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

  • بینش مطالعه موردی Case Study Insights

  • خلاصه دوره Course Summary

نمایش نظرات

برنامه نویسی برای تحقیقات علمی با پایتون و R
جزییات دوره
5 hours
57
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
7,252
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Assist Prof Azad Rasul Assist Prof Azad Rasul

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.