دوره تحلیل و پردازش داده‌های آماری با کتابخانه‌های Numpy و Pandas همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و پردازش داده‌های آماری با کتابخانه‌های Numpy و Pandas

موضوع کلی: علوم داده و تحلیل هوشمند اطلاعات

موضوع میانی: ابزارهای تحلیل داده با زبان برنامه‌نویسی پایتون

📋 سرفصل‌های دوره

• 1. مبانی و محیط‌های برنامه‌نویسی پایتون برای تحلیل داده
• 2. نصب و راه‌اندازی کتابخانه‌های Numpy و Pandas
• 3. آشنایی با ساختار آرایه‌های چندبعدی در Numpy
• 4. عملیات ریاضی و محاسباتی پایه بر روی آرایه‌ها
• 5. نمایه‌سازی و برش‌دهی آرایه‌های Numpy
• 6. تغییر شکل و سازمان‌دهی مجدد آرایه‌ها
• 7. پخش‌کنندگی و عملیات برداری در محاسبات عددی
• 8. کار با انواع داده‌ها در آرایه‌های Numpy
• 9. آشنایی با ساختار داده‌ای Series در کتابخانه Pandas
• 10. آشنایی با ساختار داده‌ای DataFrame در کتابخانه Pandas
• 11. بارگذاری داده‌ها از فایل‌های متنی و CSV
• 12. بارگذاری داده‌ها از فایل‌های اکسل و فرمت‌های استاندارد
• 13. بازرسی اولیه و مشاهده داده‌ها در Pandas
• 14. انتخاب زیرمجموعه‌ای از داده‌ها با استفاده از loc و iloc
• 15. فیلتر کردن داده‌ها بر اساس شرط‌های منطقی
• 16. مدیریت مقادیر گمشده و داده‌های نامعتبر
• 17. حذف و جایگزینی داده‌های پرت و ناقص
• 18. تغییر نام ستون‌ها و ردیف‌های DataFrame
• 19. مرتب‌سازی داده‌ها بر اساس مقادیر ستون‌ها
• 20. گروه‌بندی داده‌ها با متد groupby
• 21. محاسبات آماری توصیفی روی گروه‌های داده
• 22. ادغام و الحاق جداول با استفاده از merge
• 23. ترکیب داده‌ها با متد concat
• 24. استفاده از توابع اعمالی مانند apply و map
• 25. تحلیل داده‌های زمانی و سری‌های زمانی
• 26. کار با شاخص‌های زمانی در Pandas
• 27. تغییر فرکانس داده‌های زمانی و نمونه‌برداری مجدد
• 28. محاسبات پنجره‌ای و میانگین‌های متحرک
• 29. ذخیره‌سازی داده‌های پردازش‌شده در فرمت‌های مختلف
• 30. مصورسازی مقدماتی داده‌ها با ابزارهای داخلی Pandas
• 31. تحلیل همبستگی و روابط بین متغیرها
• 32. پاک‌سازی داده‌های حجیم و بهینه‌سازی حافظه
• 33. تکنیک‌های پیشرفته در کار با رشته‌ها در Pandas
• 34. کار با داده‌های دسته‌بندی‌شده و اسمی
• 35. تولید گزارش‌های آماری خلاصه از داده‌ها
• 36. اعتبارسنجی داده‌ها و بررسی یکپارچگی اطلاعات
• 37. استفاده از متدهای برداری برای افزایش سرعت پردازش
• 38. پیاده‌سازی پروژه‌های تحلیل داده با مجموعه‌داده‌های واقعی
• 39. اصول اخلاقی و حفظ حریم خصوصی در پردازش داده‌ها