آموزش در سال 2023 تجزیه و تحلیل داده ها را با پانداها بیاموزید

Learn Data Analysis With Pandas In 2023

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: آموزش تجزیه و تحلیل داده ها با پانداها، متپلاتلب و پایتون در سال 2023 نحوه نصب Anaconda نحوه استفاده از پاندا نحوه استفاده از Matplotlib نحوه استفاده از Jupyter Notebook نحوه ایجاد نمودار برای داده های قابل توجه اصول اولیه استفاده از NumPy پیش نیازها: باید با اصول اولیه پایتون شما به کامپیوتر و دسترسی به اینترنت نیاز دارید

آیا آماده‌اید سفر خود را به‌عنوان یک تحلیلگر داده حرفه‌ای آغاز کنید و برخی از مهارت‌های مورد نیاز بازار در برنامه‌نویسی برای سال 2023 را بیاموزید؟


این دوره برای چه کسانی است؟

این دوره برای کسانی است که می‌خواهند پایه‌ای قوی برای علم داده با پایتون بسازند. همه چیزهایی را که در مورد استفاده از پانداها برای تجزیه و تحلیل داده ها باید بدانید را پوشش می دهد و همچنین نحوه استفاده از Matplotlib را برای ایجاد نمودارهای بسیار روشنگر برای نمایش داده های خود به شیوه ای بصری جذاب پوشش می دهد! تنها شرط لازم این است که کمی تجربه با پایتون داشته باشید، زیرا ما در این دوره از آن استفاده خواهیم کرد.


چرا باید این دوره را انتخاب کنید نه بقیه را؟

هزاران دوره پایتون در اینترنت وجود دارد، پس چرا باید این یکی را انتخاب کنید؟ خوب، به بیان ساده، من معتقدم که من مفاهیم برنامه نویسی را به روشی بسیار مؤثرتر از اکثر دوره های آموزشی در اینترنت تدریس می کنم. من مطمئن می شوم که فقط چیزهای ضروری و مورد نیاز را آموزش می دهم تا زمان خود را با کدهایی تلف نکنید که هرگز در کل حرفه خود نبینید یا از آنها استفاده نکنید. من یک حرفه ای خودآموخته هستم و به شما یاد خواهم داد که چگونه می توانید همینطور باشید!


30 روز ضمانت بازگشت وجه

در هر مرحله از این دوره می‌توانید برای پس گرفتن پول خود شرکت کنید. چه احساس کنید که این دوره برای شما مناسب نیست، یا نظر خود را در مورد یادگیری تجزیه و تحلیل داده با پانداها تغییر داده اید، می توانید به راحتی درخواست بازپرداخت کنید که بلافاصله بدون هیچ سوالی از طریق Udemy به حساب شما بازپرداخت می شود!


سرفصل ها و درس ها

شروع شدن Getting Started

  • معرفی Introduction

  • نصب آناکوندا Installing Anaconda

  • نوت بوک ژوپیتر Jupyter Notebook

  • منابع Resources

سلسله Series

  • معرفی Introduction

  • ویژگی های Attributes

  • مواد و روش ها Methods

  • مدیریت فایل های CSV Handling CSV files

  • head() & tail() head() & tail()

  • مرتب سازی مقادیر در یک سری Sorting values in a Series

  • شمارش مقادیر در یک سری Counting values in a Series

  • دسترسی به عناصر از طریق موقعیت Accessing elements via position

  • دسترسی به عناصر از طریق فهرست Accessing elements via index

  • مشق شب Homework

  • تکالیف (راه حل) Homework (Solutions)

برتری داشتن Excel

  • مدیریت فایل های اکسل Handling excel files

DataFrames (قسمت 1) DataFrames (Part 1)

  • معرفی Introduction

  • مواد و روش ها Methods

  • describe() & info() describe() & info()

  • nlargest() & nsmallest() nlargest() & nsmallest()

  • set_index() & reset_index() set_index() & reset_index()

  • حذف ستون ها/ردیف ها در DataFrame با drop() Removing columns/rows in a DataFrame with drop()

  • اضافه کردن ستون به DataFrame Adding columns to a DataFrame

  • dropna() dropna()

  • fillna() fillna()

  • مشق شب Homework

  • تکالیف (راه حل) Homework (Solutions)

DataFrames (قسمت 2) DataFrames (Part 2)

  • Titanic.xls Titanic.xls

  • .loc[] .loc[]

  • .loc[] (ادامه) .loc[] (Continued)

  • .iloc[] .iloc[]

  • .iloc[] (ادامه) .iloc[] (Continued)

  • صدا و سیما Broadcasting

  • شرایط Conditions

  • شرایط چندگانه Multiple conditions

  • بین() between()

  • isin()، isnull() & notnull() isin(), isnull(), & notnull()

  • تغییر نام Renaming

  • مشق شب Homework

  • تکالیف (راه حل) Homework (Solutions)

DataFrames (قسمت 3) DataFrames (Part 3)

  • Pokemon.csv Pokemon.csv

  • درخواست دادن() apply()

  • map() و applicationmap() map() & applymap()

  • astype() astype()

  • جایگزین کردن() replace()

  • جایی که() where()

  • agg() agg()

  • کپی 🀄() copy()

  • چند نمایه سازی Multi-indexing

  • چند نمایه سازی (ادامه) Multi-indexing (Continued)

  • مشق شب Homework

  • تکالیف (راه حل) Homework (Solutions)

عملیات رشته String Operations

  • .str .str

  • startswith() & endswith() startswith() & endswith()

  • فهرست و ستون ها Index & columns

تغییر شکل مجموعه داده ها Reshaping Datasets

  • معرفی Introduction

  • transpose() transpose()

  • stack() & unstack() stack() & unstack()

  • ذوب شدن() melt()

  • pivot() pivot()

  • جدول محوری() pivot_table()

  • groupby() - قسمت 1 groupby() - Part 1

  • groupby() - قسمت 2 groupby() - Part 2

  • groupby() - قسمت 3 groupby() - Part 3

  • مشق شب Homework

  • تکالیف (راه حل) Homework (Solutions)

ترکیب مجموعه داده ها Combining Datasets

  • معرفی Introduction

  • concat() concat()

  • ادغام() merge()

  • پیوستن خارجی Outer join

  • پیوستن داخلی Inner join

  • پیوستن چپ و راست Left & right join

  • پیوستن به چپ و راست (منهای) Left & right join (Minus)

  • اتصال بیرونی (منهای) Outer join (Minus)

  • ادغام با نام ستون های مختلف Merging with different column names

سری زمانی Time Series

  • معرفی Introduction

  • مهر زمان و فهرست تاریخ Timestamp & DatetimeIndex

  • محدوده زمانی() date_range()

  • دوره و شاخص دوره Period & PeriodIndex

  • Timedelta & TimedeltaIndex Timedelta & TimedeltaIndex

  • دسترسی به ویژگی های زمان از طریق .dt Accessing time attributes through .dt

  • روش‌ها و ویژگی‌های مهر زمانی Timestamp methods & attributes

  • سری زمانی در فایل ها (قسمت 1) Time Series in files (Part 1)

  • سری زمانی در فایل ها (قسمت 2) Time Series in files (Part 2)

  • loc[] و iloc[] با DatetimeIndex loc[] & iloc[] with DatetimeIndex

  • reindex() reindex()

  • نمونه مجدد () resample()

  • مشق شب Homework

  • تکالیف (راه حل) Homework (Solutions)

Matplotlib Matplotlib

  • معرفی Introduction

  • نمودارهای خطی Line plots

  • قطعه های بار Bar plots

  • هیستوگرام ها Histograms

  • نمودارهای دایره ای Pie charts

  • سبک ها Styles

  • توطئه های تعاملی Interactive plots

  • پراکنده کردن Scatter

  • نمودارهای کندل استیک (پاداش) Candlestick charts (Bonus)

  • رنگ بر اساس مقدار (پاداش) Color by value (Bonus)

مسابقه نمودار میله ای Bar Chart Race

  • پیش نمایش Preview

  • نصب و راه اندازی Installation

  • پیاده سازی Implementation

NumPy NumPy

  • معرفی Introduction

  • لیست ها در مقابل آرایه های NumPy Lists vs. NumPy arrays

  • آرایه ها چیست؟ What are arrays?

  • اطلاعات بیشتر More information

  • اصول اولیه آرایه Array basics

  • مرتب سازی و الحاق آرایه ها Sorting and concatenating arrays

  • به دست آوردن شکل و اندازه یک آرایه Getting the shape and size of an array

  • تغییر شکل یک آرایه Reshaping an array

  • اضافه کردن یک محور جدید به یک آرایه Adding a new axis to an array

  • نمایه سازی و برش Indexing and slicing

  • ایجاد آرایه ها از داده های موجود Creating arrays from existing data

  • عملیات اساسی Basic operations

  • صدا و سیما Broadcasting

  • ماتریس ها Matrices

  • تولید اعداد تصادفی Generating random numbers

  • یافتن عناصر منحصر به فرد Finding unique elements

  • جابجایی و تغییر شکل آرایه ها Transposing and reshaping arrays

  • معکوس کردن آرایه ها Reversing arrays

  • تغییر شکل و صاف کردن آرایه های چند بعدی Reshaping & flattening multidimensional arrays

  • ذخیره و بارگیری آرایه ها Saving & loading arrays

نهایی Final

  • تست نهایی Final Test

  • بعدش چی؟ What's next?

نمایش نظرات

نظری ارسال نشده است.

آموزش در سال 2023 تجزیه و تحلیل داده ها را با پانداها بیاموزید
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
8 hours
123
Udemy (یودمی) udemy-small
01 شهریور 1402 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
1,974
4.7 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Federico Azzurro Federico Azzurro

مدرس برنامه نویسی

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.