دوره تسلط بر Pandas در پایتون: راهنمای کامل مهندسی و تحلیل داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر Pandas در پایتون: راهنمای کامل مهندسی و تحلیل داده

موضوع کلی: برنامه نویسی

موضوع میانی: پایتون (Python)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده و کتابخانه Pandas
• 2. نصب و راه‌اندازی محیط تحلیل داده با Python
• 3. آشنایی با ساختارهای داده‌ای Pandas: Series
• 4. کار با Series: ایجاد، دسترسی و عملیات پایه
• 5. ساختارهای داده‌ای Pandas: DataFrame
• 6. کار با DataFrame: ایجاد، دسترسی و عملیات پایه
• 7. فهم ساختار و اطلاعات DataFrame
• 8. انتخاب و فیلتر کردن داده‌ها در DataFrame
• 9. عملیات روی ستون‌ها: ایجاد، حذف و تغییر
• 10. عملیات روی ردیف‌ها: انتخاب، حذف و درج
• 11. مدیریت داده‌های گمشده (Missing Data)
• 12. شناسایی و پر کردن داده‌های گمشده
• 13. حذف داده‌های گمشده
• 14. کار با داده‌های تکراری (Duplicate Data)
• 15. شناسایی و حذف داده‌های تکراری
• 16. تغییر نوع داده‌های ستون‌ها
• 17. عملیات آماری پایه روی داده‌ها
• 18. محاسبه میانگین، میانه و مد
• 19. محاسبه واریانس و انحراف معیار
• 20. محاسبه کوواریانس و همبستگی
• 21. گروه‌بندی داده‌ها با groupby
• 22. عملیات تجمیعی (Aggregation) پس از groupby
• 23. فیلتر کردن گروه‌ها
• 24. ترکیب داده‌ها: ادغام (Merge) و پیوستن (Join)
• 25. ادغام DataFrame ها بر اساس کلید
• 26. پیوستن DataFrame ها بر اساس شاخص
• 27. الحاق (Concatenation) DataFrame ها
• 28. کار با داده‌های متنی (String Manipulation)
• 29. عملیات پایه رشته‌ای در Pandas
• 30. استفاده از عبارات منظم (Regular Expressions)
• 31. کار با تاریخ و زمان (Date and Time)
• 32. تبدیل رشته به تاریخ و زمان
• 33. استخراج مولفه‌های تاریخ و زمان
• 34. فیلتر کردن بر اساس بازه‌های زمانی
• 35. کار با داده‌های چندسطحی (MultiIndex)
• 36. ایجاد و کار با MultiIndex
• 37. دسترسی به داده‌ها در MultiIndex
• 38. کار با فایل‌های CSV
• 39. خواندن فایل‌های CSV
• 40. نوشتن در فایل‌های CSV
• 41. کار با فایل‌های Excel
• 42. خواندن فایل‌های Excel
• 43. نوشتن در فایل‌های Excel
• 44. کار با فایل‌های JSON
• 45. خواندن فایل‌های JSON
• 46. نوشتن در فایل‌های JSON
• 47. کار با پایگاه‌های داده (SQL)
• 48. اتصال به پایگاه داده SQL
• 49. خواندن داده از SQL
• 50. نوشتن داده در SQL
• 51. انجام عملیات آماری پیشرفته
• 52. تحلیل فراوانی و توزیع داده‌ها
• 53. محاسبه درصد و نسبت‌ها
• 54. آنالیز پراکندگی داده‌ها
• 55. مصورسازی داده‌ها با Matplotlib و Seaborn
• 56. ایجاد نمودارهای خطی
• 57. ایجاد نمودارهای میله‌ای
• 58. ایجاد نمودارهای پراکندگی
• 59. ایجاد نمودارهای هیستوگرام
• 60. ایجاد نمودارهای جعبه‌ای (Box Plot)
• 61. ایجاد نمودارهای چگالی (Density Plot)
• 62. تنظیمات پیشرفته نمودارها
• 63. کار با داده‌های بزرگ (Big Data)
• 64. استراتژی‌های مدیریت حافظه
• 65. استفاده از Dask برای داده‌های بزرگ
• 66. مقدمه‌ای بر یادگیری ماشین
• 67. مراحل کلی در پروژه‌های یادگیری ماشین
• 68. پیش‌پردازش داده‌ها برای مدل‌سازی
• 69. انتخاب ویژگی (Feature Selection)
• 70. مهندسی ویژگی (Feature Engineering)
• 71. آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین
• 72. آموزش و ارزیابی مدل‌های کلاسیک
• 73. کار با کتابخانه Scikit-learn
• 74. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 75. انتخاب و تنظیم ابرپارامترها
• 76. ارزیابی عملکرد مدل‌های طبقه‌بندی
• 77. ارزیابی عملکرد مدل‌های رگرسیون
• 78. مقدمه‌ای بر تحلیل سری‌های زمانی
• 79. ساختار داده‌های سری زمانی در Pandas
• 80. شناسایی روند، فصلی بودن و نویز
• 81. پیش‌بینی سری‌های زمانی با مدل‌های ساده
• 82. استفاده از ابزارهای پیشرفته تحلیل داده
• 83. کار با داده‌های مکانی (Geospatial Data)
• 84. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 85. تحلیل احساسات با استفاده از داده‌های متنی
• 86. کار با داده‌های شبکه‌های اجتماعی
• 87. جمع‌آوری و تحلیل داده‌های عمومی
• 88. ملاحظات امنیتی در تحلیل داده
• 89. اصول حاکم بر جمع‌آوری و استفاده از داده‌ها
• 90. رعایت حریم خصوصی در تحلیل داده
• 91. مسئولیت‌پذیری در مهندسی داده
• 92. اخلاق در علم داده
• 93. ملاحظات حقوقی در کار با داده‌ها
• 94. استانداردهای بومی‌سازی محتوای آموزشی
• 95. انطباق با قوانین و مقررات جمهوری اسلامی ایران
• 96. چارچوب‌های شرعی در تحلیل داده
• 97. حفاظت از زیرساخت‌های اطلاعاتی کشور
• 98. مقررات مربوط به داده‌های حساس
• 99. کاربرد Pandas در هوش تجاری
• 100. گزارش‌دهی و داشبوردهای داده‌محور