اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع تحلیل و پردازش داده‌های اقتصادی و صنعتی با NumPy و Pandas

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع تحلیل و پردازش داده‌های اقتصادی و صنعتی با NumPy و Pandas

موضوع کلی: علوم داده و تحلیل‌های آماری

موضوع میانی: ابزارهای تحلیل داده با پایتون

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی محیط برنامه‌نویسی پایتون برای تحلیل داده‌های اقتصادی
• 2. نصب و راه‌اندازی کتابخانه‌های NumPy و Pandas
• 3. ساختار آرایه‌ها در NumPy و تفاوت آن با لیست‌های پایتون
• 4. تولید و مدیریت داده‌های عددی با آرایه‌های چندبعدی
• 5. عملیات ریاضی و آماری پایه بر روی آرایه‌ها
• 6. نمایه‌سازی و برش‌زنی داده‌ها در NumPy
• 7. تغییر شکل و سازمان‌دهی مجدد ساختار آرایه‌ها
• 8. پخش‌کردن یا Broadcasting در محاسبات ماتریسی
• 9. کار با توابع ریاضی و مثلثاتی در تحلیل‌های صنعتی
• 10. آشنایی با ساختار داده‌ای Series در Pandas
• 11. آشنایی با ساختار داده‌ای DataFrame
• 12. فراخوانی و خواندن داده‌های اقتصادی از فایل‌های CSV
• 13. اتصال به پایگاه‌های داده و خواندن جداول مالی
• 14. پاک‌سازی داده‌ها و مدیریت مقادیر مفقود
• 15. انتخاب و فیلتر کردن ستون‌ها و ردیف‌ها در DataFrame
• 16. اعمال فیلترهای شرطی بر روی شاخص‌های اقتصادی
• 17. تغییر نام و اصلاح ساختار عناوین ستون‌ها
• 18. افزودن و حذف ستون‌های محاسباتی در جداول داده
• 19. مرتب‌سازی و رتبه‌بندی داده‌های صنعتی
• 20. تجمیع داده‌ها با استفاده از توابع گروهی
• 21. استفاده از GroupBy برای تحلیل‌های آماری دسته‌بندی‌شده
• 22. ترکیب جداول داده با استفاده از متدهای Join و Merge
• 23. الحاق و اتصال جداول داده با استفاده از Concat
• 24. محاسبات بازه‌های زمانی و تحلیل سری‌های زمانی مالی
• 25. تنظیم تاریخ و زمان به عنوان شاخص در Pandas
• 26. پنجره‌های لغزان و محاسبات میانگین متحرک در شاخص‌های بورس
• 27. تحلیل روند تغییرات داده‌ها با تغییرات درصدی
• 28. کار با داده‌های متنی و رشته‌ای در جداول اقتصادی
• 29. خروجی گرفتن و ذخیره‌سازی داده‌های تحلیل‌شده
• 30. ایجاد گزارش‌های آماری از داده‌های صنعتی
• 31. نمودار‌سازی اولیه با استفاده از قابلیت‌های Pandas
• 32. تحلیل همبستگی بین متغیرهای اقتصادی
• 33. بررسی توزیع آماری داده‌های تولیدی
• 34. محاسبه شاخص‌های مرکزی و پراکندگی در داده‌های کلان
• 35. مدیریت حافظه در پردازش داده‌های حجیم
• 36. بهینه‌سازی کدهای پایتون برای تحلیل‌های سریع
• 37. پیاده‌سازی مدل‌های ساده رگرسیونی با ابزارهای موجود
• 38. تحلیل داده‌های فروش و موجودی انبار
• 39. ارزیابی کارایی خطوط تولید با تحلیل داده
• 40. بومی‌سازی تحلیل‌ها بر اساس استانداردهای گزارش‌دهی داخلی