کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش پایتون برای تجسم داده ها - راهنمای مبتدی [ویدئو]

Python for Data Visualization - A Beginner's Guide [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: تجسم داده های مبتنی بر پایتون از زبان برنامه نویسی پایتون و کتابخانه های آن برای تبدیل داده ها به نمایش های بصری مانند نمودارها، نمودارها و داشبوردهای تعاملی استفاده می کند. کتابخانه‌های پایتون، از جمله Matplotlib، Seaborn، Plotly و Bokeh، انواع طرح‌های قابل تنظیم و ویژگی‌های تعاملی را برای ساختن روایت‌های بصری جذاب ارائه می‌دهند. پایتون از طریق داستان‌گویی و سفارشی‌سازی داده‌ها، بینش‌های خود را به اشتراک می‌گذارد و به طور مؤثر با آنها ارتباط برقرار می‌کند، و آن را به یک مهارت ضروری برای هر کسی که با داده کار می‌کند تبدیل می‌کند. در این دوره، با درک اهمیت تجسم داده ها و کاوش در کتابخانه های ضروری پایتون مانند Matplotlib، Seaborn و Plotly شروع می کنیم. شما یاد خواهید گرفت که تجسم ها را سفارشی کنید و تقویت کنید، رنگ ها، برچسب ها و افسانه ها را تنظیم کنید و اصول داستان سرایی داده های موثر را درک کنید. این دوره به موضوعات پیشرفته ای مانند ایجاد داشبوردهای تعاملی و نمودارهای داده پویا می پردازد. ما روی پروژه‌های عملی و نمونه‌های دنیای واقعی کار خواهیم کرد تا ما را با مهارت تبدیل داده‌های خام به تصاویری آموزنده با استفاده از پایتون مجهز کنیم. پس از تکمیل، ما به تجسم داده‌های مبتنی بر پایتون از اصول اصلی تا مهارت‌های عملی، Matplotlib، Seaborn و Plotly تسلط خواهیم یافت و داده‌های خام را به تصاویری جذاب تبدیل می‌کنیم. ما ابزارهایی را برای ایجاد تصاویر بصری، انتقال بینش و تصمیم گیری مبتنی بر داده با اطمینان به دست خواهیم آورد. اهمیت/اصول تجسم موثر داده ها را درک کنید برای ایجاد تجسم های مختلف، Matplotlib، Seaborn و Plotly را بیاموزید یاد بگیرید که رنگ‌ها، برچسب‌ها و سبک‌ها را برای بهبود تصاویر بسازید تجسم داده ها را برای ایجاد روایت های قانع کننده ایجاد کنید نمایش داده های تعاملی جذاب و کاربر پسند ایجاد کنید کاوش در نقشه‌برداری داده‌های جغرافیایی و تجسم‌های مبتنی بر مکان این دوره به مخاطبان گسترده‌ای از مبتدیان بدون تجربه برنامه‌نویسی گرفته تا متخصصان داده با تجربه، برنامه‌نویسانی که به دنبال گسترش مهارت‌های خود هستند، حرفه‌ای‌های کسب‌وکار که به دنبال دانش تجسم داده‌های عملی هستند، و دانشجویان/محققان با هدف تقویت خود پاسخ می‌دهد. مهارت تجسم داده ها با استفاده از پایتون هیچ پیش نیاز خاصی برای این دوره وجود ندارد. با این حال، داشتن درک اولیه از ریاضیات و آمادگی برای یادگیری ویژگی های مفیدی برای تکمیل موفقیت آمیز دوره است. ایجاد تجسم های مختلف با کتابخانه های پایتون مانند Matplotlib، Seaborn و Plotly را بیاموزید * مهارت هایی برای ایجاد تصاویر بصری و ارتباط بینش، کشف داستان و تجسم سازی * کار بر روی پروژه های دنیای واقعی و مطالعات موردی برای اعمال تکنیک های تجسم داده ها در داده های واقعی
سرفصل ها و درس ها

راه اندازی و نصب Setup and Installation

  • نصب Anaconda Navigator Installing the Anaconda Navigator

  • نصب Matplotlib، Seaborn و Cufflinks Installing Matplotlib, Seaborn, and Cufflinks

  • خواندن داده ها از یک فایل CSV با پانداها Reading Data from a CSV File with Pandas

  • توضیح کتابخانه های Matplotlib Explaining Matplotlib Libraries

رسم پلات های خط با Matplotlib Plotting Line Plots with Matplotlib

  • تغییر مقیاس محور Changing the Axis Scales

  • یک ظاهر طراحی برچسب Label Styling

  • اضافه کردن یک افسانه Adding a Legend

  • تغییر رنگ ها، سبک های خط، عرض خط و نشانگرها Changing Colors, Line Styles, Line Width, and Markers

  • اضافه کردن یک گرید به نمودار Adding a Grid to the Chart

  • پر کردن فقط یک منطقه خاص Filling Only a Specific Area

  • پر کردن منطقه در قطعه خط و پر کردن فقط مناطق خاص Filling Area on Line Plots and Filling Only Specific Areas

  • تغییر رنگ پر کردن نواحی مختلف (مثلاً منفی در مقابل مثبت) Changing Fill Color of Different Areas (Negative Versus Positive, For Example)

رسم هیستوگرام و نمودار میله ای با Matplotlib Plotting Histograms and Bar Charts with Matplotlib

  • تغییر رنگ لبه و افزودن سایه روی لبه Changing Edge Color and Adding Shadow on the Edge

  • اضافه کردن افسانه ها، عناوین، مکان، و نمودار دایره چرخشی Adding Legends, Titles, Location, and Rotating Pie Chart

  • هیستوگرام ها در مقابل نمودارهای میله ای (قسمت 1) Histograms Versus Bar Charts (Part 1)

  • هیستوگرام در مقابل نمودار میله ای (قسمت 2) Histograms Versus Bar Charts (Part 2)

  • تغییر رنگ لبه هیستوگرام Changing Edge Color of the Histogram

  • تغییر مقیاس محور به مقیاس ورود Changing the Axis Scale to Log Scale

  • افزودن میانه به هیستوگرام Adding Median to Histogram

  • هیستوگرام ها و پچ های پیشرفته (قسمت 1) Advanced Histograms and Patches (Part 1)

  • هیستوگرام ها و پچ های پیشرفته (قسمت 2) Advanced Histograms and Patches (Part 2)

  • روی هم قرار دادن طرح های میله ای (قسمت 1) Overlaying Bar Plots on Top of Each Other (Part 1)

  • روی هم قرار دادن طرح های میله ای (قسمت 2) Overlaying Bar Plots on Top of Each Other (Part 2)

  • ایجاد طرح های جعبه و ویسکر Creating Box and Whisker Plots

رسم پلات های پشته ای و قطعه های ساقه Plotting Stack Plots and Stem Plots

  • ترسیم یک طرح پشته پایه Plotting a Basic Stack Plot

  • ترسیم یک قطعه ساقه Plotting a Stem Plot

  • رسم نمودار پشته ای از داده ها با مجموع ثابت Plotting a Stack Plot of Data with Constant Total

ترسیم پلات های پراکنده با Matplotlib Plotting Scatter Plots with Matplotlib

  • ترسیم یک طرح پراکندگی اولیه Plotting a Basic Scatter Plot

  • تغییر اندازه نقاط Changing the Size of the Dots

  • تغییر رنگ نشانگرها Changing Colors of Markers

  • افزودن لبه به نقطه Adding Edges to Dots

تجسم داده های سری زمانی با Matplotlib Time Series Data Visualization with Matplotlib

  • با استفاده از ماژول Datetime Python Using the Python Datetime Module

  • اتصال نقاط داده از طریق خط Connecting Data Points by Line

  • تبدیل تاریخ رشته ها با استفاده از متد .to_datetime() Pandas Converting String Dates Using the .to_datetime() Pandas Method

  • ترسیم داده های زنده با استفاده از FuncAnimation در Matplotlib Plotting Live Data Using FuncAnimation in Matplotlib

ایجاد چندین طرح فرعی Creating Multiple Subplots

  • تنظیم تعداد سطرها و ستون ها Setting Up the Number of Rows and Columns

  • ترسیم چند قطعه در یک شکل Plotting Multiple Plots in One Figure

  • گرفتن ارقام جداگانه Getting Separate Figures

  • ذخیره ارقام در رایانه شما Saving Figures to Your Computer

ترسیم نمودارها با استفاده از Seaborn Plotting Charts Using Seaborn

  • معرفی Seaborn Introduction to Seaborn

  • کار روی Hue، Style و Size در Seaborn Working on Hue, Style, and Size in Seaborn

  • طرح های فرعی با استفاده از Seaborn Subplots Using Seaborn

  • طرح های خطی Line Plots

  • توطئه های گربه Cat Plots

  • طرح مشترک، طرح جفتی و طرح رگرسیون Jointplot, Pair Plot, and Regression Plot

  • کنترل زیبایی شناسی شکل ترسیم شده Controlling Plotted Figure Aesthetics

پلاتلی و دکمه سرآستین Plotly and Cufflinks

  • نصب و راه اندازی Installation and Setup

  • خطوط، پراکندگی، نوار، جعبه، و منطقه Line, Scatter, Bar, Box, and Area Plots

  • نقشه های سه بعدی، طرح گسترش، نمودار تاریخی، طرح حباب، و نقشه حرارتی 3D Plots, Spread Plot, Hist Plot, Bubble Plot, and Heatmap

نمایش نظرات

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.

آموزش پایتون برای تجسم داده ها - راهنمای مبتدی [ویدئو]
جزییات دوره
3 h 40 m
49
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Meta Brains

https://donyad.com/d/77349c

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Meta Brains Meta Brains

بیایید با هم ابر جهان را کدنویسی و بسازیم! Meta Brains یک برند آموزشی حرفه ای است که توسط تیمی از توسعه دهندگان نرم افزار و متخصصان امور مالی که به امور مالی، کدنویسی و اکسل علاقه دارند، توسعه یافته است. ما تجارب حرفه‌ای و آموزشی را برای ایجاد برنامه‌های آموزشی در سطح جهانی که برای همه قابل دسترسی است، گرد هم می‌آوریم. در حال حاضر، ما بر انقلاب بزرگ بعدی در محاسبات متمرکز هستیم: متاورس. هدف نهایی ما این است که نسل بعدی استعدادها را آموزش دهیم تا بتوانیم با هم متاورز را کدنویسی و بسازیم!

Python PyCharm Data Data Visualization داده ها تجسم داده ها