لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش Python، SQL و Tableau: ادغام Python، SQL و Tableau [ویدئو]
Python, SQL, and Tableau: Integrating Python, SQL, and Tableau [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
Python، SQL و Tableau سه مورد از پرکاربردترین ابزارها در دنیای علم داده هستند. پایتون زبان برنامه نویسی پیشرو است
SQL پرکاربردترین وسیله برای ارتباط با سیستم های پایگاه داده است
Tableau راه حل ترجیحی برای تجسم داده ها است.
این دوره با معرفی یکپارچه سازی نرم افزار به عنوان یک مفهوم شروع می شود. ما برخی از اصطلاحات مهم مانند سرورها، مشتریان، درخواستها و پاسخها را مورد بحث قرار میدهیم. علاوه بر این، در مورد اتصال داده ها، API ها و نقاط پایانی یاد خواهید گرفت. سپس با معرفی تمرین مثالی واقعی که دوره حول محور آن است، ادامه می دهیم: مجموعه داده غیبت در کار. بخش پیش پردازشی که در ادامه میآید، به شما چشیده میشود که BI و علم داده در موقعیتهای واقعی و در محل کار چگونه به نظر میرسند. سپس با اعمال مقداری یادگیری ماشینی روی دادههای خود ادامه میدهیم. شما یاد خواهید گرفت که چگونه مشکل موجود را از منظر یادگیری ماشین بررسی کنید، چگونه اهداف ایجاد کنید، چه نوع پیش پردازش آماری برای این بخش از تمرین لازم است، چگونه یک مدل یادگیری ماشینی را آموزش دهید، و چگونه آن را آزمایش کنید. یک تمرین ML واقعاً جامع. اتصال پایتون و SQL فوری نیست. ما نشان می دهیم که چگونه این کار در یک بخش کامل از دوره انجام می شود.
در پایان آن بخش، میتوانید دادهها را از Jupyter به Workbench منتقل کنید. و در نهایت، همانطور که وعده داده شده بود، Tableau به ما اجازه می دهد تا داده هایی را که با آنها کار کرده ایم تجسم کنیم. ما چندین نمودار روشنگر آماده خواهیم کرد و نتایج را با هم تفسیر خواهیم کرد.
همه فایلهای کد در https://github.com/PacktPublishing/Python-SQL-Tableau-Integrating-Python-SQL-and-Tableau قرار میگیرند یک ماژول از مدل ML برای استفاده بعدی ایجاد کنید.
پایتون و SQL را برای انتقال داده ها از Jupyter به Workbench متصل کنید
تجسم داده ها در Tableau
تجزیه و تحلیل و تفسیر خروجی های تمرین در Jupyter و Tableau این دوره برای کسانی است که به دنبال شغلی در زمینه هوش تجاری و علم داده هستند. دانشمندان دادهای که مشتاقانه به دنبال ورود به این حوزه و یادگیری ملزومات لازم علم داده و مهندسین نرمافزار هستند که علاقهمند به ساخت برنامههای کاربردی هوشمند مبتنی بر پایتون و یادگیری ماشین هستند نیز از این دوره بهرهمند خواهند شد. نحوه استفاده از پایتون، SQL و Tableau با هم * یکپارچه سازی نرم افزار * تکنیک های پیش پردازش داده ها * استفاده از یادگیری ماشین
سرفصل ها و درس ها
معرفی
Introduction
دوره شامل چه مواردی است؟
What Does the Course Cover?
یکپارچه سازی نرم افزار چیست؟
What is software integration?
ویژگی ها و تعاریف: داده ها، سرورها، مشتریان، درخواست ها و پاسخ ها
Properties and Definitions: Data, Servers, Clients, Requests and Responses
ویژگی ها و تعاریف: اتصال داده ها، API ها و نقاط پایانی
Properties and Definitions: Data Connectivity, APIs, and Endpoints
جزئیات بیشتر در مورد API ها
Further Details on APIs
فایل های متنی به عنوان ابزار ارتباطی
Text Files as Means of Communication
تعاریف و کاربردها
Definitions and Applications
راه اندازی محیط کار
Setting up the working environment
تنظیم محیط - مقدمه (لطفاً از آن نگذرید)!
Setting Up the Environment - An Introduction (Do Not Skip, Please)!
چرا پایتون و چرا ژوپیتر؟
Why Python and why Jupyter?
نصب آناکوندا
Installing Anaconda
داشبورد Jupyter - قسمت 1
The Jupyter Dashboard - Part 1
داشبورد Jupyter - قسمت 2
The Jupyter Dashboard - Part 2
نصب اسکلرن
Installing sklearn
بعدی در دوره چیست؟
What's next in the course?
بالا جلوتر
Up Ahead
مثال زندگی واقعی: غیبت در محل کار
Real-Life Example: Absenteeism at Work
مثال واقعی: مجموعه داده
Real-Life Example: The Dataset
پیش پردازش
Preprocessing
مجموعه داده ها در پایتون
Data Sets in Python
داده ها در یک نگاه
Data at a Glance
یادداشتی در مورد استفاده ما از اصطلاحات با معانی متعدد
A Note on Our Usage of Terms with Multiple Meanings
انتخاب رویکرد مناسب برای کار در دست
Picking the Appropriate Approach for the Task at Hand
حذف داده های نامربوط
Removing Irrelevant Data
بررسی دلایل غیبت
Examining the Reasons for Absence
تقسیم یک ستون به چند آدمک
Splitting a Column into Multiple Dummies
متغیرهای ساختگی و اهمیت آماری آنها
Dummy Variables and Their Statistical Importance
گروه بندی - تبدیل متغیرهای ساختگی به متغیرهای طبقه ای
Grouping - Transforming Dummy Variables into Categorical Variables
به هم پیوستن ستون ها در پایتون
Concatenating Columns in Python
تغییر ترتیب ستون ها در Pandas DataFrame
Changing Column Order in Pandas DataFrame
پیاده سازی چک پوینت در کدنویسی
Implementing Checkpoints in Coding
کاوش در ستون "تاریخ" اولیه
Exploring the Initial "Date" Column
استفاده از ستون "تاریخ" برای استخراج مقدار مناسب ماه
Using the "Date" Column to Extract the Appropriate Month Value
معرفی "روز هفته"
Introducing "Day of the Week"
تجزیه و تحلیل بیشتر DataFrame: 5 ستون بعدی
Further Analysis of the DataFrame: Next 5 Columns
تجزیه و تحلیل بیشتر DaraFrame: "آموزش"، "کودکان"، "حیوانات خانگی"
Further Analysis of the DaraFrame: "Education", "Children", "Pets"
نکته پایانی در مورد پیش پردازش
A Final Note on Preprocessing
یادگیری ماشینی
Machine Learnings
بررسی مسئله از دیدگاه یادگیری ماشینی
Exploring the Problem from a Machine Learning Point of View
ایجاد اهداف برای رگرسیون لجستیک
Creating the Targets for the Logistic Regression
انتخاب ورودی ها
Selecting the Inputs
کمی پیش پردازش آماری
A Bit of Statistical Preprocessing
آموزش آزمون تقسیم داده ها
Train-test Split of the Data
آموزش مدل و ارزیابی دقت آن
Training the Model and Assessing its Accuracy
استخراج رهگیری و ضرایب از یک رگرسیون لجستیک
Extracting the Intercept and Coefficients from a Logistic Regression
تفسیر ضرایب رگرسیون لجستیک
Interpreting the Logistic Regression Coefficients
حذف متغیرهای ساختگی از استانداردسازی
Omitting the dummy variables from the Standardization
تفسیر پیش بینی کننده های مهم
Interpreting the Important Predictors
ساده سازی مدل (حذف به عقب)
Simplifying the Model (Backward Elimination)
آزمایش مدل یادگیری ماشینی
Testing the Machine Learning Model
چگونه مدل یادگیری ماشین را ذخیره کنیم و آن را برای استقرار آینده آماده کنیم
How to Save the Machine Learning Model and Prepare it for Future Deployment
ایجاد یک ماژول برای استفاده بعدی از مدل
Creating a Module for Later Use of the Model
نصب MySQL و آشنایی با اینترفیس
Installing MySQL and Getting Acquainted with the Interface
نصب MySQL
Installing MySQL
راه اندازی یک اتصال
Setting Up a Connection
مقدمه ای بر رابط MySQL
Introduction to the MySQL Interface
اتصال پایتون و SQL
Connecting Python and SQL
اجرای "مدول_غیبت" - قسمت اول
Implementing the 'absenteeism_module' - Part I
اجرای "مدول_غیبت" - قسمت دوم
Implementing the 'absenteeism_module' - Part II
ایجاد پایگاه داده در MySQL
Creating a Database in MySQL
وارد کردن و نصب "pymysql"
Importing and Installing 'pymysql'
ایجاد اتصال و مکان نما
Creating a Connection and Cursor
ایجاد جدول 'predicted_outputs' در MySQL
Creating the 'predicted_outputs' table in MySQL
اجرای یک دستور SQL SELECT از پایتون
Running an SQL SELECT Statement from Python
انتقال داده ها از Jupyter به Workbench - قسمت اول
Transferring Data from Jupyter to Workbench - Part I
انتقال داده ها از Jupyter به Workbench - قسمت دوم
Transferring Data from Jupyter to Workbench - Part II
انتقال داده ها از Jupyter به Workbench - قسمت سوم
Transferring Data from Jupyter to Workbench - Part III
تجزیه و تحلیل داده های به دست آمده در Tableau
Analyzing the Obtained data in Tableau
تجزیه و تحلیل در جدول: سن در مقابل احتمال
Analysis in Tableau: Age vs Probability
تجزیه و تحلیل در جدول: دلایل در مقابل احتمال
Analysis in Tableau: Reasons vs Probability
تجزیه و تحلیل در جدول: هزینه حمل و نقل در مقابل احتمال
Analysis in Tableau: Transportation Expense vs Probability
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.
365 دوره شغلی توسط بیش از 203000 دانشجو در 204 کشور گذرانده شده است. افرادی که در شرکتهای کلاس جهانی مانند Apple، PayPal و Citibank کار میکنند، 365 دوره آموزشی Careers را گذراندهاند. با انتخاب 365 Careers، مطمئن می شوید که از کارشناسان ثابت شده ای که علاقه زیادی به تدریس دارند یاد می گیرید و می توانند شما را از مبتدی به حرفه ای در کوتاه ترین زمان ممکن برسانند. اگر می خواهید یک تحلیلگر مالی، یک مدیر مالی، یک تحلیلگر FP&A، یک بانکدار سرمایه گذاری، یک مدیر اجرایی کسب و کار، یک کارآفرین، یک تحلیلگر هوش تجاری، یک تحلیلگر داده یا یک دانشمند داده شوید، دوره های 365 Careers بهترین مکان هستند. برای شروع.
نمایش نظرات