آموزش مقدمه‌ای بر تحلیل کاربردی کسب‌وکار (Business Analytics) - آخرین آپدیت

مقدمه دوره و ماژول ۱: چگونه استفاده از زبان تحلیل داده را برای حل مسائل تجاری آغاز کنم؟ Course Introduction and Module 1: How Do I Get Started Using a Data Analytic Language to Solve Business Problems?

• مقدمه دوره Course Introduction

• آشنایی با پروفسور ران گایمون Meet Professor Ron Guymon

• تأثیر جامعه گیز (Gies) The Impact of the Gies Community

• مقدمه ماژول ۱ Module 1 Introduction

• نمای کلی تحلیل کسب‌وکار Overview of Business Analytics

• مثال‌هایی از تحلیل کسب‌وکار Examples of Business Analytics

• چارچوب FACT FACT Framework

• چرا پایتون برای تحلیل کسب‌وکار؟ Why Python for Business Analytics?

• ابزارهای مکمل پایتون Python Accoutrements

• پایتون و محیط‌های توسعه یکپارچه (IDEs) Python and Integrated Development Environments (IDEs)

• نصب پایتون با استفاده از JupyterLab Desktop (پیشنهادی برای ویندوز و مک) Installing Python Using JupyterLab Desktop (Recommended for Windows and Mac Users)

• نصب پایتون با Homebrew و Pyenv (برای کاربران پیشرفته مک) Installing Python Using Homebrew and Pyenv (For advanced Mac users)

• نصب پایتون از Python.org برای ویندوز (برای کاربران پیشرفته ویندوز) Installing Python from Python.org for Windows (For advanced Windows users)

• مثالی از جریان کاری با JupyterLab An Example Workflow With JupyterLab

• تور محیط JupyterLab Tour of JupyterLab

• استفاده از فایل‌های نوت‌بوک تعاملی پایتون (IPYNB) Using Interactive Python Notebook (IPYNB) Files

• تور محیط Jupyter Notebook Tour of Jupyter Notebook

• محاسبات پایه با پایتون Basic Calculations with Python

• گوگل کولب (Google Colab)؛ نسخه آنلاین Jupyter Notebook Google Colab - An Online Version of Jupyter Notebook

• جمع‌بندی ماژول ۱ Module 1 Conclusion

ماژول ۲: چگونه سوالات تجاری و سوالات تحلیل داده را چارچوب‌بندی کنم؟ Module 2: How Can I Frame Business Questions and Data Analytic Questions?

• مقدمه ماژول ۲ Module 2 Introduction

• چارچوب‌بندی سوالات برای دستیابی به بینش‌های کاربردی Framing Questions for Actionable Insight

• چارچوب‌بندی سوالات مربوط به پایتون Framing Python Questions

• چارچوب‌بندی سوالات برای منابع خارجی Framing Questions for External Sources

• چارچوب‌بندی سوالات برای مستندات داخلی پایتون Framing Questions for Python's Built-In Documentation

• چارچوب‌بندی سوالات درباره توابع و متدهای ماژول‌ها Framing Questions About Module Functions and Methods

• چارچوب‌بندی سوالات درباره دیتافریم‌های پانداز (Pandas) Framing Questions About Pandas Dataframes

• چارچوب‌بندی سوالات درباره دیکشنری‌های پایتون Framing Questions About Python Dictionaries

• چارچوب‌بندی سوالات درباره لیست‌های پایتون Framing Questions About Python Lists

• چارچوب‌بندی سوالات درباره رشته‌های پایتون Framing Questions About Python Strings

• اقدام بر اساس پاسخ Acting on the Answer

• اقدام بر اساس پاسخ از طریق اجرای آزمایش‌های کد Acting on the Answer by Running Code Experiments

• اقدام بر اساس پاسخ با تحلیل پیام‌های خطا Acting on the Answer by Reading Error Messages

• جمع‌بندی ماژول ۲ Module 2 Conclusion

ماژول ۳: چگونه داده‌ها را کاوش و بررسی کنم؟ Module 3: How Can I Explore the Data?

• مقدمه ماژول ۳ Module 3 Introduction

• آیا داده‌ها یک دارایی هستند؟ Is Data an Asset?

• جمع‌آوری داده‌ها Assembling Data

• ویژگی‌های یک دیتافریم مرتب (Tidy Dataframe) Properties of a Tidy Dataframe

• دیکشنری‌های داده Data Dictionaries

• ویژگی‌های یک مجموعه داده مرتب Characteristics of a Tidy Dataset

• کاوش در دیتافریم‌ها با استفاده از فیلترها Exploring Dataframes Using Filters

• کاوش در دیتافریم‌ها با استفاده از دستورات شرطی Exploring Dataframes Using Conditional Statements

• آمار توصیفی Summary Statistics

• کاوش در داده‌ها با استفاده از آمار توصیفی Exploring Data with Summary Statistics

• کاوش در دیتافریم‌ها با استفاده از بصری‌سازی Exploring Dataframes with Visualizations

• جمع‌بندی ماژول ۳ Module 3 Conclusion

ماژول ۴: چگونه داده‌ها را جمع‌آوری و سازماندهی کنم؟ Module 4: How Do I Assemble the Data?

• مقدمه ماژول ۴ Module 4 Introduction

• پاک‌سازی و پیش‌پردازش داده‌ها Cleaning and Preprocessing the Data

• وظایف کلی پاک‌سازی داده‌ها برای ستون‌های دیتافریم General Data Cleaning Tasks for Columns of a Dataframe

• وظایف کلی پاک‌سازی داده‌ها برای ردیف‌های دیتافریم General Data Cleaning Tasks for Rows of a Dataframe

• پاک‌سازی ستون‌های متنی (String) در دیتافریم Cleaning String Columns of a Dataframe

• پاک‌سازی ستون‌های تاریخ در دیتافریم Cleaning Date Columns of a Dataframe

• شکل دیتافریم: عریض در مقابل طولی Dataframe Shape: Wide Versus Long

• تغییر شکل (Reshaping) یک دیتافریم Changing the Shape of a Dataframe

• ترکیب دیتافریم‌ها Combining Dataframes

• بهینه‌سازی و پاک‌سازی کدها Cleaning Your Code

• ذخیره‌سازی داده‌های پاک‌سازی شده Saving Cleaned Data

• جمع‌بندی ماژول ۴ Module 4 Conclusion

• یادگیری مطابق با شرایط شما Learn on Your Terms