دوره مبانی دستکاری و پاکسازی داده‌ها در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی دستکاری و پاکسازی داده‌ها در پایتون

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: پردازش و تحلیل داده با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پایتون برای علم داده
• 2. نصب و پیکربندی محیط پایتون
• 3. آشنایی با ساختارهای داده در پایتون
• 4. لیست‌ها و تاپل‌ها در پایتون
• 5. دیکشنری‌ها و مجموعه‌ها در پایتون
• 6. مبانی کار با رشته‌ها
• 7. عملیات پایه‌ای روی داده‌های عددی
• 8. مقدمه‌ای بر کتابخانه NumPy
• 9. آرایه‌های NumPy و عملیات برداری
• 10. شاخص‌گذاری و برش‌دهی در NumPy
• 11. عملیات ریاضی و آماری با NumPy
• 12. کار با ابعاد آرایه‌ها در NumPy
• 13. مقدمه‌ای بر کتابخانه Pandas
• 14. ساختار داده Series در Pandas
• 15. ساختار داده DataFrame در Pandas
• 16. بارگذاری داده‌ها از فایل‌های CSV
• 17. بارگذاری داده‌ها از فایل‌های Excel
• 18. بارگذاری داده‌ها از پایگاه‌های داده
• 19. مشاهده و بررسی اولیه داده‌ها در DataFrame
• 20. انتخاب ستون‌ها و ردیف‌ها
• 21. فیلتر کردن داده‌ها بر اساس شرط
• 22. مرتب‌سازی داده‌ها
• 23. مدیریت مقادیر گمشده (Missing Values)
• 24. حذف مقادیر گمشده
• 25. جایگزینی مقادیر گمشده
• 26. شناسایی و مدیریت داده‌های پرت (Outliers)
• 27. تکنیک‌های تشخیص داده‌های پرت
• 28. روش‌های برخورد با داده‌های پرت
• 29. گروه‌بندی داده‌ها با groupby
• 30. عملیات تجمیعی (Aggregation) بر روی گروه‌ها
• 31. تبدیل داده‌ها (Transformation)
• 32. فیلتر کردن گروه‌ها
• 33. ادغام و ترکیب DataFrameها
• 34. عملگرهای ادغام (Merge)
• 35. الحاق (Concatenate) DataFrameها
• 36. عملیات مقایسه‌ای بین DataFrameها
• 37. عملیات ریاضی بر روی DataFrameها
• 38. تبدیل انواع داده در ستون‌ها
• 39. کار با تاریخ و زمان در Pandas
• 40. استخراج اجزای تاریخ و زمان
• 41. تغییر فرمت تاریخ و زمان
• 42. محاسبه فاصله زمانی بین تاریخ‌ها
• 43. مقدمه‌ای بر پاکسازی داده‌ها
• 44. اهمیت پاکسازی داده‌ها
• 45. چالش‌های رایج در پاکسازی داده‌ها
• 46. استانداردسازی داده‌ها
• 47. بررسی و رفع ناهماهنگی در داده‌ها
• 48. کار با داده‌های متنی
• 49. پاکسازی داده‌های متنی
• 50. حذف کاراکترهای اضافی
• 51. تبدیل به حروف کوچک/بزرگ
• 52. حذف کلمات توقف (Stop Words)
• 53. ریشه‌یابی کلمات (Stemming & Lemmatization)
• 54. کار با داده‌های طبقه‌بندی شده
• 55. کدگذاری متغیرهای طبقه‌بندی شده
• 56. One-Hot Encoding
• 57. Label Encoding
• 58. کار با داده‌های عددی
• 59. نرمال‌سازی (Normalization)
• 60. استانداردسازی (Standardization)
• 61. مقدمه‌ای بر تحلیل اکتشافی داده‌ها (EDA)
• 62. اهمیت EDA در چرخه علم داده
• 63. ابزارهای EDA در پایتون
• 64. تجسم داده‌ها با Matplotlib
• 65. رسم نمودارهای خطی
• 66. رسم نمودارهای پراکندگی
• 67. رسم نمودارهای میله‌ای
• 68. رسم هیستوگرام
• 69. تجسم داده‌ها با Seaborn
• 70. نمودارهای توزیع
• 71. نمودارهای آماری
• 72. نمودارهای رابطه‌ای
• 73. نمودارهای دسته‌بندی شده
• 74. تحلیل همبستگی بین متغیرها
• 75. ساخت ماتریس همبستگی
• 76. نمایش ماتریس همبستگی
• 77. تفسیر نتایج همبستگی
• 78. شناسایی الگوهای پنهان در داده‌ها
• 79. ارزیابی کیفیت داده‌ها
• 80. مستندسازی فرآیند پاکسازی داده‌ها
• 81. نکات تکمیلی در پاکسازی داده‌ها
• 82. مدیریت خطا در عملیات داده‌ای
• 83. بهینه‌سازی عملکرد در Pandas
• 84. کار با داده‌های حجیم
• 85. ذخیره‌سازی داده‌های پاکسازی شده
• 86. اصول گزارش‌دهی نتایج تحلیل
• 87. کاربردهای عملی پاکسازی داده‌ها
• 88. مقدمه‌ای بر آماری توصیفی
• 89. محاسبه معیارهای مرکزی
• 90. محاسبه معیارهای پراکندگی
• 91. توزیع فراوانی
• 92. مقدمه‌ای بر احتمالات
• 93. قواعد پایه احتمالات
• 94. احتمال شرطی
• 95. قضیه بیز
• 96. مقدمه‌ای بر توزیع‌های احتمالی
• 97. توزیع نرمال
• 98. توزیع دوجمله‌ای
• 99. توزیع پواسون
• 100. مقدمه‌ای بر استنباط آماری