آموزش بوت کمپ کامل پانداها 2022: علم داده با پایتون

سرفصل ها و درس ها

شروع شدن Getting Started

• بررسی اجمالی/سؤالات متداول دانشجو Overview / Student FAQ

• نکات: چگونه از این دوره بیشترین بهره را ببرید Tips: How to get the most out of this course

• آیا می دانستید که ...؟ Did you know that...?

• سوالات متداول بیشتر/اطلاعات مهم More FAQ / Important Information

• نصب آناکوندا Installation of Anaconda

• باز کردن یک نوت بوک Jupyter Opening a Jupyter Notebook

• نحوه استفاده از نوت بوک های Jupyter How to use Jupyter Notebooks

• چگونه با پانداها نسخه 1.0 مقابله کنیم How to tackle Pandas Version 1.0

---- قسمت 1: پانداها از صفر تا قهرمان (بلوک های ساختمانی) ---- ---- PART 1: PANDAS FROM ZERO TO HERO (BUILDING BLOCKS) ----

• مقدمه ای بر داده های جدولی/پانداها Intro to Tabular Data / Pandas

• دانلود: قسمت 1 مطالب درسی Download: Part 1 Course Materials

مبانی پانداها (اصول DataFrame I) Pandas Basics (DataFrame Basics I)

• اولین Pandas DataFrame خود را ایجاد کنید (از csv) Create your very first Pandas DataFrame (from csv)

• بارگیری یک فایل CSV در پانداها Loading a CSV-file into Pandas

• گزینه های نمایش پانداها و متدهای head() & tail() Pandas Display Options and the methods head() & tail()

• اولین بازرسی داده ها First Data Inspection

• آمار خلاصه Summary Statistics

• توابع، ویژگی ها و روش های داخلی با پانداها Built-in Functions, Attributes and Methods with Pandas

• کار را آسان کنید: تکمیل TAB و نکته ابزار Make it easy: TAB Completion and Tooltip

• مراحل اول First Steps

• مجموعه داده های خود را کاوش کنید: تمرین کدگذاری Jupyter 1 (مقدمه) Explore your own Dataset: Jupyter Coding Exercise 1 (Intro)

• مجموعه داده های خود را کاوش کنید: تمرین کدگذاری Jupyter 1 (راه حل) Explore your own Dataset: Jupyter Coding Exercise 1 (Solution)

• انتخاب ستون ها Selecting Columns

• انتخاب یک ستون با علامت نقطه Selecting one Column with the "dot notation"

• انتخاب ستون ها Selecting Columns

• نمایه سازی مبتنی بر صفر و نمایه سازی منفی Zero-based Indexing and Negative Indexing

• انتخاب ردیف‌ها با iloc (نمایه‌گذاری مبتنی بر موقعیت) Selecting Rows with iloc (position-based indexing)

• برش سطرها و ستون ها با iloc (نمایه گذاری مبتنی بر موقعیت) Slicing Rows and Columns with iloc (position-based indexing)

• برگه های تقلب نمایه سازی مبتنی بر موقعیت Position-based Indexing Cheat Sheets

• نمایه سازی مبتنی بر موقعیت 1 Position-based Indexing 1

• نمایه سازی مبتنی بر موقعیت 2 Position-based Indexing 2

• انتخاب ردیف‌هایی با loc (نمایه‌گذاری مبتنی بر برچسب) Selecting Rows with loc (label-based indexing)

• برش سطرها و ستون ها با loc (نمایه گذاری مبتنی بر برچسب) Slicing Rows and Columns with loc (label-based indexing)

• برگه های تقلب نمایه سازی مبتنی بر برچسب Label-based Indexing Cheat Sheets

• نمایه سازی مبتنی بر برچسب 1 Label-based Indexing 1

• نمایه سازی مبتنی بر برچسب 2 Label-based Indexing 2

• نمایه سازی و برش با reindex() Indexing and Slicing with reindex()

• خلاصه، بهترین شیوه ها و چشم انداز Summary, Best Practices and Outlook

• نمایه سازی و برش Indexing and Slicing

• تمرین کدگذاری Jupyter 2 - مقدمه Jupyter Coding Exercise 2 - Intro

• تمرین کدگذاری ژوپیتر 2 - راه حل Jupyter Coding Exercise 2 - Solution

• نمایه سازی و برش پیشرفته (اختیاری) Advanced Indexing and Slicing (optional)

سری پانداها و اشیاء شاخص Pandas Series and Index Objects

• مقدمه Intro

• گام های اول با سری پانداها First Steps with Pandas Series

• تجزیه و تحلیل سری های عددی با ()()unnique و value_counts() Analyzing Numerical Series with unique(), nunique() and value_counts()

• حداکثر مقدار در یک ستون عددی Maximum Value in a numerical column

• مقادیر منحصر به فرد در یک ستون متنی Unique Values in a Text Column

• رایج ترین مقدار در یک ستون عددی Most common Value in a numerical column

• تجزیه و تحلیل سری های غیر عددی با ()، nunique()، value_counts() Analyzing non-numerical Series with unique(), nunique(), value_counts()

• رایج ترین مقدار در یک ستون متنی Most common value in a text column

• ایجاد سری پانداها از ابتدا Creating Pandas Series from scratch

• ایجاد سری پانداها (قسمت 1) Creating Pandas Series (Part 1)

• ایجاد سری پانداها (قسمت 2) Creating Pandas Series (Part 2)

• نمایه سازی و برش سری پانداها Indexing and Slicing Pandas Series

• مرتب سازی "درجا" Sorting "inplace"

• مرتب سازی سری ها و مقدمه ای بر پارامتر - inplace Sorting of Series and Introduction to the inplace - parameter

• nlargest() و nsmallest() nlargest() and nsmallest()

• n بزرگترین مقدار در سری پانداها The n largest values in a Pandas Series

• idxmin() و idxmax() idxmin() and idxmax()

• دستکاری سری پانداها Manipulating Pandas Series

• سری پانداها Pandas Series

• تمرین کدگذاری Jupyter 3 (مقدمه) Jupyter Coding Exercise 3 (Intro)

• تمرین کدگذاری ژوپیتر 3 (راه حل) Jupyter Coding Exercise 3 (Solution)

• اولین قدم ها با اشیاء شاخص پاندا First Steps with Pandas Index Objects

• ایجاد اشیاء شاخص از ابتدا Creating Index Objects from Scratch

• انتخاب برچسب های ستون یک DataFrame Selecting Column Labels of a DataFrame

• تغییر فهرست ردیف با set_index() و reset_index() Changing Row Index with set_index() and reset_index()

• تنظیم مجدد یک شاخص Resetting an Index

• تغییر برچسب های ستون Changing Column Labels

• تغییر نام برچسب‌های فهرست و ستون با rename() Renaming Index & Column Labels with rename()

• تغییر نام برچسب های ستون Renaming Column Labels

• اشیاء شاخص پانداها Pandas Index objects

• تمرین کدگذاری Jupyter 4 (مقدمه) Jupyter Coding Exercise 4 (Intro)

• تمرین کدگذاری ژوپیتر 4 (راه حل) Jupyter Coding Exercise 4 (Solution)

DataFrame Basics II DataFrame Basics II

• مقدمه Intro

• فیلتر کردن DataFrame با یک شرط Filtering DataFrames by one Condition

• فیلتر کردن با یک شرط Filtering with one Condition

• فیلتر کردن DataFrame بر اساس بسیاری از شرایط (AND) Filtering DataFrames by many Conditions (AND)

• فیلتر کردن DataFrame بر اساس بسیاری از شرایط (OR) Filtering DataFrames by many Conditions (OR)

• فیلتر کردن با بسیاری از شرایط Filtering with many Conditions

• فیلترینگ پیشرفته با بین()، isin() و ~ Advanced Filtering with between(), isin() and ~

• فیلترینگ پیشرفته Advanced Filtering

• any() و all() any() and all()

• جستجو با هر() Search with any()

• حذف ستون ها Removing Columns

• حذف ردیف ها Removing Rows

• حذف ستون ها Removing Columns

• اضافه کردن ستون های جدید به DataFrame Adding new Columns to a DataFrame

• ایجاد ستون ها بر اساس ستون های دیگر Creating Columns based on other Columns

• اضافه کردن ستون های جدید Adding new Columns

• اضافه کردن ستون با insert() Adding Columns with insert()

• ایجاد DataFrame از ابتدا با pd.DataFrame() Creating DataFrames from Scratch with pd.DataFrame()

• ایجاد DataFrame های جدید Creating new DataFrames

• افزودن ردیف های جدید (رویکرد عملی) Adding new Rows (hands-on approach)

• DataFrame Basics II DataFrame Basics II

• تمرین کدگذاری Jupyter 5 (مقدمه) Jupyter Coding Exercise 5 (Intro)

• تمرین کدگذاری ژوپیتر 5 (راه حل) Jupyter Coding Exercise 5 (Solution)

دستکاری عناصر در یک DataFrame/Slice +++ مهم، مشکلات را بدانید!+++ Manipulating Elements in a DataFrame / Slice +++Important, know the Pitfalls!+++

• مقدمه Intro

• بهترین تمرین (چگونه باید آن را انجام دهید) Best Practice (How you should do it)

• نمایه سازی زنجیره ای: چگونه نباید آن را انجام دهید (قسمت 1) Chained Indexing: How you should NOT do it (Part 1)

• نمایه سازی زنجیره ای: چگونه نباید آن را انجام دهید (قسمت 2) Chained Indexing: How you should NOT do it (Part 2)

• مشاهده در مقابل کپی View vs. Copy

• قوانین ساده چه باید کرد وقتی... Simple Rules what to do when...

• دستکاری DataFrames/Slices Manipulating DataFrames / Slices

• تمرین کدنویسی 6 (مقدمه) Coding Exercise 6 (Intro)

• تمرین کدنویسی 6 (راه حل) Coding Exercise 6 (Solution)

DataFrame Basics III DataFrame Basics III

• مقدمه Intro

• مرتب سازی DataFrame با sort_index() و sort_values() (به روز رسانی نسخه 1.0) Sorting DataFrames with sort_index() and sort_values() (Version 1.0 Update)

• رتبه بندی DataFrame با rank() Ranking DataFrames with rank()

• nunique() و nlargest()/nsmallest() با DataFrames nunique() and nlargest() / nsmallest() with DataFrames

• خلاصه آمار و انباشت Summary Statistics and Accumulations

• متد agg(). The agg() method

• تمرین کدنویسی 7 (مقدمه) Coding Exercise 7 (Intro)

• تمرین کدنویسی 7 (راه حل) Coding Exercise 7 (Solution)

• توابع تعریف شده توسط کاربر با application()، map() و applicationmap() User-defined Functions with apply(), map() and applymap()

• نمایه سازی سلسله مراتبی (قسمت 1) Hierarchical Indexing (Part 1)

• نمایه سازی سلسله مراتبی (قسمت 2) Hierarchical Indexing (Part 2)

• عملیات رشته (قسمت 1) String Operations (Part 1)

• عملیات رشته (قسمت 2) String Operations (Part 2)

• تمرین کدنویسی 8 (مقدمه) Coding Exercise 8 (Intro)

• تمرین کدنویسی 8 (راه حل) Coding Exercise 8 (Solution)

تجسم با Matplotlib Visualization with Matplotlib

• مقدمه Intro

• متد plot(). The plot() method

• سفارشی سازی پلات ها Customization of Plots

• هیستوگرام (قسمت 1) Histograms (Part 1)

• هیستوگرام (قسمت 2) Histograms (Part 2)

• Barcharts و Piecharts Barcharts and Piecharts

• نمودارهای پراکنده Scatterplots

• تمرین کدنویسی 9 (مقدمه) Coding Exercise 9 (Intro)

• تمرین کدنویسی 9 (راه حل) Coding Exercise 9 (Solution)

---- قسمت 2: جریان کار داده های کامل A-Z ---- ---- PART 2: FULL DATA WORKFLOW A-Z ----

• به بخش 2 خوش آمدید: گردش کار کامل داده A-Z Welcome to PART 2: Full Data Workflow A-Z

• دانلود: قسمت دوم مطالب درسی Download: Part 2 Course Materials

وارد کردن داده ها Importing Data

• وارد کردن فایل‌های csv با pd.read_csv Importing csv-files with pd.read_csv

• وارد کردن فایل‌های csv آشفته با pd.read_csv Importing messy csv-files with pd.read_csv

• وارد کردن داده از اکسل با ()pd.read_excel Importing Data from Excel with pd.read_excel()

• وارد کردن داده های آشفته از اکسل با ()pd.read_excel Importing messy Data from Excel with pd.read_excel()

• وارد کردن داده ها از وب با ()pd.read_html Importing Data from the Web with pd.read_html()

• تمرین کدنویسی 10 Coding Exercise 10

پاک کردن داده ها Cleaning Data

• اولین بازرسی و مدیریت داده های متناقض First Inspection & Handling of inconsistent Data

• عملیات رشته String Operations

• تغییر نوع داده ستون ها با astype() Changing Datatype of Columns with astype()

• مقادیر مقدماتی NA/مقادیر گمشده Intro NA values / missing values

• تشخیص مقادیر از دست رفته Detection of missing Values

• حذف مقادیر از دست رفته Removing missing values

• جایگزینی مقادیر از دست رفته Replacing missing values

• Intro Duplicates Intro Duplicates

• تشخیص موارد تکراری Detection of Duplicates

• مدیریت/حذف موارد تکراری Handling / Removing Duplicates

• پارامتر ignore_index (جدید در Pandas 1.0) The ignore_index parameter (NEW in Pandas 1.0)

• تشخیص نقاط پرت Detection of Outliers

• مدیریت/حذف موارد پرت Handling / Removing Outliers

• داده های طبقه بندی شده Categorical Data

• Pandas نسخه 1.0: dtypes جدید و pd.NA Pandas Version 1.0: New dtypes and pd.NA

• تمرین کدنویسی 11 (مقدمه) Coding Exercise 11 (Intro)

• تمرین کدنویسی 11 (راه حل) Coding Exercise 11 (Solution)

ادغام، پیوستن، و الحاق داده ها Merging, Joining, and Concatenating Data

• مقدمه Intro

• افزودن ردیف با append() و pd.concat() (قسمت 1) Adding Rows with append() and pd.concat() (Part 1)

• اضافه کردن سطرها با pd.concat() (قسمت 2) Adding Rows with pd.concat() (Part 2)

• حساب با اشیاء پاندا/تراز داده ها Arithmetic with Pandas Objects / Data Alignment

• EXCURSUS: مقایسه دو DataFrame/شناسایی تفاوت ها EXCURSUS: Comparing two DataFrames / Identify Differences

• اتصالات بیرونی با merge() Outer Joins with merge()

• اتصالات داخلی با merge() Inner Joins with merge()

• اتصالات بیرونی (بدون تقاطع) با merge() Outer Joins (without Intersection) with merge()

• اتصالات چپ (بدون تقاطع) با merge() Left Joins (without Intersection) with merge()

• اتصال سمت راست (بدون تقاطع) با merge() Right Joins (without Intersection) with merge()

• پیوستن به چپ با merge() Left Joins with merge()

• اتصال سمت راست با merge() Right Joins with merge()

• پیوستن به نام‌ها/نمایه‌های مختلف ستون Joining on different Column Names / Indexes

• پیوستن به بیش از یک ستون Joining on more than one Column

• () pd.merge و join() pd.merge() and join()

• تمرین کدگذاری 12 Coding Exercise 12

عملیات GroupBy GroupBy Operations

• مقدمه Intro

• درک شی GroupBy Understanding the GroupBy Object

• تقسیم با کلیدهای زیادی Splitting with many Keys

• split-apply-combine توضیح داده شد split-apply-combine explained

• split-apply-combine اعمال شد split-apply-combine applied

• GroupBy 1 GroupBy 1

• تجمیع پیشرفته با agg() Advanced aggregation with agg()

• GroupBy Aggregation با Relabeling (جدید - Pandas نسخه 0.25) GroupBy Aggregation with Relabeling (NEW - Pandas Version 0.25)

• تبدیل با transform() Transformation with transform()

• جایگزینی مقادیر NA با مقادیر خاص گروه Replacing NA Values by group-specific Values

• تعمیم split-apply-combine با application() Generalizing split-apply-combine with apply()

• نمایه سازی سلسله مراتبی با Groupby Hierarchical Indexing with Groupby

• stack() و unstack() stack() and unstack()

• GroupBy 2 GroupBy 2

• تمرین کدنویسی 13 (مقدمه) Coding Exercise 13 (Intro)

• تمرین کدنویسی 13 (راه حل) Coding Exercise 13 (Solution)

تغییر شکل و چرخش DataFrame Reshaping and Pivoting DataFrames

• مقدمه Intro

• جابجایی سطرها و ستون ها Transposing Rows and Columns

• چرخش DataFrame با pivot() Pivoting DataFrames with pivot()

• محدودیت های pivot() Limits of pivot()

• جدول محوری() pivot_table()

• pd.crosstab() pd.crosstab()

• ذوب DataFrame با melt() melting DataFrames with melt()

• تمرین کدنویسی 14 Coding Exercise 14

آماده سازی داده ها و ایجاد ویژگی Data Preparation and Feature Creation

• مقدمه Intro

• عملیات حسابی (قسمت 1) Arithmetic Operations (Part 1)

• عملیات حسابی (قسمت 2) Arithmetic Operations (Part 2)

• تبدیل/نقشه برداری با map() Transformation/Mapping with map()

• دگرگونی مشروط Conditional Transformation

• گسسته سازی و Binning با ()pd.cut (قسمت 1) Discretization and Binning with pd.cut() (Part 1)

• گسسته سازی و Binning با ()pd.cut (قسمت 2) Discretization and Binning with pd.cut() (Part 2)

• گسسته سازی و Binning با ()pd.qcut Discretization and Binning with pd.qcut()

• کف و درپوش Floors and Caps

• مقیاس بندی/استانداردسازی Scaling / Standardization

• ایجاد متغیرهای ساختگی Creating Dummy Variables

• عملیات رشته String Operations

• تمرین کدگذاری 15 Coding Exercise 15

تجسم پیشرفته با Seaborn Advanced Visualization with Seaborn

• مقدمه Intro

• اولین قدم ها در Seaborn First Steps in Seaborn

• قطعه های طبقه بندی شده Categorical Plots

• پلات های مشترک/پلات های رگرسیون Joint Plots / Regression Plots

• Matrixplots/Heatmaps Matrixplots / Heatmaps

• تمرین کدنویسی 16 Coding Exercise 16

---- قسمت 3: چالش های پروژه جامع ---- ---- PART 3: COMPREHENSIVE PROJECT CHALLENGES ----

• معرفی و دانلودها Intro and Downloads

چالش دستکاری داده ها و تجمیع (جدول مدال های المپیک) Data Manipulation and Aggregation Challenge (Olympic Medal Tables)

• جداول مدال المپیک (دستورالعمل و نکات) Olympic Medal Tables (Instruction & Hints)

• جداول مدال های المپیک (راه حل قسمت 1) Olympic Medal Tables (Solution Part 1)

• جداول مدال های المپیک (راه حل قسمت 2) Olympic Medal Tables (Solution Part 2)

• جداول مدال های المپیک (راه حل قسمت 3) Olympic Medal Tables (Solution Part 3)

چالش تجزیه و تحلیل داده های توضیحی Explanatory Data Analysis Challenge

• معرفی و بررسی اجمالی چالش Challenge Introduction and Overview

• ادغام و الحاق (راه حل قسمت 1) Merging and Concatenating (Solution Part 1)

• پاکسازی داده 1 (راه حل قسمت 2) Data Cleaning 1 (Solution Part 2)

• پاکسازی داده 2 (راه حل قسمت 3) Data Cleaning 2 (Solution Part 3)

• موفق ترین کشورها (راه حل قسمت 4) The most successful Countries (Solution Part 4)

• تأثیر تولید ناخالص داخلی، جمعیت و سیاست (راه حل قسمت 5) Impact of GDP, Population and Politics (Solution Part 5)

• تجزیه و تحلیل آماری و آزمون فرضیه (راه حل قسمت 6) Statistical Analysis and Hypothesis Testing (Solution Part 6)

• تجمیع و رتبه بندی (راه حل قسمت 7) Aggregating and Ranking (Solution Part 7)

• بازی‌های تابستانی در مقابل بازی‌های زمستانی - آیا مکان اهمیت دارد؟ (راه حل قسمت 8) Summer Games vs. Winter Games - does Location matter? (Solution Part 8)

• مردان در مقابل زنان - آیا فرهنگ و مذهب اهمیت دارد؟ (راه حل قسمت 9) Men vs. Women - do Culture & Religion matter? (Solution Part 9)

• ورزش و سنت های ملی (راه حل بخش 10) National Sports and Traditions (Solution Part 10)

---- قسمت 4: پانداها برای امور مالی، سرمایه گذاری و سری زمانی ---- ---- PART 4: PANDAS FOR FINANCE, INVESTING & TIME SERIES ----

• به بخش 4: امور مالی و سرمایه گذاری با پانداها خوش آمدید Welcome to PART 4: Finance and Investments with Pandas

• دانلود: قسمت چهارم مطالب درسی Download: Part 4 Course Materials

مبانی سری زمانی Time Series Basics

• وارد کردن داده‌های سری زمانی از فایل‌های csv Importing Time Series Data from csv-files

• تبدیل رشته ها به اشیاء datetime با ()pd.to_datetime Converting strings to datetime objects with pd.to_datetime()

• تجزیه و تحلیل اولیه/تجسم سری های زمانی Initial Analysis / Visualization of Time Series

• فهرست بندی و برش سری های زمانی Indexing and Slicing Time Series

• ایجاد یک DatetimeIndex سفارشی با pd.date_range() Creating a customized DatetimeIndex with pd.date_range()

• اطلاعات بیشتر در pd.date_range() More on pd.date_range()

• نمونه برداری از سری زمانی با resample() (قسمت 1) Downsampling Time Series with resample() (Part 1)

• نمونه برداری از سری زمانی با نمونه مجدد (قسمت 2) Downsampling Time Series with resample (Part 2)

• شی PeriodIndex The PeriodIndex object

• نمایه سازی پیشرفته با reindex() Advanced Indexing with reindex()

پانداها برای امور مالی و سرمایه گذاری Pandas for Finance and Investing

• مقدمه Intro

• آماده شدن (نصب بسته مورد نیاز) Getting Ready (Installing required package)

• وارد کردن داده های قیمت سهام از Yahoo Finance (هنوز کار می کند!) Importing Stock Price Data from Yahoo Finance (it still works!)

• بازرسی اولیه و تجسم Initial Inspection and Visualization

• عادی سازی سری زمانی به مقدار پایه (100) Normalizing Time Series to a Base Value (100)

• متد ()shift The shift() method

• متدهای diff() و pct_change() The methods diff() and pct_change()

• اندازه گیری عملکرد سهام با بازده MEAN و STD از بازده Measuring Stock Performance with MEAN Returns and STD of Returns

• سری زمانی مالی - بازده و ریسک Financial Time Series - Return and Risk

• سری زمانی مالی - کوواریانس و همبستگی Financial Time Series - Covariance and Correlation

• ویژگی ها و روش های مفید DatetimeIndex Helpful DatetimeIndex Attributes and Methods

• پر کردن مقادیر NA با bfill، ffill و interpolation Filling NA Values with bfill, ffill and interpolation

• تمرین کدنویسی 17 Coding Exercise 17

---- قسمت 5: یادگیری ماشینی با پانداها و SCIKIT-LEARN ---- ---- PART 5: MACHINE LEARNING WITH PANDAS AND SCIKIT-LEARN ----

• بررسی اجمالی و دانلودها Overview & Downloads

مقدمه ای بر رگرسیون و طبقه بندی Introduction to Regression and Classification

• یادگیری ماشین - یک مرور کلی Machine Learning - an Overview

• رگرسیون خطی با scikit-learn - یک مقدمه ساده Linear Regression with scikit-learn - a simple Introduction

• پیش بینی با رگرسیون خطی Making Predictions with Linear Regression

• بیش از حد برازش Overfitting

• کم تناسب Underfitting

• رگرسیون لجستیک با scikit-learn - یک مقدمه ساده (قسمت 1) Logistic Regression with scikit-learn - a simple Introduction (Part 1)

• رگرسیون لجستیک با scikit-learn - یک مقدمه ساده (قسمت 2) Logistic Regression with scikit-learn - a simple Introduction (Part 2)

جایزه: پروژه یادگیری ماشین A-Z (رگرسیون) BONUS: Machine Learning Project A-Z (Regression)

• معرفی پروژه Project Intro

• وارد کردن مجموعه داده و اولین بازرسی Importing the Dataset and first Inspection

• پاک کردن داده ها و ایجاد ویژگی های بیشتر Cleaning the Data and Creating more Features

• تجزیه و تحلیل داده های توضیحی (قسمت 1) Explanatory Data Analysis (Part 1)

• تجزیه و تحلیل داده های توضیحی (قسمت 2) Explanatory Data Analysis (Part 2)

• مهندسی ویژگی (قسمت 1) Feature Engineering (Part 1)

• مهندسی ویژگی (قسمت 2) Feature Engineering (Part 2)

• تقسیم داده ها به مجموعه آموزشی و مجموعه تست Splitting the Data into Training Set and Test Set

• آموزش مدل یادگیری ماشینی Training the Machine Learning Model

• تست/ارزیابی مدل با مجموعه تست Testing/Evaluating the Model with the Test Set

• اهمیت ویژگی Feature Importance

+++ چه چیزهایی در PANDAS VERSION 1.0 جدید است؟ - راهنمای عملی +++ +++ WHAT´S NEW IN PANDAS VERSION 1.0? - A HANDS-ON GUIDE +++

• مقدمه و نمای کلی Intro and Overview

• نحوه آپدیت پانداها به نسخه 1.0 How to update Pandas to Version 1.0

• دانلود برای این بخش Downloads for this Section

• خلاصه مهم: گزینه های نمایش پانداها (تغییر در نسخه 0.25) Important Recap: Pandas Display Options (Changed in Version 0.25)

• روش Info() - خروجی جدید و توسعه یافته Info() method - new and extended output

• dtypes جدید پسوند (dtypes "nullable"): چرا به آنها نیاز داریم؟ NEW Extension dtypes ("nullable" dtypes): Why do we need them?

• ایجاد پسوند جدید dtypes با convert_dtypes() Creating the NEW extension dtypes with convert_dtypes()

• مقدار جدید pd.NA برای مقادیر از دست رفته NEW pd.NA value for missing values

• جدید "nullable" Int64Dtype The NEW "nullable" Int64Dtype

• StringDtype جدید The NEW StringDtype

• جدید "nullable" BooleanDtype The NEW "nullable" BooleanDtype

• اضافه کردن پارامتر ignore_index Addition of the ignore_index parameter

• حذف نسخه قبلی Removal of prior Version Deprecations

---- ضمیمه: مبانی پایتون، NUMPY و آمار ---- ---- APPENDIX: PYTHON BASICS, NUMPY & STATISTICS ----

• به ضمیمه خوش آمدید Welcome to the Appendix

مبانی پایتون Python Basics

• دانلودها Downloads

• مقدمه Intro

• مراحل اول First Steps

• متغیرها Variables

• انواع داده ها: اعداد صحیح و شناور Data Types: Integers and Floats

• انواع داده ها: رشته ها Data Types: Strings

• انواع داده ها: فهرست ها (قسمت 1) Data Types: Lists (Part 1)

• انواع داده ها: فهرست ها (قسمت 2) Data Types: Lists (Part 2)

• انواع داده ها: تاپلی Data Types: Tuples

• انواع داده ها: مجموعه ها Data Types: Sets

• اپراتورها و بولی ها Operators & Booleans

• اظهارات مشروط (اگر، elif، else، while) Conditional Statements (if, elif, else, while)

• برای حلقه ها For Loops

• کلمات کلیدی شکستن، پاس، ادامه دادن Key words break, pass, continue

• تولید اعداد تصادفی Generating Random Numbers

• توابع تعریف شده توسط کاربر (قسمت 1) User Defined Functions (Part 1)

• توابع تعریف شده توسط کاربر (قسمت 2) User Defined Functions (Part 2)

• توابع تعریف شده توسط کاربر (قسمت 3) User Defined Functions (Part 3)

• تجسم با Matplotlib Visualization with Matplotlib

• مبانی پایتون Python Basics

• آزمون مبانی پایتون: راه حل Python Basics Quiz: Solution

بسته Numpy The Numpy Package

• دانلودها Downloads

• مقدمه ای بر Numpy Arrays Introduction to Numpy Arrays

• آرایه های Numpy: برداری Numpy Arrays: Vectorization

• آرایه های Numpy: نمایه سازی و برش Numpy Arrays: Indexing and Slicing

• آرایه‌های Numpy: شکل و ابعاد Numpy Arrays: Shape and Dimensions

• آرایه های Numpy: نمایه سازی و برش آرایه های چند بعدی Numpy Arrays: Indexing and Slicing of multi-dimensional Arrays

• آرایه های Numpy: نمایه سازی بولی Numpy Arrays: Boolean Indexing

• تولید اعداد تصادفی Generating Random Numbers

• مسائل مربوط به عملکرد Performance Issues

• مطالعه موردی: کتابخانه استاندارد Numpy در مقابل پایتون Case Study: Numpy vs. Python Standard Library

• آمار خلاصه Summary Statistics

• تجسم و رگرسیون (خطی). Visualization and (Linear) Regression

• ناپخته Numpy

• امتحان Numpy: راه حل Numpy Quiz: Solution

مفاهیم آماری Statistical Concepts

• آمار - مرور کلی، اصطلاحات و واژگان Statistics - Overview, Terms and Vocabulary

• دانلود برای این بخش Downloads for this Section

• جمعیت در مقابل نمونه Population vs. Sample

• تجسم توزیع فرکانس با ()plt.hist Visualizing Frequency Distributions with plt.hist()

• فرکانس های نسبی و تجمعی با ()plt.hist Relative and Cumulative Frequencies with plt.hist()

• معیارهای گرایش مرکزی (نظریه) Measures of Central Tendency (Theory)

• معیارهای کدگذاری گرایش مرکزی - میانگین و میانه Coding Measures of Central Tendency - Mean and Median

• معیارهای کدگذاری گرایش مرکزی - میانگین هندسی Coding Measures of Central Tendency - Geometric Mean

• تغییرپذیری حول گرایش مرکزی/پراکندگی (نظریه) Variability around the Central Tendency / Dispersion (Theory)

• حداقل، حداکثر و محدوده با Python/Numpy Minimum, Maximum and Range with Python/Numpy

• صدک با پایتون/Numpy Percentiles with Python/Numpy

• واریانس و انحراف استاندارد با Python/Numpy Variance and Standard Deviation with Python/Numpy

• انحراف و کورتوزیس (نظریه) Skew and Kurtosis (Theory)

• نحوه محاسبه Skew و Kurtosis با scipy.stats How to calculate Skew and Kurtosis with scipy.stats

• نحوه تولید اعداد تصادفی با Numpy How to generate Random Numbers with Numpy

• تکرارپذیری با np.random.seed() Reproducibility with np.random.seed()

• توزیع احتمالات - بررسی اجمالی Probability Distributions - Overview

• توزیع های یکنواخت گسسته Discrete Uniform Distributions

• توزیع های یکنواخت پیوسته Continuous Uniform Distributions

• توزیع نرمال (نظریه) The Normal Distribution (Theory)

• ایجاد یک متغیر تصادفی با توزیع معمولی Creating a normally distributed Random Variable

• توزیع عادی - تابع چگالی احتمال (pdf) با scipy.stats Normal Distribution - Probability Density Function (pdf) with scipy.stats

• توزیع عادی - تابع توزیع تجمعی (cdf) با scipy.stats Normal Distribution - Cumulative Distribution Function (cdf) with scipy.stats

• توزیع نرمال استاندارد و مقادیر Z The Standard Normal Distribution and Z-Values

• ویژگی های توزیع نرمال استاندارد (نظریه) Properties of the Standard Normal Distribution (Theory)

• احتمالات و Z-Values ​​با scipy.stats Probabilities and Z-Values with scipy.stats

• فواصل اطمینان با scipy.stats Confidence Intervals with scipy.stats

• کوواریانس و ضریب همبستگی (نظریه) Covariance and Correlation Coefficient (Theory)

• تمیز کردن و آماده سازی پایگاه داده ها - فیلم ها (قسمت 1) Cleaning and preparing the Data - Movies Database (Part 1)

• تمیز کردن و آماده سازی پایگاه داده - فیلم ها (قسمت 2) Cleaning and preparing the Data - Movies Database (Part 2)

• نحوه محاسبه کوواریانس و همبستگی در پایتون How to calculate Covariance and Correlation in Python

• همبستگی و پراکندگی - تفسیر بصری Correlation and Scatterplots – visual Interpretation

• رگرسیون خطی چیست؟ (تئوری) What is Linear Regression? (Theory)

• یک مدل رگرسیون خطی ساده با numpy و scipy A simple Linear Regression Model with numpy & Scipy

• نحوه تفسیر ضریب فاصله و شیب How to interpret Intercept and Slope Coefficient

• مطالعه موردی (قسمت 1): مدل بازار (مدل تک عاملی) Case Study (Part 1): The Market Model (Single Factor Model)

• مطالعه موردی (بخش 2): مدل بازار (مدل تک عاملی) Case Study (Part 2): The Market Model (Single Factor Model)

بعد چی؟ (چشم انداز و منابع اضافی) What´s next? (outlook and additional resources)

• سخنرانی پاداش Bonus Lecture