آموزش NumPy، Matplotlib و Pandas – پیش‌نیازهای علوم داده - آخرین آپدیت

دانلود NumPy, Matplotlib & Pandas – Data Science Prerequisites

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به‌روزرسانی شده در می ۲۰۲۵. این دوره اکنون دارای قابلیت Coursera Coach است! روشی هوشمندتر برای یادگیری با گفتگوهای تعاملی و آنی که به شما کمک می‌کند دانش خود را آزمایش کنید، پیش‌فرض‌ها را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. این دوره یک پایه محکم در زبان پایتون برای علوم داده فراهم می‌کند و بر کتابخانه‌های NumPy، Matplotlib، Pandas و مفاهیم اولیه یادگیری ماشین تمرکز دارد. فراگیران تجربه عملی با ابزارهای ضروری علوم داده را کسب کرده و توانایی خود را در مدیریت داده‌ها، بصری‌سازی و انجام وظایف پایه یادگیری ماشین افزایش می‌دهند. در پایان این دوره، دانشجویان با درکی قوی از نحوه استفاده از پایتون در کاربردهای واقعی، آماده رویارویی با مباحث پیشرفته‌تر علوم داده خواهند بود. در بخش اول، با NumPy آشنا می‌شوید و بر عملیات قدرتمند آرایه‌ها و مزایای سرعت آن نسبت به لیست‌های سنتی پایتون تمرکز خواهید کرد. شما ماتریس‌ها، ضرب داخلی و سیستم‌های خطی را برای درک مبانی محاسبات عددی بررسی می‌کنید. تمرینات عملی این مفاهیم را تقویت کرده و اطمینان حاصل می‌کند که در کار با NumPy در علوم داده تسلط دارید. سپس به سراغ Matplotlib می‌روید، جایی که یاد می‌گیرید چگونه داده‌ها را به طور موثر بصری‌سازی کنید. از طریق تمرینات عملی با نمودارهای خطی، نمودارهای پراکندگی (Scatter Plot)، هیستوگرام‌ها و ترسیم تصاویر، در ارائه داده‌ها در قالب‌های مختلف گرافیکی مهارت می‌یابید. این بخش شما را به ابزارهایی مجهز می‌کند تا داده‌ها را به صورت بصری تحلیل کرده و بینش‌های به‌دست‌آمده را به وضوح منتقل کنید. در بخش نهایی، وارد دنیای Pandas می‌شوید که یکی از پرکاربردترین کتابخانه‌ها برای مدیریت داده‌ها است. شما تکنیک‌هایی مانند بارگذاری داده‌ها، انتخاب سطرها و ستون‌ها و اعمال توابع بر روی دیتافریم‌ها را فرا خواهید گرفت. همچنین قابلیت‌های ترسیم نمودار در Pandas را بررسی می‌کنید. به عنوان امتیاز ویژه، با SciPy و مفاهیم پایه یادگیری ماشین آشنا می‌شوید تا درک کنید چگونه این ابزارها در گردش کار علوم داده ادغام می‌شوند. این دوره برای هر کسی که سفر خود را در علوم داده آغاز کرده یا به دنبال تقویت مهارت‌های پایتون برای تحلیل داده است، ایده‌آل است. داشتن درک پایه از پایتون مورد نیاز است و این دوره برای مبتدیان طراحی شده است. اگر علاقه‌مند به یادگیری نحوه استفاده از پایتون برای مدیریت داده‌ها، بصری‌سازی و مقدمات یادگیری ماشین هستید، این دوره شما را برای موفقیت آماده می‌کند.

سرفصل ها و درس ها

خوش‌آمدگویی و تدارکات Welcome and Logistics

  • مقدمه و سرفصل‌ها Introduction and Outline

  • منابع دوره Course Resources

کتابخانه NumPy NumPy

  • مقدمه بخش NumPy NumPy Section Introduction

  • آرایه‌ها در مقابل لیست‌ها Arrays Versus Lists

  • ضرب داخلی Dot Product

  • تست سرعت Speed Test

  • ماتریس‌ها Matrices

  • حل سیستم‌های خطی Solving Linear Systems

  • تولید داده‌ها Generating Data

  • تمرین NumPy NumPy Exercise

  • منابع تکمیلی برای یادگیری NumPy Where to Learn More NumPy

  • جعبه پیشنهادات Suggestion Box

کتابخانه Matplotlib Matplotlib

  • مقدمه بخش Matplotlib Matplotlib Section Introduction

  • نمودار خطی Line Chart

  • نمودار پراکندگی Scatterplot

  • هیستوگرام Histogram

  • ترسیم تصاویر Plotting Images

  • تمرین Matplotlib Matplotlib Exercise

  • منابع تکمیلی برای یادگیری Matplotlib Where to Learn More Matplotlib

کتابخانه Pandas Pandas

  • مقدمه بخش Pandas Pandas Section Introduction

  • بارگذاری داده‌ها Loading in Data

  • انتخاب سطرها و ستون‌ها Selecting Rows and Columns

  • تابع apply() The apply() Function

  • رسم نمودار با Pandas Plotting with Pandas

  • تمرین Pandas Pandas Exercise

  • منابع تکمیلی برای یادگیری Pandas Where to Learn More Pandas

کتابخانه SciPy SciPy

  • مقدمه بخش SciPy SciPy Section Introduction

  • توابع PDF و CDF PDF and CDF

  • کانولوشن (Convolution) Convolution

  • تمرین SciPy SciPy Exercise

  • منابع تکمیلی برای یادگیری SciPy Where to Learn More SciPy

مبانی یادگیری ماشین Machine Learning Basics

  • یادگیری ماشین: مقدمه بخش Machine Learning: Section Introduction

  • طبقه‌بندی (Classification) چیست؟ What Is Classification?

  • پیاده‌سازی طبقه‌بندی در کد Classification in Code

  • رگرسیون (Regression) چیست؟ What Is Regression?

  • پیاده‌سازی رگرسیون در کد Regression in Code

  • بردار ویژگی (Feature Vector) چیست؟ What Is a Feature Vector?

  • یادگیری ماشین چیزی جز هندسه نیست Machine Learning Is Nothing but Geometry.

  • همه داده‌ها یکسان هستند All Data Is the Same

  • مقایسه مدل‌های مختلف یادگیری ماشین Comparing Different Machine Learning Models

  • یادگیری ماشین و یادگیری عمیق: مباحث آینده Machine Learning and Deep Learning: Future Topics

  • یادگیری ماشین: جمع‌بندی بخش Machine Learning: Section Summary

نمایش نظرات

آموزش NumPy، Matplotlib و Pandas – پیش‌نیازهای علوم داده
جزییات دوره
7h 11m
42
(آخرین آپدیت)
802
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده