آموزش پایتون برای تحلیل و تجسم داده ها

دانلود Python for Data Analysis & Visualization

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: به کتابخانه های اصلی تجزیه و تحلیل داده ها و تجسم در پایتون تسلط داشته باشید: Numpy، Pandas، Matplotlib، Seaborn، Plotly + Python بیشتر، ما در این دوره از کتابخانه های تجزیه و تحلیل داده در پایتون مانند NumPy و کتابخانه های تجسم داده های پاندا در پایتون مانند Matplotlib از Python3 استفاده خواهیم کرد. و Seaborn چگونه داده ها را تجزیه و تحلیل کنیم تجسم داده ها Jupyter Notebooks IDE/Anaconda توزیع پیش نیازها: بدون نیاز به دانش قبلی

یکی از پر تقاضاترین زبان های برنامه نویسی در جهان را بیاموزید و در مورد تجزیه و تحلیل و تجسم داده ها بر مهمترین کتابخانه ها مسلط شوید.

این دوره را می توان به 3 حوزه کلیدی تقسیم کرد:

  • بخش اول دوره بر هسته Python3 تمرکز دارد و موارد ضروری را که برای تسلط بر کتابخانه های آموزش داده شده در این دوره نیاز دارید به شما آموزش می دهد

  • بخش دوم بر تجزیه و تحلیل و دستکاری داده ها تمرکز دارد. شما یاد خواهید گرفت که چگونه به NumPy و Pandas

    مسلط شوید
  • در بخش پایانی دوره، یاد می گیرید که چگونه داده های خود را در قالب نمودارهای جالب با استفاده از Matplotlib، Seaborn و Plotly Express نمایش دهید

شما از نوت بوک های Jupyter به عنوان بخشی از توزیع Anaconda استفاده خواهید کرد. Jupyter محبوب ترین IDE پایتون موجود است.

این دوره مملو از سخنرانی‌ها، ویدیوهای همراه با کد، تمرین‌های کدنویسی و آزمون‌ها است.

علاوه بر آن، بخش‌های چالشی اختصاصی متعددی وجود دارد که از مجموعه داده‌های جالبی استفاده می‌کنند تا شما را قادر می‌سازند از این کتابخانه‌های خارجی حداکثر استفاده را ببرید.

باید بیش از اندازه کافی باشد تا شما را درگیر و یادگیری نگه دارد! به عنوان یک امتیاز اضافی، شما همچنین به تمام سخنرانی‌ها و همچنین تعداد زیادی از منابع دوره قابل دانلود متشکل از نوت‌بوک‌های دقیق دسترسی خواهید داشت.

هدف این دوره این است که شما را در استفاده از پایتون و تجزیه و تحلیل داده ها و کتابخانه های تجسم مهارت دهد.

این دوره برای دانشجویان همه سطوح مناسب است و مهم نیست از چه سیستم عاملی استفاده می کنید.

خلاصه برنامه درسی:

  • راه اندازی نصب

  • Core Python

    • اشیاء، متغیرها و انواع داده پایتون

    • کنترل جریان و حلقه ها

    • توابع

  • کتابخانه های خارجی

  • کتابخانه های تجزیه و تحلیل داده

    • NumPy

    • پاندا

    • اتصال به منابع داده های مختلف

  • کتابخانه های تجسم

    • Matplotlib

    • Seaborn

    • Plotly Express

  • 4 بخش چالش اختصاصی!


سرفصل ها و درس ها

خوش آمد گویی و راه اندازی دوره Course Welcome & Set Up

  • بررسی اجمالی دوره Course Overview

  • Udemy 101 Udemy 101

  • مروری بر پایتون Python Overview

  • نصب و راه اندازی توزیع آناکوندا Anaconda Distribution Installation

  • نوت بوک Jupyter 101 Jupyter Notebook 101

  • نوت بوک Jupyter - افزودن نظرات در سلول ها Jupyter Notebook - Adding Comments in Cells

  • منابع دوره - مهم! Course Resources - Important!

اشیاء، متغیرها و انواع داده ها Objects, Variables and Data Types

  • بررسی اجمالی اشیاء و متغیرها Objects and Variables Overview

  • شماره Numbers

  • متغیرهای عدد صحیح Integer Variables

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • متغیرهای شناور Float Variables

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • رشته های Strings

  • قالب بندی چاپ با رشته ها Print Formatting with Strings

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • عملیات رشته String Operations

  • آزمون فهرست بندی و برش رشته String Indexing and Slicing Quiz

  • روش ها و خصوصیات رشته ای String Methods and Properties

  • روش های رشته ای String Methods

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • الحاق رشته ها و قالب بندی String Concatenation and Formatting

  • لیست ها Lists

  • لیست ها Lists

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • لیست ها Lists

  • لیست ها Lists

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • لغت نامه ها Dictionaries

  • لغت نامه ها Dictionaries

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • تاپل ها و ست ها Tuples and Sets

  • تاپل ها و ست ها Tuples and Sets

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • بولین ها Booleans

  • کلمات کلیدی در پایتون Key Words in Python

  • انواع داده ها Data Types

کنترل جریان و حلقه ها Control Flow and Loops

  • اپراتورهای پایتون Python Operators

  • کنترل جریان Control Flow

  • کنترل جریان Control Flow

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • برای حلقه ها For Loops

  • For Loops (ادامه دارد) For Loops (continued)

  • برای حلقه ها For Loops

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • برای حلقه ها For Loops

  • برای حلقه ها For Loops

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • در حالی که حلقه ها While Loops

  • شکستن، ادامه و تصویب بیانیه ها Break, Continue and Pass Statements

  • لیست درک مطلب List Comprehension

  • درک لیست List Comprehension

  • درک لیست List Comprehension

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • IN و NOT IN IN and NOT IN

کارکرد Functions

  • توابع داخلی Built-In Functions

  • توابع داخلی Built-In Functions

  • توابع داخلی Built-In Functions

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • توابع تعریف شده توسط کاربر User Defined Functions

  • توابع تعریف شده توسط کاربر - مثال ها User Defined Functions - Examples

  • توابع تعریف شده توسط کاربر User Defined Functions

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • توابع تعریف شده توسط کاربر User Defined Functions

  • توابع تعریف شده توسط کاربر User Defined Functions

  • راه حل تمرین کدنویسی Coding Exercise Solution

  • آرگومان ها و آرگومان های کلیدواژه Arguments and Keyword Arguments

  • نقشه و فیلتر Map and Filter

  • توابع لامبدا Lambda Functions

  • توابع لامبدا Lambda Functions

  • راه حل تمرینی برنامه نویسی Coding Exercise Solution

  • راه حل تمرینی برنامه نویسی Coding Exercise Solution

  • خطاها و رسیدگی به استثناها Errors and Exception Handling

بخش چالش - هسته پایتون Challenge Section - Core Python

  • بررسی اجمالی سوالات را به چالش بکشید Challenge Questions Overview

  • راه حل ها Solutions Walkthrough

  • تصحیح: راه حل ها Corection: Solutions

ماژول ها، بسته ها و کتابخانه ها Modules, Packages and Libraries

  • ماژول های داخلی Built-In Modules

  • کتابخانه های خارجی External Libraries

NumPy NumPy

  • نمای کلی NumPy NumPy Overview

  • برش و نمایه سازی آرایه Array Slicing and Indexing

  • توابع دستکاری آرایه Array Manipulation Functions

  • توابع اضافی ایجاد آرایه Additional Array Creation Functions

  • توابع حسابی و ریاضی آرایه Array Arithmetic and Mathematical Functions

  • توابع IO در NumPy IO Functions in NumPy

بخش چالش - NumPy Challenge Section - NumPy

  • سوالات چالشی Challenge Questions

  • راه حل های چالش Challenge Solutions

پانداها Pandas

  • بررسی اجمالی پانداها Pandas Overview

  • معرفی سری Introduction to Series

  • مقدمه ای بر DataFrames Introduction to DataFrames

  • انتخاب داده 1 Selecting Data 1

  • انتخاب داده 2 Selecting Data 2

  • دستکاری داده ها 1 Data Manipulation 1

  • دستکاری داده ها 2 Data Manipulation 2

  • جمع آوری و گروه بندی داده ها Data Aggregation and Grouping

  • پاک کردن داده Data Cleansing

  • ترکیب DataFrames Combining DataFrames

  • عملیات پنجره Windowing Operations

بخش چالش - پانداها Challenge Section - Pandas

  • سوالات چالش - مجموعه داده TfL Challenge Questions - TfL Dataset

  • راه حل ها Solutions Walkthrough

  • سوالات چالش - مجموعه داده های کارکنان Challenge Questions - Employees Dataset

  • راه حل ها Solutions Walkthrough

منابع داده Data Sources

  • اکسل و CSV Excel and CSV

  • HTML HTML

  • پایگاه های داده Databases

  • روش های ورودی و خروجی پانداها Pandas Input and Output Methods

Matplotlib Matplotlib

  • بررسی اجمالی Matplotlib Matplotlib Overview

  • انتخاب نوع نمودار مناسب Choosing the Right Chart Type

  • ایجاد یک منطقه پلات 1 Creating a Plot Area 1

  • ایجاد منطقه پلات 2 Creating a Plot Area 2

  • قطعه های بار Bar Plots

  • طرح های خطی Line Plots

  • مجموعه داده های پلیر فیفا 21 FIFA 21 Player Dataset

  • پلات های پراکنده Scatter Plots

  • هیستوگرام ها Histograms

  • توطئه های جعبه و ویولن Box Plots and Violin Plots

  • سبک و ارائه Style and Presentation

  • منابع اضافی و برگه های تقلب Additional Resources and Cheat Sheets

بخش چالش - Matplotlib Challenge Section - Matplotlib

  • بررسی اجمالی سوالات چالش Challenge Questions Overview

  • راه حل ها Solutions Walkthrough

متولد دریا Seaborn

  • بررسی اجمالی Seaborn Seaborn Overview

  • قطعه های طبقه بندی شده Categorical Plots

  • توطئه های رابطه ای Relational Plots

  • قطعه های توزیع Distribution Plots

  • نمودارهای رگرسیون Regression Plots

  • توطئه های ماتریسی Matrix Plots

  • شبکه های چند قطعه ای Multi Plot Grids

  • سبک و ارائه Style and Presentation

بخش چالش - Seaborn Challenge Section - Seaborn

  • بررسی اجمالی سوالات چالش Challenge Questions Overview

  • راه حل ها Solutions Walkthrough

Plotly Express Plotly Express

  • نمای کلی Plotly Express Plotly Express Overview

  • نمودارهای تعاملی در Plotly Express Interactive Charts in Plotly Express

  • نمودارهای سه بعدی 3D Charts

  • پاداش: یادگیری بیشتر BONUS: Further Learning

  • پاداش: منابع یادگیری بیشتر BONUS: Further Learning Resources

با من به یادگیری ادامه دهید Keep learning with me

  • پاداش: دوره های دیگر من را بررسی کنید BONUS: Check out my other courses

نمایش نظرات

آموزش پایتون برای تحلیل و تجسم داده ها
جزییات دوره
10 hours
111
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
35,586
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Malvik Vaghadia Malvik Vaghadia

مالویک بیش از 10 سال کار و مشاوره با تعدادی از شرکت های فهرست شده در لیست/لیست نشده به عنوان متخصص داده و BI را گذرانده است. در طول زندگی حرفه ای خود ، مالویک یک مهارت در تجزیه و تحلیل داده ها و تجسم ، با مهارت در مورد تعدادی از زبان های برنامه نویسی از جمله SQL ، Python و R. ایجاد کرده است. او به طور گسترده با تعدادی از سیستم عامل های نرم افزاری پیشرو از جمله Hadoop ، Oracle ، MySQL ، MS SQL Server ، Qlik و Microsoft Power Platforms. وی دارای تعدادی گواهینامه از جمله: · کارشناس راه حل های مجاز مایکروسافت: مدیریت داده و تجزیه و تحلیل · Microsoft Certified Solutions Associate: گزارشگری BI · مجوز Qlik Sense Data Architect

Pathfinder Analytics Pathfinder Analytics

توانمندسازی نسل بعدی متخصصان داده