آموزش پایتون برای علوم داده (و مدیریت نسخه‌ها با گیت‌هاب) - آخرین آپدیت

مقدمه‌ای بر پایتون و آماده‌سازی محیط Introduction to Python and Environment Setup

• خوش‌آمدگویی به دوره پایتون برای علوم داده Welcome to Python for Data Science

• یک روز کاری: مصاحبه با متخصص Day in the Life - An Interview With an Expert

• شروع کار با ژوپیتر نوت‌بوک Getting Started with Jupyter Notebooks

بارگذاری و دستکاری داده‌ها Data Loading and Manipulation

• اساسيات وارد کردن داده‌ها: CSV، اکسل و APIها Data Import Essentials: CSV, Excel, and APIs

• تبدیل داده‌های منابع انسانی با پانداز Transforming HR Data with Pandas

• اصول تبدیل داده‌ها در پایتون Python Data Transformation Essentials

• افزایش سرعت با NumPy: از حلقه‌ها تا آرایه‌های فوق سریع NumPy Speed Boost: From Loops to Lightning-Fast Arrays

کاوش و بصری‌سازی داده‌ها Data Exploration and Visualization

• نگاه اول: تحلیل اکتشافی هوشمند (EDA) برای داده‌های منابع انسانی First Look: Smart EDA for HR Data

• بصری‌سازی‌های حرفه‌ای: از ابتدایی تا زیبا Professional Visualizations: From Basic to Beautiful

• داشبوردهای تعاملی با Plotly: بخشیدن جان به داده‌ها Interactive Dashboards with Plotly: Bringing Data to Life

تکنیک‌های پیشرفته تحلیل داده‌ها Advanced Data Analysis Techniques

• تحلیل آماری در منابع انسانی: از فرضیه تا بینش Statistical Analysis in HR: From Hypothesis to Insights

• تست A/B در عمل: تحلیل عملکرد بخش‌ها A/B Testing in Action: Analyzing Department Performance

• اتوماسیون گردش‌کار علوم داده Automating Your Data Science Workflow

یکپارچه‌سازی با گیت‌هاب GitHub Integration

• مدیریت نسخه نوت‌بوک‌ها با گیت‌هاب Versioning Your Notebooks with GitHub

• بهره‌گیری از هوش مصنوعی برای مستندسازی بهتر Leveraging AI for Better Documentation

• استراتژی‌های شاخه‌بندی (Branching) برای پروژه‌های علوم داده Branching Strategies for Data Science Projects

پروژه نهایی گردش‌کار علوم داده Data Science Workflow Capstone

• مصاحبه با متخصص صنعت در مورد گردش‌کارهای علوم داده Industry Expert Interview on Data Science Workflows