آموزش مبانی علوم داده: پشته علمی پایتون

سرفصل ها و درس ها

مقدمه Introduction

• خوش آمدی Welcome

• آنچه باید بدانید What you should know

• راه اندازی مک Mac setup

• نصب ویندوز Windows setup

• راه اندازی لینوکس Linux setup

• نحوه استفاده از پرونده های تمرینی How to use the exercise files

1. بررسی اجمالی علمی پایتون 1. Scientific Python Overview

• با علمی پایتون بپیچید Ramp up with Scientific Python

2. نوت بوک Jupyter 2. The Jupyter Notebook

• سرور نوت بوک را شروع کنید Start the notebook server

• از سلولهای کد استفاده کنید Use code cells

• برنامه های افزودنی به زبان پایتون Extensions to Python language

• سلولهای علامت گذاری را درک کنید Understand markdown cells

• نوت بوک ها را ویرایش کنید Edit notebooks

3. مبانی NumPy 3. NumPy Basics

• بررسی اجمالی: NumPy Overview: NumPy

• آرایه های NumPy NumPy arrays

• برش Slicing

• نمایه سازی بولی را بیاموزید Learn Boolean indexing

• پخش را درک کنید Understand broadcasting

• عملیات آرایه را درک کنید Understand array operations

• درک ufuncs Understand ufuncs

4. پاندا 4. Pandas

• نمای کلی پاندا Pandas overview

• بارگذاری پرونده های CSV Load CSV files

• زمان تجزیه Parse time

• به ردیف ها و ستون ها دسترسی پیدا کنید Access rows and columns

• از بسته های خالص پایتون استفاده کنید Use pure Python packages

• سرعت را محاسبه کنید Calculate speed

• طرح جعبه سرعت را نمایش دهید Display a speed box plot

5- کاندا 5. Conda

• معرفی بسته های پایتون Introduction to Python packages

• محیط ها را مدیریت کنید Manage environments

6. Folium و Geo 6. Folium and Geo

• نقشه اولیه ایجاد کنید Create an initial map

• یک نقشه را روی نقشه بکشید Draw a track on the map

• از داده های جغرافیایی با Shapely استفاده کنید Use geo data with Shapely

• گزارش تهیه کنید Generate a report

7. داده تاکسی NY 7. NY Taxi Data

• داده ها را بررسی کنید Examine data

• بارگیری داده ها از پرونده های CSV Load data from CSV files

• با داده های طبقه بندی شده کار کنید Work with categorical data

• کار با داده ها: مسافرتهای ساعتی Work with data: Hourly trip rides

• کار با داده: هر ساعت سوار شوید Work with data: Rides per hour

• کار با داده ها: داده های آب و هوا Work with data: Weather data

8. scikit-Learning 8. scikit-learn

• مقدمه: scikit-Learn Introduction: scikit-learn

• رگرسیون را در مجموعه داده های بوستون بیاموزید Learn regression on Boston dataset

• تقسیم قطار / آزمون را درک کنید Understand train/test splits

• داده های پردازش Preprocess data

• خطوط لوله را بنویسید Compose pipelines

• مدل ها را ذخیره و بارگیری کنید Save and load models

9- طرح ریزی 9. Plotting

• بررسی اجمالی: matplotlib Overview: matplotlib

• از سبک ها استفاده کنید Use styles

• خروجی پاندا را سفارشی کنید Customize Pandas output

• از matplotlib استفاده کنید Use matplotlib

• نکات و ترفندها Tips and tricks

• بوکه را درک کنید Understand bokeh

10. بسته های دیگر 10. Other Packages

• نمای کلی سایر بسته ها Other packages overview

• سریعتر با Numba و Cython بروید Go faster with Numba and Cython

• یادگیری عمیق را درک کنید Understand deep learning

• با پردازش تصویر کار کنید Work with image processing

• درک NLP: NLTK Understand NLP: NLTK

• درک NLP: SpaCy Understand NLP: SpaCy

• داده های بزرگتر با HDF5 و dask Bigger data with HDF5 and dask

11. فرایند توسعه 11. Development Process

• بررسی اجمالی Overview

• کنترل منبع را درک کنید Understand source control

• بررسی کد را یاد بگیرید Learn code review

• بررسی اجمالی Testing overview

• نمونه تست Testing example

نتیجه Conclusion

• مراحل بعدی Next steps