لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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.
نمایش نظرات