تسلط بر برنامه نویسی NumPy: یادگیری پایتون برای تجزیه و تحلیل داده ها

سرفصل ها و درس ها

بخش 1: شروع به کار با NumPy Section 1: Getting Started with NumPy

• آشنایی با آرایه ها و ماتریس ها Understanding Arrays and Matrices

• ایجاد آرایه های NumPy Creating NumPy Arrays

• عملیات آرایه پایه Basic Array Operations

بخش 2: دستکاری آرایه NumPy Section 2: NumPy Array Manipulation

• نمایه سازی و برش آرایه ها Indexing and Slicing Arrays

• تغییر شکل و صاف کردن آرایه ها Reshaping and Flattening Arrays

• پیوستن و تقسیم آرایه ها Joining and Splitting Arrays

• کپی و مشاهده آرایه ها Copying and Viewing Arrays

بخش 3: عملیات ریاضی NumPy Section 3: NumPy Mathematical Operations

• توابع پایه ریاضی Basic Mathematical Functions

• عملیات آماری Statistical Operations

• جبر خطی با NumPy Linear Algebra with NumPy

• پخش و برداری Broadcasting and Vectorization

بخش 4: کار با داده ها در NumPy Section 4: Working with Data in NumPy

• بارگیری داده ها از فایل ها Loading Data from Files

• ذخیره داده ها در فایل ها Saving Data to Files

• رسیدگی به داده های از دست رفته Handling Missing Data

• کار با آرایه های ساخت یافته Working with Structured Arrays

بخش 5: تکنیک های پیشرفته NumPy Section 5: Advanced NumPy Techniques

• استفاده از NumPy برای پردازش تصویر Using NumPy for Image Processing

• پیاده سازی تولید اعداد تصادفی Implementing Random Number Generation

• تکنیک های پیشرفته نمایه سازی Advanced Indexing Techniques

• بهینه سازی با NumPy Optimization with NumPy

بخش 6: عملکرد و بهینه سازی Section 6: Performance and Optimization

• ملاحظات عملکرد در NumPy Performance Considerations in NumPy

• استفاده از Cython برای افزایش سرعت NumPy Using Cython to Speed Up NumPy

• ادغام NumPy با کتابخانه های دیگر Integrating NumPy with Other Libraries