آموزش دوره جامع تحلیلگر داده سطح مقدماتی با پایتون (PCED™) - آخرین آپدیت

سرفصل ها و درس ها

متغیرها و انواع داده‌ها در پایتون Python Variables And Data Types

• نوشتن و اجرای کد در Jupyter Writing and Running Code In Jupyter

• بررسی عمیق متغیرهای پایتون Python Variables In-Depth

• کار با انواع داده‌های پایتون Working With Python Data Types

• چالش و راهکار: محاسبات ریاضی پایه Challenge & Solution: Basic Arithmetic

مدیریت داده‌ها با لیست‌ها Managing Data With Lists

• لیست‌ها چیستند؟ What Are Lists?

• ایجاد لیست‌ها Creating Lists

• دسترسی به عناصر لیست Accessing List Elements

• اصلاح لیست‌ها Modifying Lists

• چالش و راهکار: حذف آخرین مورد تکراری Challenge & Solution: Removing Last Occurrence

بارگذاری و کار با مجموعه‌داده‌ها Loading And Working With Datasets

• بارگذاری فایل‌ها در پایتون Loading Files Into Python

• اصلاح داده‌ها با Comprehensions Modifying Data With Comprehensions

• بارگذاری فایل‌های CSV Loading CSV Files

• چالش و راهکار: پاک‌سازی ساده داده‌ها Challenge & Solution: Simple Data Cleaning

مدیریت داده‌ها با دیکشنری‌ها Managing Data With Dictionaries

• دیکشنری چیست؟ What Is A Dictionary?

• ایجاد و دسترسی به دیکشنری‌ها Creating And Accessing Dictionaries

• بارگذاری داده‌ها در دیکشنری‌ها Loading Data Into Dictionaries

• اصلاح دیکشنری‌ها و درک ارجاعات Modifying Dictionaries And Understanding References

• چالش و راهکار: پاک‌سازی بیشتر داده‌ها Challenge & Solution: More Data Cleaning

مدیریت داده‌های رشته‌ای (Strings) Managing String Data

• ایجاد رشته‌ها و کار با آن‌ها مانند لیست‌ها Creating Strings And Working With Them Like Lists

• برش زدن رشته‌ها (و لیست‌ها) Slicing Strings (And Lists)

• متدهای مربوط به حروف بزرگ و کوچک و مقایسه Case-Related Methods And Comparison

• چالش و راهکار: سایر متدهای کاربردی رشته‌ها Challenge & Solution: Other Useful String Methods

قابلیت استفاده مجدد از وظایف داده با توابع Making Data Tasks Reusable With Functions

• چرا به توابع نیاز داریم؟ Why Do We Need Functions?

• سینتکس پایه توابع Basic Function Syntax

• ایجاد تابعی برای بارگذاری داده‌ها Creating A Function For Loading Data

• چالش و راهکار: ایجاد یک تابع دیگر Challenge & Solution: Creating Another Function

مباحث پیشرفته توابع Taking Functions Further

• کار با آرگومان‌های موقعیتی و کلیدواژه‌ای Working With Positional And Keyword Arguments

• مقادیر پیش‌فرض پارامترها Default Parameter Values

• استفاده از جمع‌کننده‌های آرگومان (Arg Collectors) Using Arg Collectors

• چالش و راهکار: تمرین بیشتر توابع Challenge & Solution: More Function Practice

مدیریت داده‌ها با مجموعه‌ها (Sets) Managing Data With Sets

• مقایسه مجموعه‌ها، لیست‌ها و دیکشنری‌ها Sets vs. Lists vs. Dictionaries

• ایجاد و کار با مجموعه‌ها (Sets) Creating And Working With Sets

• عملیات روی مجموعه‌ها Set Operations

• چالش و راهکار: موارد استفاده از Set Challenge & Solution: Set Use Cases

کنترل جریان برنامه Controlling Program Flow

• ساختارهای کنترلی چیستند؟ What Are Control Structures?

• مبانی دستورات If Basics Of If-Statements

• عملگر Ternary و دستور Match Case The Ternary Operator And Match-Case Statement

• حلقه‌های For و While For-Loops and While-Loops

• چالش و راهکار: به‌کارگیری حلقه‌ها و دستورات If Challenge & Solution: Applying Loops And If-Statements

کتابخانه‌های کاربردی برای تحلیل داده Helpful Libraries For Data Analysis

• ماژول CSV The CSV Module

• ماژول Random The Random Module

• ماژول Datetime The Datetime Module

• چالش و راهکار: ترکیب ماژول‌ها Challenge & Solution: Combining Modules

کار با CSV و JSON Working With CSV and JSON

• کتابخانه JSON The JSON Library

• ماژول JSON The JSON Module

• نوشتن در فایل‌های CSV و JSON Writing To CSV And JSON Files

• چالش و راهکار: فرمت jsonl Challenge & Solution: "jsonl" Format

ماژول‌های کاربردی بیشتر A Few More Helpful Modules

• تعریف و استفاده از ماژول‌های شخصی Defining and Using Your Own Modules

• ماژول Math The Math Module

• ماژول OS The OS Module

• چالش و راهکار: مقایسه چندین فایل Challenge & Solution: Comparing Multiple Files

بررسی عمیق ساختار برنامه‌های پایتون Python Program Structure In-Depth

• محدوده (Scope) چیست؟ What Is Scope?

• سایه اندازی و کلمات کلیدی Global و Nonlocal Shadowing And The Global And Nonlocal Keywords

• تاپل‌ها و باز کردن تاپل (Unpacking) Tuples And Tuple Unpacking

• چالش و راهکار: بازگرداندن چندین مقدار Challenge & Solution: Returning Multiple Values

مبانی آمار توصیفی Basics of Descriptive Statistics

• آمار توصیفی چیست؟ What Are Descriptive Statistics?

• محاسبه آمارهای پایه Calculating Basic Stats

• انواع مختلف میانگین‌ها The Different Averages

• پیاده‌سازی میانگین‌ها Implementing Averages

• چالش و راهکار: یافتن مد (Mode) Challenge & Solution: Finding The Mode

آمار توصیفی سطح متوسط Intermediate Descriptive Statistics

• ارسال بر اساس ارجاع در مقابل مقدار Passing By Reference vs. By Value

• محاسبه معیارهای پراکندگی Calculating Measures of Spread

• ماژول Statistics در پایتون The Python Statistics Module

• چالش و راهکار: نرمال‌سازی پایه داده‌ها Challenge & Solution: Basic Data Normalization

مدیریت استثناها در تحلیل داده Exception Handling for Data Analysis

• مبانی مدیریت استثناها Basics of Exception Handling

• خطاهای رایج زمان اجرا (Runtime Errors) Common Runtime Errors

• نحوه انتشار استثناها How Exceptions Propagate

• چالش و راهکار: استفاده از بلوک Finally Challenge & Solution: Using the "Finally" Block

عملیات Boolean و مفهوم Truthiness Boolean Operations And Truthiness

• کار با عملگرهای منطقی Working With Logical Operators

• مفهوم Truthiness و Falsiness در پایتون Truthiness And Falsiness In Python

• استفاده از قوانین دمورگان برای منطق پیچیده Using De Morgan's Laws For Complex Logic

• چالش و راهکار: معکوس کردن توابع Challenge & Solution: Inverting Functions

استفاده از کتابخانه‌های شخص ثالث Using Third-Party Libraries

• کتابخانه‌های شخص ثالث در مقابل کتابخانه‌های داخلی Third-Party vs. Built-in Libraries

• استفاده از Openpyxl برای کار با صفحات گسترده Using Openpyxl to Work With Spreadsheets

• کتابخانه‌های Requests و BeautifulSoup The Requests And BeautifulSoup Libraries

• چالش و راهکار: ایجاد اکسل از داده‌های استخراج شده (Scraped) Challenge & Solution: Creating Spreadsheets From Scraped Data

آشنایی با کتابخانه NumPy Introduction To The NumPy Library

• آرایه‌ها: ساختار داده اصلی NumPy Arrays: NumPy's Core Data Structure

• کار با آرایه‌ها Working With Arrays

• ایندکس‌گذاری پیشرفته (Fancy Indexing) Fancy Indexing With Arrays

• چالش و راهکار: ارجاع متقاطع آرایه‌ها Challenge & Solution: Cross-Referencing Arrays

استفاده از NumPy برای تحلیل داده Using NumPy For Data Analysis

• محورهای NumPy و توابع تجمیعی NumPy Axes And Aggregation Functions

• تولید دنباله‌ها با NumPy Generating Sequences With NumPy

• برداری کردن توابع (Vectorizing) Vectorizing Functions

• چالش و راهکار: استفاده از np.where Challenge & Solution: Using np.where

کار با منابع مختلف داده Working With Different Data Sources

• بارگذاری داده‌ها از APIها Loading Data From APIs

• تعامل با پایگاه‌های داده Interacting With Databases

• کار با فایل‌های PDF Working with PDFs

• چالش و راهکار: ذخیره داده‌های PDF در دیتابیس Challenge & Solution: Storing PDF Data In Databases

مفاهیم سطح بالای تحلیل داده High-Level Data Analysis Concepts

• تعریف داده Defining Data

• داده‌ها چگونه جمع‌آوری می‌شوند؟ How Is Data Collected?

• شفاف‌سازی برخی اصطلاحات Clarifying Some Terminology

• چالش و راهکار: تعمیق درک مفاهیم Challenge & Solution: Deepening Your Understanding

چرخه حیات داده The Data Lifecycle

• چرخه حیات داده چیست؟ What Is The Data Lifecycle?

• قواعد کلی برای جمع‌آوری و ذخیره‌سازی Rules of Thumb For Collection and Storage

• پردازش داده‌ها Data Processing

• چالش و راهکار: پاک‌سازی بیشتر داده‌ها Challenge & Solution: More Data Cleaning

پاک‌سازی عمیق داده‌ها Data Cleaning In-Depth

• چارچوب پایه کیفیت داده A Basic Data Quality Framework

• برخورد با مقادیر عددی گم‌شده (Missing Values) Dealing With Missing Numeric Values

• برخورد با داده‌های تکراری Dealing With Duplicates

• چالش و راهکار: مقادیر دسته‌بندی گم‌شده Challenge & Solution: Missing Categorical Values

تکنیک‌های تکمیلی آماده‌سازی داده Additional Data Preparation Techniques

• مدیریت فرمت‌های مختلف تاریخ Handling Different Date Formats

• مدیریت زمان‌ها، نمادها و موارد دیگر Handling Times, Symbols, And More

• نرمال‌سازی Min-Max Min-Max Normalization

• تکنیک‌های فیلتر کردن داده‌ها Data Filtering Techniques

• چالش و راهکار: نگاشت داده‌ها (Mapping) Challenge & Solution: Mapping Data

راهنمای گام به گام تحلیل توصیفی Descriptive Analysis Walkthrough

• تحلیل توصیفی چیست؟ What Is Descriptive Analysis?

• افزودن ستون‌های محاسباتی Adding Calculated Columns

• محاسبه آمار برای گروه‌ها Calculating Statistics For Groups

• چالش و راهکار: شناسایی روندها Challenge & Solution: Spotting Trends

راهنمای گام به گام بخش‌بندی مشتریان Customer Segmentation Walkthrough

• چرا بخش‌بندی مشتریان مفید است؟ Why Customer Segmentation Is So Useful

• تجزیه داده‌ها برای تحلیل RFM Parsing Data For RFM Analysis

• محاسبه معیارهای RFM Calculating RFM Metrics

• کشف بخش‌های مشتریان Discovering Customer Segments

• چالش و راهکار: ایجاد تابع گروه‌بندی قابل استفاده مجدد Challenge & Solution: Creating a Reusable Grouping Function

تحلیل اکتشافی داده‌های پایه (EDA) Basic Exploratory Data Analysis (EDA)

• تحلیل اکتشافی داده‌ها (EDA) چیست؟ What Is Exploratory Data Analysis?

• مرتب‌سازی، فیلتر کردن و گروه‌بندی داده‌ها Sorting, Filtering, and Grouping Data

• شناسایی داده‌های پرت (Outliers) Detecting Outliers

• چالش و راهکار: محاسبه همبستگی‌ها Challenge & Solution: Computing Correlations

درک و تفسیر بصری‌سازی‌ها Understanding And Interpreting Visualizations

• انواع نمودارهای پایه The Basic Chart Types

• ایجاد نمودارهای شخصی با صفحات گسترده Creating Your Own Charts With Spreadsheets

• نمودارها چگونه (گاهی اوقات) دروغ می‌گویند How Charts (Sometimes) Lie

• چالش و راهکار: نمودارهای اشتباه در دنیای واقعی Challenge & Solution: Bad Charts In Real Life

بصری‌سازی داده‌ها در Jupyter Visualizing Data in Jupyter

• سینتکس پایه Matplotlib Basic Matplotlib Syntax

• سفارشی‌سازی عناوین و برچسب‌های نمودار Customizing Chart Titles and Labels

• سفارشی‌سازی رنگ‌های نمودار Customizing Chart Colors

• چالش و راهکار: رسم چندین مجموعه‌داده Challenge & Solution: Plotting Multiple Datasets

خلاصه‌سازی مجموعه‌داده‌ها Summarizing Datasets

• درک توزیع‌های فراوانی Understanding Frequency Distributions

• گروه‌بندی داده‌های عددی Grouping Numerical Data

• ایجاد و تفسیر هیستوگرام‌ها Creating and Interpreting Histograms

• چالش و راهکار: شبیه‌سازی توزیع‌های یکنواخت Challenge & Solution: Simulating Uniform Distributions

مبانی داستان‌سرایی با داده‌ها Fundamentals of Data Storytelling

• ساختار پایه The Basic Structure

• شناخت مخاطبان شما Understanding Your Audience

• فرمت‌بندی یک Jupyter Notebook Formatting a Jupyter Notebook

• سینتکس‌های تکمیلی Markdown Additional Markdown Syntax

• چالش و راهکار: ایجاد جداول Markdown Challenge & Solution: Creating Markdown Tables