• آی تی گویا

  • سینمای آموزشی

جمعه ۲۲ فروردین ۱۳۹۹

آنچه که باید دید

تبلیغات
تبلیغات
تبلیغات
تبلیغات

آموزش مقدماتی علوم داده با پایتون، نام پای، پانداس و مت پلات لایب

علم داده (Data Science)، دانشی میان‌رشته‌ای پیرامون استخراج دانش و آگاهی از مجموعه‌ای داده و اطلاعات است.

علم داده از ترکیب مباحث مختلفی به وجود آمده و بر مبانی و روش‌های موجود در حوزه‌های مختلف علمی بنا شده‌است. تعدادی از این حوزه‌ها عبارتند از: ریاضیات، آمار، مهندسی داده، بازشناخت الگو و… هدف این علم، استخراج مفهوم از داده و تولید محصولات داده‌محور است.
آقایان توماس دونپورت و دی جی پاتیل در سال ۲۰۱۲ در مقاله «علم داده: جذاب‌ترین شغل قرن بیست و یکم» متخصصین علم داده را این طور تعریف می‌کنند: کسانی که می‌دانند چگونه می‌توان از انبوه اطلاعات بدون ساختار پاسخ سوالهای کسب‌وکار را پیدا کرد.

استنتون در سال ۲۰۱۳ علم داده را این طور تعریف می‌کند: علم داده رشته در حال ظهوری است که به جمع‌آوری، آماده‌سازی، تحلیل، بصری‌سازی، مدیریت و نگهداشت اطلاعات در حجم بالا می‌پردازد.

دریسکول در سال ۲۰۱۴ علم داده را این طور تعریف می‌کند: علم داده مهندسی عمران داده‌هاست. متخصص علم داده دانشی کاربردی از داده‌ها و ابزارها دارد به علاوه درک تئوریکی دارد که مشخص می‌کند چه چیزی از نظر علمی ممکن است. به شاغلین در حوزهٔ علم داده، متخصص علم داده (data scientist) می‌گویند.

در دوره آموزشی Udemy Python Data Science basics with Numpy, Pandas and Matplotlib با آموزش مقدماتی علوم داده با پایتون، نام پای، پانداس و مت پلات لایب اشنا خواهید شد.

سرفصل های دوره آموزشی Udemy Python Data Science basics with Numpy, Pandas and Matplotlib:

– معرفی دوره و فهرست مطالب
– آشنایی با پایتون ، پاندا و نپولی
– تنظیم سیستم و محیط زیست
– رشته های پایتون
– لیست های پایتون
– تاپل ها در پایتون
– مجموعه در پایتون
– فرهنگ لغت پایتون
– کتابخانه NumPy – مقدمه
– عملیات و فهرست بندی NumPy Array
– آرایه های چند بعدی NumPy
– معرفی سریال های پاندا
– آشنایی با داده های پاندا دیتافرام
– تبدیل و رها کردن Pandas Dataframe
– خلاصه و انتخاب پانداس Dataframe
– پاندا از دست رفته مدیریت داده ها و مرتب سازی
– فهرست بندی پاندای سلسله مراتبی-چندگانه
– پرونده Pandas CSV نوشتن را بخوانید
– پرونده Pandas JSON بخوانید نوشتن
– ادغام و پیوستن به Pandas
– Pandas Stacking و Pivoting
– مدیریت داده های تکراری پاندا
– نقشه برداری پاندا
– گروه بندی پانداها
– مصالح پاندا
– پانداها Binning یا Bucketing
– Pandas دوباره نمایه شده و تغییر نام دهید
– پانداها ارزش ها را جایگزین کنید
– اندازه گیری های Pandas Dataframe
– جابجایی تصادفی پاندا
– واردات ورق Pandas Excel
– عملکرد شرکت پاندا و عملکرد لامبدا
– پانداس مین مکس را در رده های بعدی قرار می دهد
– جدولبندی جدول پانداس
– نمودارها و توطئه های Matplotlib
– هیستوگرام Matplotlib

Welcome to my new course Python Essentials with Pandas and Numpy for Data Science

In this course, we will learn the basics of Python Data Structures and the most important Data Science libraries like NumPy and Pandas with step by step examples!

The first session will be a theory session in which, we will have an introduction to python, its applications and the libraries.

In the next session, we will proceed with installing python in your computer. We will install and configure anaconda which is a platform you can use for quick and easy installation of python and its libraries. We will get ourselves familiar with Jupiter notebook, which is the IDE that we are using throughout this course for python coding.

Then we will go ahead with the basic python data types like strings, numbers and its operations. We will deal with different types of ways to assign and access strings, string slicing, replacement, concatenation, formatting and f strings.

Dealing with numbers, we will discuss the assignment, accessing and different operations with integers and floats. The operations include basic ones and also advanced ones like exponents. Also we will check the order of operations, increments and decrements, rounding values and type casting.

Course content:
– Course Introduction and Table of Contents
– Introduction to Python, Pandas and Numpy
– System and Environment Setup
– Python Strings
– Python Numbers and Operators
– Python Lists
– Tuples in Python
– Sets in Python
– Python Dictionary
– NumPy Library – Introduction
– NumPy Array Operations and Indexing
– NumPy Multi-Dimensional Arrays
– Introduction to Pandas Series
– Introduction to Pandas Dataframes
– Pandas Dataframe conversion and drop
– Pandas Dataframe summary and selection
– Pandas Missing Data Management and Sorting
– Pandas Hierarchical-Multi Indexing
– Pandas CSV File Read Write
– Pandas JSON File Read Write
– Pandas Concatenation Merging and Joining
– Pandas Stacking and Pivoting
– Pandas Duplicate Data Management
– Pandas Mapping
– Pandas Grouping
– Pandas Aggregation
– Pandas Binning or Bucketing
– Pandas Re-index and Rename
– Pandas Replace Values
– Pandas Dataframe Metrics
– Pandas Random Permutation
– Pandas Excel sheet Import
– Pandas Condition Selection and Lambda Function
– Pandas Ranks Min Max
– Pandas Cross Tabulation
– Matplotlib Graphs and plots
– Matplotlib Histograms
– SOURCE CODE ATTACHED

 


لینک های دانلود
راهنمای دانلود

برای دانلود گروهی، تمامی لینک ها را انتخاب کنید و در نرم افزار مدیریت دانلود خود وارد کنید سپس دانلود را آغاز کنید.
اگر نرم افزار مدیریت دانلود ندارید، پیشنهاد می شود برای دانلود فایل ها حتماً از یک نرم افزار مدیریت دانلود و مخصوصاً IDM استفاده کنید
در صورت بروز مشکل در دانلود فایل ها تنها کافی است در آخر لینک دانلود فایل یک علامت سوال ? قرار دهید تا فایل به راحتی دانلود شود.
فایل های بسیار حجیم برای سهولت دریافت به چند بخش تقسیم بندی شده اند. پس از دانلود تمامی بخش ها، همگی را درون یک پوشه قرار داده و با استفاده از نرم افزار هایی همچون winrar اقدام به بازگشایی آن ها از اولین فایل نمائید.
با Extract نمودن فایل قسمت اول، قسمت های بعدی به صورت خودکار شناخته می شوند و یک به یک از حالت فشرده خارج شده و در نهایت فایل کامل را تشکیل می دهند.
چنانچه در هنگام خارج سازی فایل از حالت فشرده با پیغام CRC مواجه شدید، در صورتی که کلمه رمز را درست وارد کرده باشید. فایل به صورت خراب دانلود شده است و می بایستی مجدداً آن را دانلود کنید
دقت کنید در هنگام بازگشایی بر روی کدام یک از قسمت ها پیغام خطای CRC داده می شود سپس برای دانلود مجدد فقط همان قسمتی که خراب دانلود شده است را دانلود نمائید.
کلمه رمز جهت بازگشایی فایل فشرده عبارت www.itgoya.ir می باشد. تمامی حروف را میبایستی به صورت کوچک تایپ کنید و در هنگام تایپ به وضعیت EN/FA کیبورد خود توجه داشته باشید همچنین بهتر است کلمه رمز را تایپ کنید و از Copy-Paste آن بپرهیزید.