آموزش برنامه نویسی برای علم داده

Programming for Data Science

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

این آموزش متوسط ​​​​برنامه‌نویسی برای علوم داده، یادگیرندگان را برای نوشتن کدی آماده می‌کند که مجموعه‌های بدون ساختار را از کانال‌ها و منابع متعدد معنا می‌کند و اطلاعات مورد نیاز شما را پردازش می‌کند، چگونه به آن نیاز دارید.

کدنویسی و برنامه نویسی برای علم داده اساسی است. اگر می خواهید شغلی در علم داده داشته باشید، باید برای یادگیری حداقل یک یا دو زبان برنامه نویسی برنامه ریزی کنید، یا در غیر این صورت خود را برای شغلی آماده کنید که با هر برنامه ای که به دستتان می رسد محدود شده است.

وقتی برنامه نویسی را برای علم داده یاد می گیرید، قدرت انجام دادن داده های خود را دقیقاً همان کاری را که می خواهید برای شما انجام دهد، باز می کنید. بدون برنامه نویسی، نتایج و یافته های شما به برنامه و کد شخص دیگری بستگی دارد - با یادگیری یک زبان برنامه نویسی، قفل آینده خود را در علم داده باز کنید.

هنگامی که این آموزش برنامه نویسی برای علوم داده را تمام کردید، می‌دانید چگونه کدی بنویسید که مجموعه‌های بدون ساختار را از کانال‌ها و منابع متعدد معنی می‌دهد و اطلاعات مورد نیاز شما را پردازش می‌کند، چگونه به آن نیاز دارید.

برای هر کسی که یک تیم فناوری اطلاعات را رهبری می‌کند، این آموزش علم داده می‌تواند برای حضور تحلیلگران داده جدید، که در برنامه‌های آموزشی فردی یا تیمی تنظیم شده‌اند، یا به عنوان منبع مرجع علم داده استفاده شود.

برنامه نویسی برای علم داده: آنچه باید بدانید

این آموزش برنامه نویسی برای علم داده دارای ویدیوهایی است که موضوعاتی از جمله:

را پوشش می دهد
  • نوشتن توابع Python قابل استفاده مجدد برای علم داده
  • نوشتن کد پایتون با استفاده از برنامه نویسی شی گرا (OOP)
  • کشمکش داده ها با Numpy و Pandas
  • تجسم داده ها با Matplotlib و Seaborn
چه کسی باید برای آموزش علوم داده برنامه نویسی کند؟

این آموزش برنامه نویسی برای علم داده، آموزش علوم داده در سطح همکار محسوب می شود، به این معنی که برای تحلیلگران داده و دانشمندان داده طراحی شده است. این دوره مهارت های علم داده برای تحلیلگران داده با سه تا پنج سال تجربه در علم داده طراحی شده است.

تحلیلگران داده جدید یا مشتاق. تحلیلگران داده کاملاً جدید باید با دوره ای مانند این شروع کنند که آنها را با تمام گزینه های زبان برنامه نویسی موجود در آنجا آشنا می کند. کار خود را با یک آغازگر در مورد اینکه چگونه تجزیه و تحلیل با زبان های کدنویسی مناسب مفیدتر و سریع تر می شود، شروع کنید و نوشتن در آنها را شروع کنید.

تحلیلگران داده با تجربه. اگر چندین سال است که به عنوان تحلیلگر داده کار می کنید و هنوز یک زبان برنامه نویسی را یاد نگرفته اید، این دوره می تواند به شما کمک کند تا متوجه شوید که چرا مهم است و کدام یک می تواند مناسب شما باشد یادگیری یک زبان برنامه نویسی آنقدرها هم که فکر می کنید دلهره آور نیست - این دوره را امتحان کنید و ببینید که چگونه برنامه نویسی را در علم داده خود بگنجانید.


سرفصل ها و درس ها

با OpenAI و Streamlit برنامه های وب هوش مصنوعی ایجاد کنید Create AI Web Apps with OpenAI and Streamlit

  • معرفی Introduction

  • طراحی وب اپلیکیشن هوش مصنوعی Designing an AI Web App

  • HungryBear: کد غیر تولیدی HungryBear: Non-production Code

  • HungryBear: کد تولید HungryBear: Production Code

  • قسمت 1 Part 1

  • قسمت 2 Part 2

  • چالش Challenge

API مدل زبان OpenAI را با Colab جستجو کنید Query OpenAI's Language Model API with Colab

  • معرفی Introduction

  • تکمیل استخوان برهنه Bare Bones Completion

  • API Authentication API Authentication

  • کتابخانه ها را نصب و وارد کنید Install and Import Libraries

  • ایجاد یک تکمیل Creating a Completion

  • پیچیدگی زمانی Time Complexity

  • سریع Prompt

  • مورد استفاده پاداش: خلاصه کاغذ سفید Bonus Use Case: White Paper Summarization

  • چالش Challenge

با Arrays و Numpy برای Data Science کار کنید Work with Arrays and Numpy for Data Science

  • معرفی Introduction

  • بررسی دستورات کوندا Conda Commands Review

  • Numpy در مقابل پانداها Numpy Vs Pandas

  • ایجاد و دستکاری آرایه ها Creating and Manipulating Arrays

  • عملیات آرایه، روش ها و توابع آرایه Array Operations, Array Methods and Functions

  • مثال در دنیای واقعی: روند قیمت بیت کوین Real-World Example: Bitcoin Price Trends

  • چالش Challenge

حوزه ها و نقش های علم داده را کاوش کنید Explore Data Science Domains and Roles

  • معرفی Introduction

  • ابزارهای علم داده Data Science Tools

  • محیط های توسعه علم داده Data Science Development Environments

  • نقش های علم داده Data Science Roles

  • نقشه راه علم داده The Data Science Roadmap

  • چالش Challenge

به خط فرمان برای علم داده دسترسی پیدا کنید Access the Command Line for Data Science

  • معرفی Introduction

  • ترمینال macOS، Git برای ویندوز و شبیه سازهای لینوکس macOS Terminal, Git for Windows, and Linux Emulators

  • دستورات پایه لینوکس Basic Linux Commands

  • پروژه ها و گردش کار ایجاد کنید Create Projects and Workflows

  • چالش Challenge

یک محیط توسعه علم داده راه اندازی کنید Set Up a Data Science Development Environment

  • معرفی Introduction

  • آناکوندا را نصب کنید Install Anaconda

  • Jupyter Notebook را نصب کنید Install Jupyter Notebook

  • شروع یک نوت بوک و جلسه Jupyter Starting a Jupyter Notebook and Session

  • بستن یک جلسه نوت بوک Jupyter Closing a Jupyter Notebook Session

  • کدهای تصویری را برای علم داده کاوش کنید Explore Visual Code for Data Science

  • چالش Challenge

انواع داده پایتون را برای علم داده کاوش کنید Explore Python Data Types for Data Science

  • معرفی Introduction

  • انواع داده های اولیه و غیر ابتدایی Primitive & Non-Primitive Data Types

  • اعداد: اعداد صحیح و شناور Numbers: Integers and Floats

  • متن: رشته ها و بولی ها Text: Strings and Bools

  • مجموعه ها: فهرست ها Collections: Lists

  • مجموعه ها: فرهنگ لغت Collections: Dictionaries

  • مجموعه ها: تاپل ها و ست ها Collections: Tuples, and Sets

  • چالش Challenge

رشته ها و توالی ها را برای علم داده کاوش کنید Explore Strings and Sequences for Data Science

  • معرفی Introduction

  • گذاشتن نظرات Leaving Comments

  • قالب بندی رشته String Formatting

  • نمایه سازی Indexing

  • برش دادن Slicing

  • چالش Challenge

اپراتورهای ریاضی و لاتکس را برای علم داده کاوش کنید Explore Math Operators and LaTex for Data Science

  • معرفی Introduction

  • پایتون و ریاضی Python and Math

  • اپراتورهای ریاضی Math Operators

  • ارزش های بولی Boolean Values

  • توابع داخلی پایتون Built-in Python Functions

  • نماد علمی Scientific Notation

  • لاتکس برای معادلات و فرمول ها LaTex for Equations and Formulas

  • چالش Challenge

توابع Python قابل استفاده مجدد را برای Data Science بنویسید Write Reusable Python Functions for Data Science

  • معرفی Introduction

  • مقایسه و عملگرهای منطقی Comparison and Logical Operators

  • اگر عبارات و توابع If statements and Functions

  • درک توابع Understanding Functions

  • شبه کد Pseudocode

  • درخواست ورودی Asking for Input

  • چالش Challenge

حلقه ها را برای خودکارسازی وظایف برای علم داده بنویسید Write Loops to Automate Tasks for Data Science

  • معرفی Introduction

  • بررسی توابع Functions Review

  • اگر بیانیه ها if Statements

  • برای حلقه ها for Loops

  • چالش Challenge

از روش‌های داخلی پایتون برای علم داده استفاده کنید Use Python Built-in Methods for Data Science

  • معرفی Introduction

  • بررسی لیست List Review

  • فهرست روش ها List Methods

  • بررسی فرهنگ لغت Dictionary Review

  • روش های دیکشنری Dictionary Methods

  • نامپی و پانداها Numpy and Pandas

  • چالش Challenge

با استفاده از مفاهیم OOP برای علم داده کد بنویسید Write Code using OOP Concepts for Data Science

  • معرفی Introduction

  • سبک های برنامه نویسی Programming Styles

  • اشیاء کلاس پایتون Python Class Objects

  • EDA: ابعاد EDA: Dimensions

  • EDA: آمار خلاصه EDA: Summary Statistics

  • EDA: با هیستوگرام کامل شود EDA: Complete with Histograms

  • چالش Challenge

جدال داده ها با پانداها برای علم داده Wrangling Data with Pandas for Data Science

  • معرفی Introduction

  • دستورات کوندا Conda Commands

  • EDA (تحلیل داده های اکتشافی) EDA (Exploratory Data Analysis)

  • پاک کردن و دستکاری داده ها Clean and Manipulate Data

  • تجسم داده با پانداها (این کار را نیز انجام می دهد!) Data Visualization with Pandas (it does that also!)

  • چالش Challenge

تجسم داده ها با Matplotlib برای علم داده Visualizing Data with Matplotlib for Data Science

  • معرفی Introduction

  • توطئه با Matplotlib Plotting with Matplotlib

  • فیلدهای مجموعه داده از Kaggle: Fields in the dataset from Kaggle:

  • سفارشی کردن توطئه ها Customizing Plots

  • چالش Challenge

تجسم داده ها با Seaborn برای Data Science Visualize Data with Seaborn for Data Science

  • معرفی Introduction

  • Matplotlib vs Seaborn Matplotlib vs Seaborn

  • بررسی دستورات کوندا Conda Commands Review

  • توطئه با Seaborn Plotting with Seaborn

  • سفارشی کردن توطئه ها Customizing Plots

  • نوت بوک دنیای واقعی Real-world Notebook

  • چالش Challenge

اصول اسکرپینگ وب برای علم داده را کاوش کنید Explore Web Scraping Fundamentals for Data Science

  • معرفی Introduction

  • اینترنت چگونه کار می کند How the Internet Works

  • HTML HTML

  • CSS CSS

  • نمونه کد: Code examples:

  • چالش Challenge

داده های وب را با پایتون و BeautifulSoup جمع آوری کنید Collect Web Data with Python and BeautifulSoup

  • معرفی Introduction

  • روش find() The find() Method

  • متد find_all(). The find_all() Method

  • چالش Challenge

برای علم داده از مخازن Git و GitHub استفاده کنید Use Git and GitHub Repositories for Data Science

  • معرفی Introduction

  • یک مخزن آنلاین ایجاد کنید و کد خود را به GitHub فشار دهید Create an Online Repo and Push Your Code to GitHub

  • میزبانی مجموعه داده ها برای استفاده در نوت بوک Jupyter Hosting Datasets for use in Jupyter Notebook

  • چالش Challenge

تجزیه و تحلیل ساختارهای داده اصلی برای علم داده Analyze Core Data Structures for Data Science

  • معرفی Introduction

  • محدودیت‌های ساختار داده پایه پایتون Python Basic Data Structure Limitations

  • ساختارهای داده Deep Dive Data Structures Deep Dive

  • مورد استفاده تحلیل شبکه های اجتماعی Social Network Analysis Use Case

  • چالش Challenge

ارزیابی پیچیدگی و حافظه برای علم داده Evaluate Complexity and Memory for Data Science

  • معرفی Introduction

  • تحلیل پیچیدگی و حافظه Complexity Analysis and Memory

  • مقایسه الگوریتم Algorithm Comparison

  • انواع داده پانداها Pandas Data Types

  • چالش Challenge

از مفاهیم نمادگذاری Big O برای علم داده استفاده کنید Apply Big O Notation Concepts for Data Science

  • معرفی Introduction

  • نماد O بزرگ Big O Notation

  • پیچیدگی کافی شاپ Coffee Shop Complexity

  • چالش Challenge

R Fundamentals for Data Science را کاوش کنید Explore R Fundamentals for Data Science

  • معرفی Introduction

  • شروع کار با R و Google Colab Getting Started with R and Google Colab

  • انواع داده R R Data Types

  • چالش Challenge

پیاده سازی و مقایسه ساختارهای داده R Implement and Compare R Data Structures

  • معرفی Introduction

  • ساختارهای داده R و Python R and Python Data Structures

  • بخش: I وکتورها Part: I Vectors

  • بخش: II آرایه ها و لیست ها Part: II Arrays and Lists

  • بخش: III فریم های داده Part: III Data Frames

  • عملیات و محاسبات Operations and Calculations

  • محاسبات ماتریسی Matrix Calculations

  • کاوش داده ها Data Exploration

  • چالش Challenge

EDA را با R و Python برای Data Science انجام دهید Perform EDA with R and Python for Data Science

  • معرفی Introduction

  • بارگیری و آماده سازی مجموعه داده (چراغ EDA) Load and Prepare the Dataset (EDA light)

  • انجام تجزیه و تحلیل داده های اکتشافی (EDA) قسمت اول Perform Exploratory Data Analysis (EDA) Part I

  • بخش دوم تجزیه و تحلیل داده های اکتشافی (EDA). Perform Exploratory Data Analysis(EDA) Part II

  • چالش Challenge

مدل‌های زبان هوش مصنوعی و ChatGPT OpenAI را کاوش کنید Explore AI Language Models and OpenAI's ChatGPT

  • معرفی Introduction

  • مدل های زبان OpenAI GPT-3 OpenAI GPT-3 Language Models

  • درخواست ها و تکمیل ها Prompts and Completions

  • نمونه های سرگرم کننده برای امتحان کردن خودتان! Fun Examples to Try on Your Own!

  • چالش Challenge

نمایش نظرات

نظری ارسال نشده است.

آموزش برنامه نویسی برای علم داده
خرید اشتراک و دانلود خرید تکی و دانلود | 320,000 تومان (5 روز مهلت دانلود) در صورت خرید اشتراک، این آموزش بدلیل حجم بالا معادل 2 دوره است و 2 دوره از اشتراک شما کم می شود. زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
21h
155
CBTNuggets cbtnuggets-small
05 اردیبهشت 1402 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
-
- از 5
ندارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jonathan Barrios Jonathan Barrios

"کمک به متخصصان داده در مورد داده ها و دیدن موفقیت آنها یکی از بزرگترین علایق من به عنوان یک مربی است. من دوست دارم یاد بگیرم، دانش خود را به اشتراک بگذارم و به دیگران کمک کنم تا موفق شوند - به همین دلیل است که من مشتاق هستم که یک مربی در CBT Nuggets باشم. " جاناتان کار خود را به عنوان یک توسعه دهنده کامل شروع کرد و به سرعت علاقه مند شد تا تجربه آموزش آنلاین خود را با علم داده و دانش یادگیری ماشین خود ترکیب کند. جاناتان یک برنامه نویس، مربی تجزیه و تحلیل داده ها، و نویسنده برنامه درسی برای چندین پلتفرم آموزش آنلاین پیشرو بوده است و هیجان زده است که مهارت ها و تجربه آموزشی خود را با پزشکان مشتاق داده در CBT Nuggets به اشتراک بگذارد.

ارتباط با جاناتان:

توسعه نرم افزار کامل، تجزیه و تحلیل داده، علم داده، یادگیری ماشین و فناوری های ابری مانند AWS و Google Cloud. HTML، CSS، جاوا اسکریپت، PHP، Python، SQL، NoSQL، و فریمورک‌ها/کتابخانه‌هایی مانند Laravel، Vue، Tailwind، React، Gatsby، Django، NumPy، پانداها، Matplotlilb، Scrappy، BeautifulSoup، SciPy-Soup، SciPy، Seaborn، Learn، Tensorflow و PySpark.

CBT Nuggets یک شرکت آموزشی آنلاین است که در زمینه فناوری اطلاعات (IT) و مدیریت پروژه تخصص دارد. این شرکت دوره‌های آموزشی متنوعی را در زمینه‌های مختلف از جمله شبکه‌های کامپیوتری، امنیت سایبری، سیستم‌های عامل، و برنامه‌نویسی ارائه می‌دهد. محتوای آموزشی CBT Nuggets به صورت ویدئوهای آموزشی کوتاه و کاربردی طراحی شده است که توسط کارشناسان و مدرسان مجرب تدریس می‌شوند.