آموزش پایتون برای تجزیه و تحلیل داده ها: حل چالش های دنیای واقعی

Python for Data Analysis: Solve Real-World Challenges

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

از آنجایی که داده ها و مشاغل مرتبط با داده در دهه گذشته رشد کرده اند، تقاضا برای مهارت های داده نیز افزایش یافته است. اگر حرفه ای در زمینه داده ها هستید، این یک خبر عالی است! با این حال، ادامه سازگاری با تقاضاهای در حال تغییر بازار، که شامل استفاده از ابزارهایی مانند پایتون برای نزدیک شدن به چالش های کلان داده است، مهم است. در این دوره، سارا نوروی یک آزمون عملی و پروژه محور پایتون را به اشتراک می‌گذارد که مهارت‌های مورد نیاز برای کمک به شما را در میان سایرین در بازار رقابتی برجسته می‌کند. سارا یک تجزیه و تحلیل سرتاسر پایتون را انجام می‌دهد، نمونه‌ای از آنچه در کار با آن مواجه می‌شوید – از بیان مسئله شروع می‌کند و شما را تا تحویل بینش می‌برد. سارا به شما کمک می کند تا مشکل را حل کنید، انتظارات خود را تعیین کنید و بهترین روش ها را در مورد پاکسازی داده ها، تجسم داده ها و داستان سرایی پوشش می دهد. در نهایت، او همچنین مشکلات مشترک و مهارت‌های مهم تجاری و نرم را به اشتراک می‌گذارد که به شما کمک می‌کند برجسته شوید.

این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید—همه با استفاده از ابزاری که احتمالاً در محل کار با آن مواجه خواهید شد.


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • پیش نیازها Prerequisites

1. مقدمه مطالعه موردی 1. Case Study Introduction

  • چرا Why

  • چه کسی، چه چیزی، کجا و چرا The who, what, where, and why

  • جایی که Where

  • سازمان بهداشت جهانی Who

  • چی What

  • مقدمه مطالعه موردی Case study introduction

2. شکستن بیانیه مشکل 2. Breaking Down the Problem Statement

  • آشنا شوید: قابل تحویل Get familiar: Deliverable

  • انتظارات درست را تعیین کنید Set the right expectations

  • مشکل را تعریف کنید: سه D Define the problem: The three Ds

  • آشنا شوید: دامنه Get familiar: Domain

  • دامنه: کاربردی Domain: Applied

  • آشنا شوید: داده ها Get familiar: Data

3. جمع آوری داده ها، تمیز کردن، و تبدیل 3. Data Collection, Cleaning, and Transformation

  • تکنیک های کلی تمیز کردن General cleaning techniques

  • تکنیک های کلی تمیز کردن: بررسی های سطح بالا General cleaning techniques: High-level checks

  • راه اندازی در Codespaces Getting set up in Codespaces

  • تبدیل داده ها: Binning Data transformations: Binning

  • تکنیک های کلی تمیز کردن: مقادیر از دست رفته General cleaning techniques: Missing values

  • خواندن داده ها از یک فایل CSV Read in data from a CSV file

4. EDA 4. EDA

  • تجسم داده ها: جداول داده Data visualization: Data tables

  • سایر انواع توزیع Other distribution types

  • تجسم داده ها: روابط Data visualization: Relationships

  • یک طرح پشته ایجاد کنید Create a ridge plot

  • مقدمه ای بر EDA Introduction to EDA

  • آمار خلاصه Summary statistics

  • تجسم داده ها: مقایسه دسته ها Data visualizations: Comparing categories

  • تبدیل داده ها: عادی سازی و ورود به سیستم Data transformations: Normalization and log

  • توزیع: هیستوگرام Distributions: Histograms

5. تجسم داده ها و داستان سرایی 5. Data Visualization and Storytelling

  • داستان بازی Storyboarding

  • یک رسانه انتخاب کنید Choose a medium

  • همه اش را بگذار کنار هم Putting it all together

  • بهترین شیوه های بصری: بخش 1 Visual best practices: Part 1

  • بهترین شیوه های بصری: قسمت 2 Visual best practices: Part 2

  • از تجسم های اکتشافی و توضیحی استفاده کنید Leverage exploratory and explanatory visualizations

  • در یک داستان چیست؟ What's in a story?

نتیجه Conclusion

  • جمع بندی و مراحل بعدی Wrap-up and next steps

نمایش نظرات

آموزش پایتون برای تجزیه و تحلیل داده ها: حل چالش های دنیای واقعی
جزییات دوره
1h 56m
37
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
26,428
- از 5
ندارد
دارد
دارد
Sarah Nooravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Sarah Nooravi Sarah Nooravi

تحلیلگر داده و مدرس

سارا نوروی تحلیلگر داده، مدرس و رهبر استراتژی درآمد برای شرکت اسنپ است.

سارا از سنین قبل به تدریس علاقه داشته است. در 18 سالگی اولین کار خود را به عنوان معلم ریاضی شروع کرد. او در دنیای آموزش، میزبانی آموزش، سخنرانی در پانل‌ها و کنفرانس‌ها، کارگاه‌های آموزشی و ارائه مشاوره فعال است. او در حال حاضر رهبر استراتژی درآمد در Snap Inc. است و قبل از سمت فعلی خود چندین سال تجربه در زمینه علم داده داشته است.

سارا مدرک لیسانس خود را در رشته ریاضیات و اقتصاد از دانشگاه کالیفرنیا، لس آنجلس دریافت کرد و در آنجا نیز مدرک کارشناسی ارشد خود را در رشته مهندسی مکانیک به پایان رساند.