آموزش مبانی علوم داده: پشته علمی پایتون [CoderPad] - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• راه‌اندازی Setup

• استفاده از GitHub Codespaces در این دوره Using GitHub Codespaces with this course

• پیش‌نیازهایی که باید بدانید What you should know

• پشته علمی پایتون The Python scientific stack

1. ویژوال استودیو کد (Visual Studio Code) 1. Visual Studio Code

• افزونه‌های زبان پایتون Extensions to the Python language

• درک سلول‌های Markdown Understand markdown cells

• استفاده از سلول‌های کد Use code cells

2. مبانی NumPy 2. NumPy Basics

• آرایه‌های NumPy NumPy arrays

• برش داده‌ها (Slicing) Slicing

• مروری بر NumPy NumPy overview

• درک مفهوم Broadcasting Understand broadcasting

• درک توابع ufuncs Understand ufuncs

• چالش: کار با تصاویر Challenge: Working with an image

• پاسخ: کار با تصاویر Solution: Working with an image

• درک عملیات آرایه‌ها Understand array operations

• یادگیری ایندکس‌گذاری بولی (Boolean Indexing) Learn boolean indexing

3. کتابخانه pandas 3. pandas

• دسترسی به سطرها و ستون‌ها Access rows and columns

• مروری بر pandas pandas overview

• چالش: میانگین سرعت داده‌های تاکسی Challenge: Taxi data mean speed

• تجزیه و تحلیل زمان Parse time

• نمایش نمودار جعبه‌ای (Box Plot) سرعت Display speed box plot

• محاسبه مسافت Calculate distance

• بارگذاری فایل‌های CSV Loading CSV files

• پاسخ: میانگین سرعت داده‌های تاکسی Solution: Taxi data mean speed

4. Folium و داده‌های جغرافیایی 4. Folium and Geospatial Data

• پاسخ: رسم مسیر دویدن Solution: Draw the running track

• استفاده از داده‌های جغرافیایی با shapely Using geospatial data with shapely

• ایجاد نقشه اولیه Create an initial map

• رسم مسیر روی نقشه Draw a track on map

• چالش: رسم مسیر دویدن Challenge: Draw the running track

5. داده‌های تاکسی‌های نیویورک 5. NYC Taxi Data

• کار با داده‌ها: داده‌های آب و هوا Work with data: Weather data

• پاسخ: نمودار داده‌های تاکسی Solution: Graphing taxi data

• بارگذاری داده‌ها از فایل‌های CSV Load data from CSV files

• چالش: نمودار داده‌های تاکسی Challenge: Graphing taxi data

• کار با داده‌ها: تعداد سفرات ساعتی Work with data: Hourly trip rides

• کار با داده‌های دسته‌بندی شده (Categorical) Working with categorical data

• بررسی داده‌ها Examine data

• کار با داده‌ها: سفر در هر ساعت Work with data: Rides per hour

6. کتابخانه scikit learn 6. scikit-learn

• ذخیره و بارگذاری مدل‌ها Save and load models

• چالش: تشخیص اعداد دست‌نویس Challenge: Handwritten digits

• پاسخ: تشخیص اعداد دست‌نویس Solution: Handwritten digits

• ساخت خط لوله پردازش (Pipelines) Compose pipelines

• پیش‌پردازش داده‌ها Preprocess data

• رگرسیون خطی Linear regression

• مقدمه‌ای بر scikit learn scikit-learn introduction

• درک تقسیم داده‌ها به آموزش و تست (Train/Test Split) Understand train/test split

7. ترسیم نمودارها 7. Plotting

• استفاده از استایل‌ها Use styles

• شخصی‌سازی خروجی pandas Customize pandas output

• استفاده از Matplotlib همراه با pandas Use Matplotlib with pandas

• ترسیم نمودار با pandas Plotting with pandas

• پاسخ: نمودارهای میله‌ای داده‌های سهام Solution: Stock data bar charts

• مروری بر matplotlib Overview of matplotlib

• سایر پکیج‌های ترسیم نمودار Other plotting packages

• نکات و ترفندها Tips and tricks

• چالش: نمودارهای میله‌ای داده‌های سهام Challenge: Stock data bar charts

8. سایر پکیج‌ها 8. Other Packages

• مروری بر سایر پکیج‌ها Other packages overview

• کار با داده‌های حجیم Working with bigger data

• درک یادگیری عمیق (Deep Learning) Understand deep learning

• درک پردازش زبان طبیعی (NLP): NLTK Understand NLP: NLTK

• کار با پردازش تصویر Work with image processing

• افزایش سرعت با Numba Go faster with Numba

9. فرآیند توسعه 9. Development Process

• یادگیری بازبینی کد (Code Review) Learn code review

• مروری بر تست‌نویسی Testing overview

• مثال تست‌نویسی Testing example

• درک کنترل نسخه (Source Control) Understand source control

• مروری بر فرآیند توسعه Development process overview

جمع‌بندی Conclusion

• گام‌های بعدی Next steps