دوره جامع تحلیل و مصورسازی داده‌ها با کتابخانه‌های پایتون (Python Data Analysis) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع تحلیل و مصورسازی داده‌ها با کتابخانه‌های پایتون (Python Data Analysis)

موضوع کلی: علوم داده و تحلیل‌های آماری

موضوع میانی: تحلیل داده‌های کاربردی با زبان برنامه‌نویسی پایتون

📋 سرفصل‌های دوره

• 1. مبانی محیط برنامه‌نویسی پایتون برای تحلیل داده
• 2. نصب و راه‌اندازی توزیع‌های علمی پایتون
• 3. ساختار داده‌ها در پایتون و کار با لیست‌ها و دیکشنری‌ها
• 4. مقدمه‌ای بر کتابخانه نامپای و کار با آرایه‌ها
• 5. عملیات ریاضی و آماری بر روی آرایه‌های نامپای
• 6. مبانی کتابخانه پانداز و ساختار سری‌ها
• 7. مدیریت و دستکاری دیتافریم‌ها در پانداز
• 8. بارگذاری داده‌ها از فایل‌های اکسل و CSV
• 9. پاک‌سازی داده‌های ناقص و مدیریت مقادیر تهی
• 10. تغییر نام و حذف ستون‌ها در دیتافریم
• 11. فیلتر کردن و انتخاب زیرمجموعه‌ای از داده‌ها
• 12. ترکیب و ادغام دیتافریم‌ها با استفاده از توابع جوین
• 13. گروه‌بندی داده‌ها و محاسبات تجمیعی
• 14. کار با داده‌های زمانی و تقویم در پایتون
• 15. تغییر شکل و چیدمان داده‌ها با متدهای پیوت
• 16. مبانی مصورسازی داده‌ها با کتابخانه مت‌پلات‌لیب
• 17. رسم نمودارهای خطی و تحلیل روندها
• 18. رسم نمودارهای ستونی برای مقایسه داده‌ها
• 19. ایجاد نمودارهای پراکندگی برای بررسی همبستگی
• 20. تحلیل توزیع داده‌ها با استفاده از هیستوگرام
• 21. شخصی‌سازی نمودارها با برچسب‌گذاری و تعیین رنگ‌ها
• 22. مقدمه‌ای بر کتابخانه سی‌بورن برای تحلیل‌های گرافیکی
• 23. رسم نمودارهای حرارتی برای نمایش ماتریس‌های همبستگی
• 24. تحلیل آماری توصیفی با استفاده از توابع پانداز
• 25. محاسبه شاخص‌های مرکزی میانگین و میانه
• 26. سنجش پراکندگی داده‌ها با انحراف معیار و واریانس
• 27. تشخیص داده‌های پرت در مجموعه داده‌ها
• 28. مقدمه‌ای بر تحلیل اکتشافی داده‌ها
• 29. کار با کتابخانه سای‌کی‌لرن برای پیش‌پردازش داده‌ها
• 30. استانداردسازی و نرمال‌سازی داده‌های عددی
• 31. کدگذاری متغیرهای دسته‌ای به مقادیر عددی
• 32. تقسیم‌بندی داده‌ها به مجموعه‌های آموزش و آزمون
• 33. مبانی رگرسیون خطی برای پیش‌بینی مقادیر عددی
• 34. ارزیابی مدل‌های تحلیل داده با معیارهای خطا
• 35. نمایش نتایج تحلیل در قالب گزارش‌های ساختاریافته
• 36. استفاده از کتابخانه پلاتلی برای نمودارهای تعاملی
• 37. کار با فرمت‌های داده‌ای جیسون در تحلیل‌های وب
• 38. اتصال به پایگاه‌های داده اس‌کی‌ال با پایتون
• 39. اجرای کوئری‌های استاندارد روی دیتابیس‌های رابطه‌ای
• 40. بهینه‌سازی کدهای پایتون برای پردازش داده‌های حجیم
• 41. ملاحظات اخلاقی و حریم خصوصی در جمع‌آوری داده‌ها
• 42. تدوین مستندات فنی و گزارش‌نویسی نتایج تحلیل
• 43. پروژه عملی نهایی تحلیل یک مجموعه داده واقعی