دوره تسلط بر دسته‌بندی و تحلیل آماری داده‌ها با کتابخانه Pandas در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر دسته‌بندی و تحلیل آماری داده‌ها با کتابخانه Pandas در پایتون

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: کار با کتابخانه‌های پایتون در تحلیل داده‌های کلان

📋 سرفصل‌های دوره

• 1. آشنایی با محیط برنامه‌نویسی پایتون برای تحلیل داده
• 2. نصب و راه‌اندازی کتابخانه‌های مورد نیاز پانداس و نامپای
• 3. ساختار داده‌ای سری در پانداس و ویژگی‌های آن
• 4. کار با دیتافریم‌ها و بارگذاری داده‌های ساختاریافته
• 5. خواندن فایل‌های اکسل و سی‌اس‌وی در پانداس
• 6. بررسی اولیه و مشاهده داده‌ها با متدهای هد و تیل
• 7. انتخاب و فیلتر کردن ستون‌های مورد نیاز در دیتافریم
• 8. فیلتر کردن ردیف‌ها بر اساس شرط‌های منطقی
• 9. مدیریت مقادیر گمشده و داده‌های ناقص در مجموعه داده
• 10. تغییر نام ستون‌ها و اصلاح برچسب‌های داده‌ای
• 11. مبانی دسته‌بندی داده‌ها با متد گروپ‌بای
• 12. محاسبات آماری پایه روی گروه‌های داده‌ای
• 13. استفاده از توابع تجمیعی میانگین و مجموع روی گروه‌ها
• 14. کار با تابع اگریگیت برای اعمال چندین عملیات آماری
• 15. بررسی توزیع داده‌ها در گروه‌های مختلف
• 16. فیلتر کردن نتایج حاصل از عملیات گروپ‌بای
• 17. استفاده از متد ترنسفورم برای محاسبات گروهی
• 18. کار با جداول محوری برای خلاصه سازی داده‌ها
• 19. تغییر شکل دیتافریم‌ها با عملیات پشته‌سازی
• 20. ادغام مجموعه داده‌های مختلف با عملیات جوین
• 21. ترکیب دیتافریم‌ها با استفاده از متد کانکت
• 22. کار با داده‌های زمانی و تقویمی در پانداس
• 23. استخراج ویژگی‌های زمانی از ستون‌های تاریخ
• 24. تحلیل روند داده‌ها در بازه‌های زمانی مشخص
• 25. گروه‌بندی داده‌ها بر اساس فواصل زمانی
• 26. کار با توابع لامبدا برای پردازش‌های سفارشی
• 27. اعمال توابع پیچیده روی گروه‌های داده‌ای
• 28. مدیریت داده‌های دسته‌ای و تبدیل آن‌ها به مقادیر عددی
• 29. نرمال‌سازی داده‌ها برای تحلیل‌های آماری دقیق‌تر
• 30. رسم نمودارهای آماری پایه با استفاده از داده‌های پانداس
• 31. نمایش توزیع داده‌ها با استفاده از هیستوگرام
• 32. تحلیل همبستگی بین متغیرها در مجموعه داده
• 33. خروجی گرفتن از داده‌های تحلیل شده به فرمت‌های استاندارد
• 34. بهینه‌سازی مصرف حافظه در تحلیل داده‌های کلان
• 35. استفاده از تکنیک‌های برداری برای افزایش سرعت محاسبات
• 36. مدیریت داده‌های تکراری و پاکسازی مجموعه داده
• 37. بررسی آماره‌های توصیفی برای درک بهتر ماهیت داده‌ها
• 38. شناسایی داده‌های پرت در تحلیل‌های آماری
• 39. ساخت گزارش‌های خلاصه از داده‌های حجیم
• 40. پیاده‌سازی یک پروژه عملی تحلیل داده‌های اقتصادی استاندارد