لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
برنامه نویسی برای تحقیقات علمی با پایتون و R
Programming for Scientific Research with Python and R
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
تسلط بر پایتون و R برای تجزیه و تحلیل داده های علمی اصول برنامه نویسی اصلی: مفاهیم اصلی برنامه نویسی مانند متغیرها، انواع داده ها، جریان کنترل، توابع و ماژول ها را در پایتون و R بیاموزید. Wrangle و تجزیه و تحلیل داده ها: به طور موثر داده های علمی خود را با استفاده از فایل مدیریت و دستکاری کنید. تکنیکهای مدیریت در پایتون و روشهای دستکاری دادهها در R. انجام تجزیه و تحلیل آماری: از کتابخانههایی مانند NumPy و SciPy در پایتون، همراه با قابلیتهای اصلی R، برای انجام تحلیلهای آماری ضروری استفاده کنید. تجسمهای آموزنده ایجاد کنید: نمودارها و نمودارهای قانعکننده ایجاد کنید تا یافتههای پژوهشی خود را به وضوح بیان کنید. با استفاده از کتابخانههایی مانند Matplotlib در Python برنامههای کاربردی هوش مصنوعی را کاوش کنید: مقدمهای بر هوش مصنوعی، از جمله تکنیکهای یادگیری عمیق و کاربرد آنها در تحقیقات علمی، مهارتهای خود را در مسائل دنیای واقعی به کار ببرید: با کار کردن از طریق مطالعات موردی که به انواع مختلف میپردازند، دانش جدید خود را عملی کنید. سناریوهای تحقیقاتی پیش نیازها: چه در برنامه نویسی تازه کار باشید و چه تجربه داشته باشید، این دوره شما را با مهارت های اساسی مورد نیاز برای مقابله با تجزیه و تحلیل داده های علمی و پروژه های تحقیقاتی مجهز می کند.
داده های علمی را با پایتون و R تسخیر کنید!
قدرت برنامه نویسی را برای تحقیقات خود آزاد کنید!
این دوره جامع و عملی شما را به مهارت های برنامه نویسی ضروری مورد نیاز برای مقابله با تجزیه و تحلیل داده های علمی و پروژه های تحقیقاتی مجهز می کند. چه یک محقق، دانشجو، یا صرفاً در مورد محاسبات علمی کنجکاو باشید، این دوره ترکیبی عالی از پایتون و R را ارائه می دهد تا سفر علمی شما را تقویت کند.
تسلط بر اصول اساسی:
درکی کامل از هر دو زبان برنامه نویسی پایتون و R به دست آورید.
مفاهیم اصلی برنامهنویسی مانند متغیرها، انواع دادهها، جریان کنترل و توابع را در پایتون و R.
نقاط قوت و ضعف هر زبان را برای انتخاب ابزار مناسب برای نیازهای تحقیقاتی خود کاوش کنید.
با اعتماد به نفس بحث و تجزیه و تحلیل کنید:
برای مدیریت موثر داده های علمی خود، تکنیک های مدیریت فایل ضروری را در پایتون درک کنید.
روش های دستکاری داده ها را در R برای سازماندهی و آماده سازی داده های خود برای تجزیه و تحلیل مسلط کنید.
از کتابخانه های قدرتمندی مانند NumPy و SciPy در پایتون و عملکردهای اصلی R برای انجام محاسبات آماری که برای تحقیق شما حیاتی هستند، استفاده کنید.
یافته های خود را به وضوح تجسم کنید:
با استفاده از Matplotlib در Python و ggplot2 در R، نمودارهای آموزنده و جذاب بسازید.
نتایج تحقیقات خود را از طریق تجسم دادههای قانعکننده، از جمله نمودارهای پیشرفته و متحرک در R به اشتراک بگذارید.
به هوش مصنوعی بروید:
آشنایی با هوش مصنوعی داشته باشید و با استفاده از Python و R از تکنیک های یادگیری عمیق در داده های علمی استفاده کنید.
کاربردهای عملی مانند پردازش داده های مکانی و تجزیه و تحلیل مجموعه داده های علمی با هوش مصنوعی را کاوش کنید.
برنامه های کاربردی در دنیای واقعی:
مهارت های برنامه نویسی خود را در مطالعات موردی عملی در تحقیقات علمی به کار ببرید.
با سناریوهای دنیای واقعی، از جمله تجزیه و تحلیل دادههای آب و هوا و شاخصهای سنجش از راه دور مقابله کنید.
در پایان این دوره، شما قادر خواهید بود:
با خیال راحت با پایتون و R در دنیای محاسبات علمی پیمایش کنید.
داده های علمی خود را به راحتی تمیز، دستکاری و تجزیه و تحلیل کنید.
تحلیل های آماری ضروری را برای حمایت از تحقیقات خود انجام دهید.
از تکنیکهای هوش مصنوعی برای افزایش قابلیتهای تجزیه و تحلیل دادههای خود استفاده کنید.
تجسمهای دادهای تأثیرگذار ایجاد کنید تا یافتههای خود را به طور مؤثر ارتباط برقرار کنید.
امروز به ما بپیوندید و با قدرت پایتون و R شروع به تسخیر داده های علمی خود کنید!
سرفصل ها و درس ها
شروع کار با پایتون و R
Getting Started with Python and R
خوش آمد گویی و بررسی اجمالی دوره
Welcome and Course Overview
پایتون: Miniconda و Python 3 را روی ویندوز نصب کنید
Python: Install Miniconda and Python 3 on Windows
پایتون: نحوه ایجاد محیط و نصب بسته ها
Python: How to Create Environments and Install Packages
پایتون: نحوه نصب و اجرای نوت بوک jupyter
Python: How to Install and Run jupyter notebook
پایتون: یک برنامه پایتون را اجرا کنید
Python: Run a Python Program
نوشتن یک تابع ساده در پایتون
Writing a Simple Function in Python
R: اسکریپت دوره و دانلود R
R: Course Script and Download R
R: فهرست کار
R: Working Directory
انتخاب زبان مناسب برای پروژه تحقیقاتی
Choosing the Right Language for Your Research Project
مقدمه ای بر برنامه نویسی پایتون
Introduction to Python Programming
مبانی پایتون
Python Basics
پایتون: انواع داده ها در پایتون
Python: Types of data in Python
پایتون: کنترل جریان در پایتون
Python: Control Flow in Python
پایتون: توابع
Python: Functions
پایتون: ماژول ها
Python: Modules
مقدمه ای بر برنامه نویسی پایتون
Introduction to Python Programming
مبانی R
R Basics
R: توابع در برنامه نویسی R
R: Functions in R programming
R: انواع داده ها
R: Data Types
ر: بسته ها
R: Packages
مدیریت و دستکاری داده ها
Data Handling and Manipulation
پایتون: مدیریت فایل
Python: File handling
پایتون: دایرکتوری ها
Python: Directories
R: وارد کردن داده ها
R: Importing Data
وارد کردن داده ها در R
Importing Data in R
R: تهیه و دانلود اطلاعات سالانه آب و هوا
R: Prepare and Download Annual Weather Data
R: صادرات داده ها
R: Exporting Data
R: دستکاری داده ها قسمت 1
R: Data Manipulation Part 1
R: دستکاری داده ها قسمت 2
R: Data Manipulation Part 2
مدیریت داده در پایتون و R
Data Handling in Python and R
محاسبات علمی
Scientific Computing
پایتون: محاسبات علمی با استفاده از کتابخانه NumPy
Python: Scientific Computation Using NumPy Library
پایتون: استفاده از کتابخانه SciPy
Python: Using SciPy Library
پایتون: آمار
Python: Statistics
پایتون: آمار منطقه ای
Python: Zonal Statistics
ر: آمار توصیفی
R: Descriptive Statistics
ر: همبستگی ها
R: Correlations
R: ANOVA
R: ANOVA
ر: آزمون تی دانشجویی
R: Student’s t.test
R: رگرسیون خطی چندگانه
R: Multiple Linear Regression
تجزیه و تحلیل آماری در پایتون و R
Statistical Analysis in Python and R
تجسم داده ها
Data Visualization
پایتون: ترسیم قسمت اول
Python: Plotting Part One
پایتون: ترسیم قسمت دوم
Python: Plotting Part Two
پایتون: ترسیم قسمت سوم
Python: Plotting Part Three
ر: نقشه برداری اساسی
R: Basic Plotting
R: نمودارهای پیشرفته و متحرک
R: Advanced and Animated Graphs
R: یک گزارش ایجاد کنید
R: Create a Report
R: نقشه های گل رز باد برای دوره های زمانی مختلف
R: Wind Rose Plots for Different Time Periods
R: تکلیف: یک طرح ویندروز برای ایستگاه اربیل ایجاد کنید
R: Homework: Create a Windrose Plot for the Erbil Station
ترسیم در پایتون و R
Plotting in Python and R
مقدمه ای بر هوش مصنوعی
Introduction to Artificial Intelligence
مقدمه
Introduction
پایتون: پردازش داده های مکانی
Python: Process Geospatial Data
مقدمه ای بر هوش مصنوعی
Introduction to Artificial Intelligence
پایتون: FourCastNet: مقدمه ای عملی برای یادگیری عمیق
Python: FourCastNet: A Practical Introduction to Deep Learning
R: مقدمه ای بر یادگیری عمیق - قسمت 1
R: Introduction to Deep Learning - Part 1
R: مقدمه ای بر یادگیری عمیق - قسمت 2
R: Introduction to Deep Learning - Part 2
مقدمه ای بر هوش مصنوعی در پایتون و R
Introduction to AI in Python and R
مطالعات موردی در تحقیقات علمی
Case Studies in Scientific Research
Python: Case Study One LAI و LST قسمت اول
Python: Case Study One LAI and LST Part One
Python: Case Study One LAI و LST قسمت دوم
Python: Case Study One LAI and LST Part Two
Python: مطالعه موردی دوم بخش 1: تجزیه و تحلیل داده های کیفیت هوای هند با ML
Python: Case Study Two Part 1: Analyzing India’s Air Quality Data with ML
Python: مطالعه موردی دوم بخش 2: تجزیه و تحلیل داده های کیفیت هوای هند با ML
Python: Case Study Two Part 2: Analyzing India’s Air Quality Data with ML
Python: مطالعه موردی دوم بخش 3: تجزیه و تحلیل داده های کیفیت هوای هند با ML
Python: Case Study Two Part 3: Analyzing India’s Air Quality Data with ML
Python: مطالعه موردی دوم بخش 4: تجزیه و تحلیل داده های کیفیت هوای هند با ML
Python: Case Study Two Part 4: Analyzing India’s Air Quality Data with ML
پایتون: مطالعه موردی سوم قسمت 1: تجزیه و تحلیل داده های آب و هوا
Python: Case Study Three Part 1: Climate Data Analysis
پایتون: مطالعه موردی سوم قسمت 2: تجزیه و تحلیل داده های آب و هوا
Python: Case Study Three Part 2: Climate Data Analysis
پایتون: مطالعه موردی سوم قسمت 3: تجزیه و تحلیل داده های آب و هوا
Python: Case Study Three Part 3: Climate Data Analysis
پایتون: مطالعه موردی سوم قسمت 4: تجزیه و تحلیل داده های آب و هوا
Python: Case Study Three Part 4: Climate Data Analysis
پایتون: محاسبه شاخص های سنجش از راه دور
Python: Calculating Remote Sensing Indices
برنامه نویس پایتون و R. دانشمند GIS و سنجش از دور. من استادیار سنجش از دور در دانشگاه سوران هستم. همکار GBD در دانشگاه واشنگتن. تجربه در برنامه نویسی پایتون و R، GEE، داده های بزرگ، سنجش از دور/GIS، مشاهده زمین و آب و هوا. من دکتری گرفتم. مدرک جغرافیا (سنجش از راه دور) در دانشگاه لستر. حدود 30 مقاله با داوری همتا منتشر کرد.
نمایش نظرات