آموزش دوره جامع تحلیلگر داده خبره با پایتون (PCAD™) - آخرین آپدیت

سرفصل ها و درس ها

مبانی نوت‌بوک‌های Jupyter Basics of Jupyter Notebooks

• نوت‌بوک‌های Jupyter چیستند؟ What are Jupyter Notebooks?

• شروع کار با نوت‌بوک‌های Jupyter Getting Started with Jupyter Notebooks

• رابط کاربری پایه Jupyter The Basic Jupyter Interface

• کلیدهای میان‌بر ضروری Jupyter Essential Jupyter Hotkeys

• چالش کلیدهای میان‌بر Hotkey Challenge

آشنایی با NumPy Introduction to NumPy

• مفاهیم پایه NumPy Basic NumPy Concepts

• کار با آرایه‌های NumPy Working with NumPy Arrays

• دسترسی و برش (Slicing) آرایه‌های NumPy Accessing and Slicing NumPy Arrays

• روش‌های دیگر ایجاد آرایه‌های NumPy Other Ways to Create NumPy Arrays

• چالش و پاسخ: تمرین آرایه‌های NumPy Challenge & Solution: NumPy Array Practice

کار با آرایه‌های چندبعدی NumPy Working with Multidimensional NumPy Arrays

• آرایه‌های چندبعدی Multi-Dimensional Arrays

• دسترسی به مقادیر آرایه‌های چندبعدی Accessing Multi-Dimensional Array Values

• برش زدن آرایه‌های چندبعدی Slicing Multi-Dimensional Arrays

• چالش و پاسخ: آرایه‌های چهاربعدی Challenge & Solution: 4D Arrays

عملیات روی آرایه‌های NumPy NumPy Array Operations

• مرتب‌سازی آرایه‌های NumPy Sorting NumPy Arrays

• اتصال و حذف المان‌های آرایه Concatenating and Removing Array Elements

• تغییر شکل (Reshape) و اندازه آرایه‌ها Reshaping and Resizing Arrays

• ویژگی‌های آرایه NumPy NumPy Array Attributes

• چالش و پاسخ: متد np.lexsort Challenge & Solution: np.lexsort

آشنایی با Fancy Indexing در NumPy Introduction to Fancy Indexing in NumPy

• اندیس‌گذاری با آرایه اعداد صحیح Integer Array Indexing

• ترکیب اندیس‌گذاری صحیح با برش زدن Combining Integer Indexing with Slicing

• اندیس‌گذاری با آرایه‌های بولی (Boolean) Boolean Array Indexing

• چالش و پاسخ: ترکیب اندیس‌گذاری صحیح و بولی Challenge & Solution: Combining Integer and Boolean Indexing

بررسی عمیق Broadcasting در آرایه‌های NumPy NumPy Array Broadcasting In-Depth

• مبانی Broadcasting در آرایه‌ها Array Broadcasting Basics

• Broadcasting با آرایه‌هایی با اندازه‌های متفاوت Broadcasting with Arrays of Different Sizes

• تغییر اندازه و شکل با Broadcasting Resizing and Reshaping with Broadcasting

• چالش و پاسخ: کاربردهای Broadcasting Challenge & Solution: Broadcasting Applications

تحلیل داده‌های پایه با آرایه‌های NumPy Basic Data Analysis with NumPy Arrays

• استفاده از مجموعه‌داده‌های نمونه (Toy Datasets) Using "Toy" Datasets

• مدیریت مجموعه‌داده‌های نمونه با NumPy Manipulating Toy Datasets with NumPy

• استفاده از متد .mean در NumPy Using NumPy's .mean Method

• استفاده از توابع آمار توصیفی NumPy Using NumPy's Descriptive Statistics Functions

• چالش و پاسخ: اعمال عملیات NumPy روی مجموعه‌داده‌ها Challenge & Solution: Applying NumPy Operations to Datasets

بررسی عمیق انواع داده‌ها در NumPy NumPy's Data Types In-Depth

• انواع داده‌های صحیح در NumPy NumPy Integer Types

• انواع داده‌های اعشاری در NumPy NumPy Float Types

• سایر انواع داده‌های رایج Other Common Data Types

• چالش و پاسخ: انواع داده‌های ساختاریافته Challenge & Solution: Structured Data Types

مبانی Pandas Series Basics of Pandas Series

• آشنایی با Pandas Introduction to Pandas

• ایجاد Pandas Series Creating Pandas Series

• دسترسی و مدیریت Pandas Series Accessing and Manipulating Pandas Series

• توابع کاربردی برای ایجاد Series Useful Series-Creation Functions

• چالش و پاسخ: عملیات روی Series Challenge & Solution: Series-Series Operations

مبانی Pandas DataFrames Basics of Pandas DataFrames

• ایجاد DataFrameها Creating DataFrames

• دسترسی به سطرها و ستون‌های DataFrame Accessing Rows and Columns on DataFrames

• افزودن و حذف ستون‌ها Adding and Removing Columns

• چالش و پاسخ: روش‌های دیگر ایجاد DataFrame Challenge & Solution: Other Ways of Creating DataFrames

تولید اعداد تصادفی با NumPy و Pandas Generating Random Numbers with NumPy and Pandas

• تولید اعداد اعشاری تصادفی Generating Random Floats

• تولید اعداد صحیح تصادفی Generating Random Integers

• انتخاب تصادفی از آرایه‌ها Making Random Selections from Arrays

• تولید اعداد تصادفی از توزیع‌های آماری Generating Random Numbers from Distributions

• چالش و پاسخ: تولید داده‌های مصنوعی (Synthetic Data) Challenge & Solution: Generating Synthetic Data

کار با مجموعه‌داده‌ها در Pandas Working with Datasets in Pandas

• بارگذاری و مشاهده مجموعه‌داده‌های CSV Loading and Viewing CSV Datasets

• کاوش پایه داده‌ها Basic Data Exploration

• مشاهده مقادیر منحصربه‌فرد Viewing Unique Values

• تغییر نام ستون‌های DataFrame Renaming DataFrame Columns

• چالش: نوبت شماست Challenge: Your Turn

پاک‌سازی داده‌ها در Pandas Dataset Cleaning in Pandas

• یافتن مقادیر گم‌شده در DataFrameها Finding Missing Values in DataFrames

• مشاهده سطرهایی با مقادیر گم‌شده Viewing Rows with Missing Values

• مدیریت مقادیر گم‌شده Handling Missing Values

• تغییر نوع داده ستون‌های DataFrame Retyping DataFrame Columns

• چالش و پاسخ: پاک‌سازی داده‌های املاک Challenge & Solution: Cleaning Real-Estate Data

بررسی عمیق مقادیر گم‌شده (Missing Values) An In-Depth Look At Missing Values

• انواع مختلف «گم‌شدگی» داده‌ها The Different Types Of "Missingness"

• تاثیر MCAR بر مجموعه‌داده‌ها How MCAR Affects Datasets

• تاثیر MAR و MNAR بر مجموعه‌داده‌ها How MAR and MNAR Affect Datasets

• چالش و پاسخ: جایگزینی مقادیر گم‌شده Challenge & Solution: Imputing Missing Values

مبانی گروه‌بندی داده‌ها در Pandas The Basics of Pandas Dataset Grouping

• راه اندازی یک مجموعه‌داده Setting Up a Dataset

• گروه‌بندی DataFrameها بر اساس ستون Grouping DataFrames By Column

• گروه‌بندی بر اساس چندین ستون Grouping By Multiple Columns

• چالش و پاسخ: تمرینات گروه‌بندی داده‌ها Challenge & Solution: Data Grouping Tasks

گروه‌بندی پیشرفته مجموعه‌داده‌ها Intermediate Dataset Grouping

• آشنایی با دسته‌بندی‌ها (Categories) در Pandas Introduction to Pandas Categories

• توابع تجمیعی (Aggregation) Aggregation Functions

• گروه‌بندی داده‌های غیر دسته‌بندی شده Grouping Non-Categorical Data

• چالش و پاسخ: روشی دیگر برای گروه‌بندی غیر دسته‌بندی شده Challenge & Solution: Another Method for Non-Categorical Grouping

فیلتر کردن داده‌ها در Pandas Filtering Data in Pandas

• فیلتر کردن Pandas Series Filtering Pandas Series

• فیلتر کردن Pandas DataFrames Filtering Pandas DataFrames

• فیلتر کردن گروه‌های Series Filtering Groups of Series

• فیلتر کردن گروه‌های DataFrame Filtering Groups of DataFrames

• چالش و پاسخ: فیلترهای پیشرفته DataFrameGroupBy Challenge & Solution: More DataFrameGroupBy Filtering

تبدیل داده‌ها در Pandas Transforming Data in Pandas

• تبدیل (Transform) سری‌ها Transforming Series

• تبدیل سری‌ها با استفاده از لیست‌ها و دیکشنری‌ها Transforming Series Using Lists and Dictionaries

• تبدیل DataFrameها Transforming DataFrames

• تبدیل گروه‌ها Transforming Groups

• چالش و پاسخ: تمرینات تبدیل داده‌ها Challenge & Solution: Transformation Exercises

اعمال توابع در Pandas Applying Functions in Pandas

• اعمال توابع روی کل DataFrame Applying Functions to Entire DataFrames

• اعمال توابع روی ستون‌ها Applying Functions to Columns

• اعمال توابع روی سطرها Applying Functions to Rows

• اعمال توابع روی سلول‌ها Applying Functions to Cells

• چالش و پاسخ: تکمیل آدرس‌ها Challenge & Solution: Filling Addresses

مرتب‌سازی ساختارهای داده Pandas Sorting Pandas Data Structures

• مرتب‌سازی سری‌ها Sorting Series

• مرتب‌سازی DataFrameها بر اساس ستون Sorting DataFrames by Column

• تنظیمات مرتب‌سازی DataFrame DataFrame Sorting Settings

• تغییر ترتیب ستون‌های DataFrame Reordering DataFrame Columns

• یافتن بزرگترین و کوچکترین مقادیر Getting the Largest and Smallest Values

• چالش و پاسخ: مرتب‌سازی بر اساس طول رشته Challenge & Solution: Sort By String Length

آشنایی با استخراج داده وب (Web Scraping) با BeautifulSoup Introduction to Web Scraping with BeautifulSoup

• فرآیند پایه استخراج داده وب The Basic Web Scraping Process

• بارگذاری و تجزیه (Parsing) HTML Loading and Parsing HTML

• تجزیه پایه با BeautifulSoup Basic Parsing with BeautifulSoup

• استخراج داده از یک وب‌سایت با BeautifulSoup Scraping a Website with BeautifulSoup

• چالش و پاسخ: استخراج داده از چندین صفحه Challenge & Solution: Scraping Multiple Pages

بررسی عمیق انواع BeautifulSoup BeautifulSoup Types In-Depth

• چهار نوع اصلی BeautifulSoup The 4 BeautifulSoup Types

• نوع Tag در BeautifulSoup The BeautifulSoup Tag Type

• نوع NavigableString The NavigableString Type

• چالش و پاسخ: انواع BeautifulSoup و Comment Challenge & Solution: The BeautifulSoup and Comment Types

یافتن المان‌ها با BeautifulSoup Finding Elements with BeautifulSoup

• مبانی یافتن المان‌ها The Basics of Finding Elements

• یافتن چندین المان Finding Multiple Elements

• یافتن المان‌های هم‌سطح (Sibling) Finding Sibling Elements

• یافتن المان‌های والد (Parent) Finding Parent Elements

• چالش و پاسخ: یافتن المان‌ها Challenge & Solution: Finding Elements

انتخابگرهای CSS برای استخراج داده وب CSS Selectors For Web Scraping

• مبانی استفاده از انتخابگرهای CSS با BeautifulSoup The Basics of Using CSS Selectors with BeautifulSoup

• انتخابگرهای تگ CSS CSS Tag Selectors

• انتخابگرهای کلاس و ID در CSS CSS Class and ID Selectors

• انتخابگرهای ویژگی (Attribute) CSS CSS Attribute Selectors

• چالش و پاسخ: لینک‌های داخلی Challenge & Solution: Internal Links

ترکیب‌کننده‌های CSS برای استخراج داده وب CSS Combinators for Web-Scraping

• انتخابگرهای تکمیلی مقدار ویژگی Additional Attribute Value Selectors

• لیست‌های انتخابگر و ترکیب‌کننده‌های فرزند Selector Lists and Child Combinators

• ترکیب‌کننده نواده (Descendant) The Descendant Combinator

• ترکیب‌کننده‌های هم‌سطح بعدی The Next-Sibling and Subsequent-Sibling Combinators

• چالش: کوییز ترکیب‌کننده‌ها Challenge: Combinator Quiz

شبه-کلاس‌های CSS برای استخراج داده وب CSS Pseudo-Classes for Web-Scraping

• شبه-کلاس‌های First و Last Child The First- and Last-Child Pseudo-Classes

• شبه-کلاس‌های First و Last of Type The First- and Last-of-Type Pseudo-Classes

• شبه-کلاس «not» The "not" Pseudo-Class

• شبه-کلاس «has» The "has" Pseudo-Class

• چالش: مسابقه شبه-کلاس‌های CSS Challenge: CSS Pseudo-Class Golf!

آشنایی با XPath برای استخراج داده وب Introduction to XPath for Web-Scraping

• XPath چیست؟ What is XPath?

• استفاده از XPath در Jupyter Using XPath in Jupyter

• XPathهای مطلق و نسبی Absolute and Relative XPaths

• انتخاب المان‌ها بر اساس مقدار ویژگی Selecting Elements by Attribute Value

• چالش و پاسخ: استخراج داده HackerNews با XPath Challenge & Solution: Scraping HackerNews with XPath

مفاهیم متوسط XPath Intermediate XPath Concepts

• انتخاب متن و ویژگی‌ها از المان‌ها Selecting Text and Attributes from Elements

• انتخاب المان‌ها بر اساس موقعیت Selecting Elements by Position

• مبانی محورهای (Axes) در XPath The Basics of XPath Axes

• بررسی بیشتر محورهای XPath More XPath Axes

• چالش و پاسخ: استخراج داده‌های دستور پخت غذا Challenge & Solution: Scraping Recipes

مبانی Predicates در XPath XPath Predicates Basics

• Predicates چیستند؟ What are Predicates?

• روش‌های دیگر فیلتر کردن بر اساس ویژگی‌ها Other Ways of Filtering By Attributes

• فیلتر کردن با ویژگی‌های غیر اتریبیوتی Filtering With Non-Attribute Properties

• چالش: استخراج بیشتر دستور پخت‌ها Challenge: More Recipe Scraping

Predicates پیشرفته در XPath Advanced XPath Predicates

• Predicates مربوط به مسیر در XPath Path-Related XPath Predicates

• مقایسه‌های بدون حساسیت به حروف بزرگ و کوچک Case-Insensitive Comparisons

• استفاده از محورها در Predicates Using Axes in Predicates

• چالش و پاسخ: مفهوم «Not» Challenge & Solution: "Not"

مبانی بصری‌سازی داده‌ها با Matplotlib Basics of Data Visualization with Matplotlib

• نمایش نمودار خطی Displaying a Line Plot

• رسم چندین خط در یک نمودار Plotting Multiple Lines

• سفارشی‌سازی نمودارها Customizing Plots

• چالش و پاسخ: نمایش داده‌های واقعی Challenge & Solution: Displaying Real Data

کار با نمودارهای پراکندگی (Scatterplots) در Matplotlib Working with Scatterplots in Matplotlib

• مبانی نمودار پراکندگی (Scatterplot) Scatterplot Basics

• سفارشی‌سازی ظاهر نمودار پراکندگی Customizing Scatterplot Appearance

• نگاشت رنگ در نمودارهای پراکندگی Color-Mapping Scatterplots

• رسم چندین مجموعه‌داده Plotting Multiple Datasets

• چالش و پاسخ: رسم گروه‌ها در نمودار پراکندگی Challenge & Solution: Scatter-Plotting Groups

کار با نمودارهای میله‌ای در Matplotlib Working with Bar Charts in Matplotlib

• نمایش نمودارهای میله‌ای پایه Displaying Basic Bar Charts

• سفارشی‌سازی ظاهر نمودارهای میله‌ای Customizing Bar Chart Appearances

• افزودن حاشیه‌نویسی (Annotation) به میله‌ها Adding Annotations to Bars

• رسم انواع مختلف نمودارهای میله‌ای Drawing Different Bar Chart Types

• چالش و پاسخ: حاشیه‌نویسی نمودارهای میله‌ای عمودی Challenge & Solution: Annotating Vertical Bar Charts

کار با نمودارهای دایره‌ای در Matplotlib Working with Pie Charts in Matplotlib

• نمایش نمودارهای دایره‌ای پایه Displaying Basic Pie Charts

• سفارشی‌سازی ظاهر نمودار دایره‌ای Customizing Pie Chart Appearances

• رسم انواع مختلف نمودارهای دایره‌ای Drawing Different Types of Pie Charts

• چالش و پاسخ: افزودن لایه‌های بیشتر Challenge & Solution: Adding Another Layer

مبانی بصری‌سازی آماری با Matplotlib Statistical Visualization Basics with Matplotlib

• نمایش هیستوگرام‌ها Displaying Histograms

• سفارشی‌سازی هیستوگرام‌ها Customizing Histograms

• رسم نمودارهای جعبه‌ای (Boxplots) Drawing Boxplots

• چالش و پاسخ: رسم داده‌های دنیای واقعی Challenge & Solution: Plotting Real-World Data

بررسی عمیق Figureها در Matplotlib Matplotlib Figures In-Depth

• بخش‌های مختلف یک Figure The Different Parts of a Figure

• نمایش چندین نمودار Displaying Multiple Plots

• روشی دیگر برای نمایش چندین نمودار Another Way to Display Multiple Plots

• کنترل چیدمان محورها (Axes) Controlling Axes Layouts

• چالش و پاسخ: نمایش داده‌های دنیای واقعی Challenge & Solution: Displaying Real-World Data

افزودن تعامل با ویجت‌های Matplotlib Adding Interactivity with Matplotlib Widgets

• ویجت Slider (لغزنده) The Slider Widget

• پاسخ به به‌روزرسانی‌های ویجت Responding to Widget Updates

• ویجت Range Slider The Range Slider Widget

• چالش و پاسخ: استفاده از داده‌های واقعی Challenge & Solution: Using Real-World Data

ویجت‌های تکمیلی Matplotlib More Matplotlib Widgets

• ویجت Button (دکمه) The Button Widget

• ویجت RadioButtons The RadioButtons Widget

• ویجت RectangleSelector The RectangleSelector Widget

• چالش و پاسخ: ویجت CheckButtons Challenge & Solution: The CheckButtons Widget

آشنایی با Seaborn Introduction to Seaborn

• مبانی Seaborn Seaborn Basics

• مجموعه‌داده‌های داخلی Seaborn Seaborn's Built-in Datasets

• انواع مختلف نمودارها The Different Plot Types

• یک نمایش پایه A Basic Demonstration

• چالش: نوبت شماست Challenge: Your Turn!

کار با نمودارهای رابطه‌ای در Seaborn Working with Seaborn's Relational Plots

• تابع .relplot The .relplot Function

• تغییر ظاهر نقاط داده Changing Datapoint Appearances

• جداسازی داده‌ها در چندین نمودار Separating Data Into Multiple Plots

• چالش و پاسخ: تحلیل پنگوئن‌ها Challenge & Solution: Penguins

کار با نمودارهای دسته‌بندی شده در Seaborn Working with Seaborn's Categorical Plots

• تابع .catplot The .catplot Function

• تغییر ظاهر نقاط داده Changing Datapoint Appearances

• انواع مختلف نمودارهای دسته‌بندی شده The Different Types of Categorical Plots

• استفاده از توابع خاص نمودارهای دسته‌بندی شده Using Specific Categorical Plot Functions

• چالش و پاسخ: بازسازی نمودار Challenge & Solution: Recreate the Plot

الگوریتم‌های یادگیری ماشین: K-Nearest Neighbor Machine Learning Algorithms: K-Nearest Neighbor

• مبانی الگوریتم K-Nearest Neighbor Basics of the K-Nearest Neighbor Algorithm

• ایجاد داده‌های تست با Scikit Learn Creating Test Data with Scikit Learn

• پیش‌بینی یک نقطه داده واحد Predicting a Single Data Point

• استفاده از مجموعه‌های آموزشی و تست Using Training and Test Sets

• چالش و پاسخ: اعمال K-Nearest Neighbor Challenge & Solution: Apply K-Nearest Neighbor

الگوریتم‌های یادگیری ماشین: مدل‌های خطی Machine Learning Algorithms: Linear Models

• مقدمه Intro

• ایجاد داده‌های تست با Scikit Learn Creating Test Data with Scikit Learn

• برازش خط (Fitting) با Scikit Learn Fitting a Line with Scikit Learn

• انجام پیش‌بینی‌ها Making Predictions

• چالش و پاسخ: اعمال مدل‌های خطی Challenge & Solution: Applying Linear Models

الگوریتم‌های یادگیری ماشین: خوشه‌بندی K-Means Machine Learning Algorithms: K-Means Clustering

• مبانی خوشه‌بندی K-Means The Basics of K-Means Clustering

• اجرای الگوریتم K-Means Running the K-Means Algorithm

• جزئیات تکمیلی K-Means Additional K-Means Details

• انتخاب تعداد بهینه خوشه‌ها Choosing the Optimal Number of Clusters

• چالش و پاسخ: اعمال خوشه‌بندی K-Means Challenge & Solution: Applying K-Means Clustering

الگوریتم‌های یادگیری ماشین: شبکه‌های عصبی Machine Learning Algorithms: Neural Networks

• مبانی شبکه‌های عصبی The Basics of Neural Networks

• ساخت شبکه‌های عصبی Constructing Neural Networks

• آموزش یک شبکه عصبی Training a Neural Network

• چالش و پاسخ: یافتن مرزهای تصمیم‌گیری Challenge & Solution: Finding Decision Boundaries

الگوریتم‌های یادگیری ماشین: درخت‌های تصمیم (Classification Trees) Machine Learning Algorithms: Classification Trees

مبانی آمار توصیفی Basics of Descriptive Statistics

• آمار توصیفی چیست؟ What are Descriptive Statistics?

• معیارهای گرایش به مرکز Measures of Central Tendency

• معیارهای پراکندگی Measures of Variability

• انواع مختلف توزیع‌ها Different Types of Distributions

• چالش و پاسخ: یافتن میانه و مد Challenge & Solution: Finding the Median and Mode

بررسی عمیق آمار توصیفی Descriptive Statistics In-Depth

• بررسی عمیق توزیع نرمال The Normal Distribution In-Depth

• ویژگی‌های کاربردی توزیع نرمال Useful Properties of the Normal Distribution

• نمرات Z و نحوه استفاده از آن‌ها Z-Scores and How to Use Them

• نمونه‌ها در مقابل جامعه در آمار Samples vs. Populations in Statistics

• چالش و پاسخ: چند تابع کاربردی Challenge & Solution: A Few Useful Functions

همبستگی (Correlation) در آمار Correlation In Statistics

• همبستگی چیست؟ What is Correlation?

• باورهای غلط رایج درباره همبستگی Common Correlation Misconceptions

• محاسبه همبستگی در مجموعه‌داده‌ها Calculating Correlation in Datasets

• نقشه‌های حرارتی (Heat Maps) همبستگی Correlation Heat Maps

• چالش: همبستگی در داده‌های واقعی Challenge: Correlation of Real-World Data

مبانی آمار استنباطی Inferential Statistics Fundamentals

• آمار استنباطی چیست؟ What is Inferential Statistics?

• مبانی آزمون فرضیه Basics of Hypothesis Testing

• آزمون فرضیه در Jupyter Hypothesis Testing in Jupyter

• چالش و پاسخ: اجرای یک آزمون فرضیه Challenge & Solution: Perform a Hypothesis Test

بوت‌استرپینگ و سایر استراتژی‌های استنباطی Bootstrapping and Other Inferential Strategies

• قضیه حد مرکزی (CLT) The Central Limit Theorem

• نمایشی از قضیه حد مرکزی A Central Limit Theorem Demonstration

• مبانی بوت‌استرپینگ Bootstrapping Basics

• نمایشی از بوت‌استرپینگ A Bootstrapping Demonstration

• چالش و پاسخ: بوت‌استرپینگ میانه Challenge & Solution: Bootstrapping the Median

آشنایی با SQL برای تحلیلگران داده Introduction to SQL For Data Analysts

• چشم‌انداز SQL The SQL Landscape

• اتصال به پایگاه‌های داده SQL در Jupyter Connecting to SQL Databases in Jupyter

• انجام پرس‌وجوهای SQL Making SQL Queries

• انجام پرس‌وجوها با Magic commands Making Queries with Magics

• چالش و پاسخ: تمرین با SQL Challenge & Solution: Practice with SQL

مبانی پرس‌وجوهای SQL SQL Query Fundamentals

• دستور SELECT The SELECT Statement

• بند WHERE The WHERE Clause

• سایر حالت‌های بند WHERE Other WHERE Clause Situations

• بند ORDER BY The ORDER BY Clause

• چالش و پاسخ: تمرینات SQL Challenge & Solution: SQL Exercises

مدیریت داده‌ها در جداول SQL Managing Data in SQL Tables

• مبانی جداول SQL Basics of SQL Tables

• ایجاد جداول SQL Creating SQL Tables

• وارد کردن داده‌ها به جداول SQL Inserting Data Into SQL Tables

• انواع داده‌ها و محدودیت‌های SQLite SQLite's Data Types and Constraints

• چالش و پاسخ: بررسی محدودیت‌ها Challenge & Solution: Checking Out Constraints

به‌روزرسانی و حذف داده‌ها در SQL Updating and Deleting Data in SQL

• به‌روزرسانی سطرهای SQL Updating SQL Rows

• استفاده پیشرفته از UPDATE Advanced UPDATE Usage

• حذف سطرهای SQL Deleting SQL Rows

• حذف و تغییر جداول SQL Deleting and Altering SQL Tables

• چالش و پاسخ: تغییر نام ستون‌ها Challenge & Solution: Renaming Columns

روابط و Joinها در SQL SQL Relationships and Joins

• روابط بین جداول چیست؟ What Are Table Relationships?

• روابط یک‌به-یک One-to-One Relationships

• انجام Joinها در SQL Performing Joins in SQL

• روابط یک‌به-چند One-to-Many Relationships

• روابط چند‌به-چند Many-to-Many Relationships

• چالش و پاسخ: پیاده‌سازی رابطه چند‌به-چند Challenge & Solution: Many-to-Many Implementation

توابع تجمیعی و گروه‌بندی در SQL Aggregates and Grouping in SQL

• توابع تجمیعی Aggregate Functions

• استفاده از توابع تجمیعی در پرس‌وجوها Using Aggregate Functions in Queries

• بند GROUP BY The GROUP BY Clause

• کلمات کلیدی HAVING و DISTINCT The HAVING and DISTINCT Keywords

• چالش و پاسخ: تمرین با توابع تجمیعی Challenge & Solution: Practice with Aggregates

زیرپرس‌وجوها (Subqueries) در SQL SQL Subqueries

• مبانی زیرپرس‌وجوها (Subqueries) Basics of Subqueries

• زیرپرس‌وجوهای تک‌سطری Single-Row Subqueries

• زیرپرس‌وجوهای چندسطری Multi-Row Subqueries

• زیرپرس‌وجوهای مرتبط (Correlated) Correlated Subqueries

• چالش و پاسخ: زیرپرس‌وجوهای بیشتر Challenge & Solution: More Subqueries

تراکنش‌ها و Rollback در SQL SQL Transactions and Rollbacks

• مبانی تراکنش‌ها Basics of Transactions

• انجام تراکنش‌های SQL Performing SQL Transactions

• تراکنش‌های SQL با ماژول sqlite3 SQL Transactions with the sqlite3 Module

• بازگردانی تراکنش‌ها (Rollback) Rolling Back Transactions

• چالش و پاسخ: وارد کردن داده به چندین جدول Challenge & Solution: Inserting Data Into Multiple Tables

برنامه‌نویسی شی‌گرا برای تحلیلگران داده Object-Oriented Programming For Data Analysts

• برنامه‌نویسی شی‌گرا چیست؟ What Is Object-Oriented Programming?

• کار با متدها Working With Methods

• تعریف رفتار عملگرها با متدهای Dunder Defining Operator Behaviors With "Dunder" Methods

• چالش و پاسخ: ایجاد کلاس‌های Wrapper برای DataFrameها Challenge & Solution: Creating Wrapper Classes For DataFrames

استانداردهای PEP برای تحلیلگران داده PEP Guidelines For Data Analysts

• راهنمای PEP چیست؟ What Are PEP Guidelines?

• راهنمای فضای خالی در PEP8 PEP8 Whitespace Guidelines

• نحوه ساختاربندی نوت‌بوک‌ها How To Structure Notebooks

• راهنمای Docstring در PEP257 PEP257 Docstring Guidelines

• چالش و پاسخ: اصلاح کد Challenge & Solution: Fix The Code