایزه: نوشتن درباره علم داده Bonus: Writing about Data Science

نمایش نظرات

آموزش راهنمای کامل کاربردهای علم داده با استریم‌لیت
جزییات دوره
9.5 hours
152
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
819
4.6 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Derrick Mwiti Derrick Mwiti

دانشمند داده | نویسنده | مربی

Namespace Labs Namespace Labs

مدرس علوم داده