آموزش تجزیه و تحلیل داده ها و یادگیری ماشین با پایتون

سرفصل ها و درس ها

معرفی Introduction

• بررسی اجمالی دوره و اهداف آموزشی Overview of the course and learning objectives

• نصب VS Code Installing VS Code

• نصب آناکوندا Installing Anaconda

آشنایی با پانداها Introduction to Pandas

• نمایه سازی و برش سری و DataFrame Indexing and slicing of Series and DataFrame

• فیلتر کردن، مرتب سازی و جمع آوری داده ها Filtering, sorting, and aggregating data

• حذف داده های تکراری removing duplicate data

• رمزگذاری و عادی سازی داده ها در پانداها Data encoding and normalization in pandas

• ادغام و پیوستن به DataFrames Merging and joining DataFrames

• رسیدگی به تاریخ و زمان Handling Dates and Times

• عملیات GroupBy GroupBy operations

• میز محوری در پانداها Pivot table in Pandas

• خواندن و نوشتن داده ها از فرمت های مختلف فایل (مانند CSV، Excel، JSON) Reading and writing data from various file formats (e.g. CSV, Excel, JSON)

• محاسبه آمار خلاصه Calculating summary statistics

تجسم داده ها با Matplotlib Seaborn و Plotly Data Visualization with Matplotlib Seaborn and Plotly

• نمودارهای خط، پراکندگی، هیستوگرام و دایره در Matplotlib Line, Scatter, Histograms and Pie charts in Matplotlib

• طرح های فرعی در Matplotlib Subplots in Matplotlib

• توطئه های خط، پراکندگی و نوار در Seaborn Line, Scatter and Bar plots in Seaborn

• Pairplot، Jointplot و FacetGrid در Seaborn Pairplot, Jointplot and FacetGrid in Seaborn

• سفارشی کردن ظاهر توطئه ها در Seaborn Customizing appearance of plots in Seaborn

• نمودارهای Scatter، Bar، Histogram و Line در Plotly Scatter, Bar, Histogram and Line plots in Plotly

• طرح پراکندگی سه بعدی در پلاتلی 3D scatter plot in Plotly

معرفی Numpy Introduction to Numpy

• مبانی Numpy Numpy Basics

• تکنیک های پیشرفته Numpy Advanced Numpy techiniques

تجزیه و تحلیل داده های اکتشافی Exploratory Data Analysis

• مقدمه ای بر تحلیل داده های اکتشافی Introduction to Exploratory Data Analysis

• مطالعه موردی تحلیل داده های اکتشافی Exploratory Data Analysis Case Study

با مدل رگرسیون خطی شروع کنید Get started with Linear Regression Model

• مقدمه ای بر Gradient Descent Introduction to Gradient Descent

• توابع ضرر در رگرسیون خطی: میانگین مربعات خطا (MSE) Loss functions in linear regression: mean squared error (MSE)

• رگرسیون خطی تک متغیری با استفاده از Python و Numpy Single variable linear regression using Python and Numpy

• رگرسیون خطی متغیر چندگانه با استفاده از پایتون و Numpy Multiple variable linear regression using Python and Numpy

• مورد رگرسیون خطی با استفاده از کتابخانه Scikit-learn در پایتون Linear regression Case using Scikit-learn library in Python

مطالعه موردی: بررسی تولید ناخالص داخلی سرانه و سرمایه گذاری در آموزش Case Study: Examining GDP per capita and investment in education

• مقدمه ای بر مجموعه داده های بانک جهانی Introduction to World Bank Dataset

• پیش پردازش و تجزیه و تحلیل داده ها Data Preprocessing and Analysis

• ساخت یک مدل رگرسیون خطی - بخش 1 مجموعه داده را به قطار و آزمایش تقسیم کرد Building a linear regression model - Part 1 split dataset into train and test

• ساخت مدل رگرسیون خطی - آموزش مدل قسمت دوم Building a linear regression model - Part 2 model training

• ارزیابی عملکرد مدل با استفاده از تکنیک های تجسم Evaluating model performance using Visualization Techniques