آموزش پایتون برای علوم داده قسمت 1

Python for Data Science Essential Training Part 1

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Python for Data Science Essential Training یکی از محبوب ترین دوره های علوم داده در LinkedIn Learning است. اکنون برای دستیابی به تجربه عملی بیشتر با پایتون ، به دو قسمت به روز شده و گسترش یافته است. در این دوره ، لیلیان پیرسون ، مربی شما را گام به گام از طریق یک پروژه علمی کاربردی داده هدایت می کند: یک دستگاه تراش دهنده وب که داده ها را از وب بارگیری و تجزیه و تحلیل می کند. در طول راه ، او تکنیک هایی را برای تمیز کردن ، اصلاح مجدد ، تبدیل و توصیف داده های خام معرفی می کند. ایجاد تجسم ؛ حذف پرتگاه ها؛ تجزیه و تحلیل داده های ساده را انجام دهید و با استفاده از کتابخانه Plotly نمودارهای تعاملی ایجاد کنید. شما باید از این آموزش با تجربه برنامه نویسی اساسی که می توانید در سازمان خود استفاده کنید و به سرعت در پروژه های علوم داده های سفارشی خود استفاده کنید ، دور شوید.
موضوعات شامل:
  • چرا باید از پایتون برای کار با داده استفاده کنیم
  • فیلتر کردن و انتخاب داده ها
  • ادغام و تبدیل داده ها
  • بهترین روشهای تجسم داده
  • تجسم داده ها
  • ایجاد طرح
  • ایجاد گرافیک داده های آماری
  • انجام ریاضیات پایه و جبر خطی
  • تحلیل همبستگی
  • تحلیل چند متغیره
  • منابع داده از طریق وب تراش
  • مقدمه ای برای پردازش زبان طبیعی
  • تجزیه و تحلیل مشارکتی با نقشه

سرفصل ها و درس ها

مقدمه Introduction

  • حیات علوم داده هک می کند Data science life hacks

  • آنچه باید بدانید What you should know

1. آشنایی با حرفه های داده 1. Introduction to the Data Professions

  • آشنایی با حرفه های داده Introduction to the data professions

  • چهار طعم تجزیه و تحلیل داده ها The four flavors of data analysis

  • چرا از پایتون برای تحلیل استفاده می کنید؟ Why use Python for analytics?

  • نقشه راه دوره سطح بالا High-level course road map

2. مبانی آماده سازی داده ها 2. Data Preparation Basics

  • فیلتر و انتخاب Filtering and selecting

  • درمان مقادیر گمشده Treating missing values

  • حذف نسخه های تکراری Removing duplicates

  • جمع بندی و تحول Concatenating and transforming

  • گروه بندی و جمع Grouping and aggregation

3. تجسم اطلاعات 101 3. Data Visualization 101

  • سه نوع تجسم داده ها The three types of data visualization

  • گرافیک داده بهینه را انتخاب کنید Selecting optimal data graphics

  • برقراری ارتباط با رنگ و زمینه Communicating with color and context

4- تجسم داده های عملی 4. Practical Data Visualization

  • ایجاد گرافیک داده استاندارد Creating standard data graphics

  • تعریف عناصر یک طرح Defining elements of a plot

  • قالب بندی طرح Plot formatting

  • ایجاد برچسب و حاشیه نویسی Creating labels and annotations

  • مشاهده سریال های زمانی Visualizing time series

  • ایجاد گرافیک داده های آماری Creating statistical data graphics

5- ریاضیات و آمار پایه 5. Basic Math and Statistics

  • حساب ساده Simple arithmetic

  • جبر خطی پایه Basic linear algebra

  • تولید آمار خلاصه Generating summary statistics

  • خلاصه داده های دسته بندی شده Summarizing categorical data

  • تجزیه و تحلیل همبستگی پارامتری Parametric correlation analysis

  • تجزیه و تحلیل همبستگی غیر پارامتری Non-parametric correlation analysis

  • توزیع توزیع داده ها Transforming dataset distributions

  • تجزیه و تحلیل ارزش شدید برای محیط های خارجی Extreme value analysis for outliers

  • تجزیه و تحلیل چند متغیره برای محیط های دور Multivariate analysis for outliers

6. منابع داده از طریق scraping وب 6. Data Sourcing via Web Scraping

  • شیء BeautifulSoup BeautifulSoup object

  • NavigableString اشیاء NavigableString objects

  • تجزیه داده Data parsing

  • ضبط وب در عمل Web scraping in practice

  • آشنایی با NLP Introduction to NLP

  • تمیز کردن و خنثی کردن داده های متنی Cleaning and stemming textual data

  • Lemmatizing و تجزیه و تحلیل داده های متنی Lemmatizing and analyzing textual data

7. تجزیه و تحلیل همکاری با Plotly 7. Collaborative Analytics with Plotly

  • آشنایی با توطئه Introduction to Plotly

  • نمودارهای آماری ایجاد کنید Create statistical charts

  • نمودارهای آماری ایجاد کنید Create statistical charts

  • نمودارهای خط در Plotly Line charts in Plotly

  • نمودارهای نوار و نمودارهای پای در Plotly Bar charts and pie charts in Plotly

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش پایتون برای علوم داده قسمت 1
جزییات دوره
6h 2m
42
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
29,545
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lillian Pierson, P.E. Lillian Pierson, P.E.

لیلیان پیرسون ، P.E. یک متخصص برجسته در زمینه داده های بزرگ و علوم داده است. او متخصصان و دانشجویان شاغل را به مهارتهای داده مورد نیاز برای رقابت در اقتصاد مبتنی بر داده محور تجهیز می کند. لیلیان اخیراً به عنوان مربی علوم داده برای چندین دوره در زمینه آموزش LinkedIn یاد شده است. او همچنین نویسنده چندین کتاب فنی بسیار مرجع توسط انتشارات جان ویلی و پسران ، از جمله شرکت Data Science for Dummies (2017 ، 2015) است و دهه گذشته را در آموزش و مشاوره برای سازمانهای بزرگ فنی در بخش خصوصی گذرانده است. بخش هایی مانند IBM ، BMC ، دل و اینتل و همچنین سازمان های دولتی از نیروی دریایی ایالات متحده تا سطح دولت محلی. به عنوان بنیانگذار Data-Mania LLC ، لیلیان دوره های آموزشی آنلاین و حضوری و همچنین کارگاه ها و سایر مواد آموزشی را در زمینه داده های بزرگ ، علوم داده و تجزیه و تحلیل داده ها ارائه می دهد.