دوره تحلیل داده با پایتون: از صفر تا مسلط (Numpy, Pandas, Matplotlib, Seaborn) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده با پایتون: از صفر تا مسلط (Numpy, Pandas, Matplotlib, Seaborn)

موضوع کلی: علم داده

موضوع میانی: تحلیل داده با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده و پایتون
• 2. نصب و راه‌اندازی محیط توسعه پایتون (Anaconda, Jupyter Notebook)
• 3. آشنایی با کتابخانه Numpy: آرایه‌ها و عملیات پایه
• 4. ساخت آرایه‌های Numpy: روش‌های مختلف
• 5. شکل و ابعاد آرایه‌ها در Numpy
• 6. دسترسی به عناصر آرایه‌ها: Indexing و Slicing
• 7. عملیات ریاضی روی آرایه‌ها: جمع، تفریق، ضرب، تقسیم
• 8. توابع آماری در Numpy: میانگین، میانه، انحراف معیار
• 9. توابع مثلثاتی و نمایی در Numpy
• 10. آشنایی با کتابخانه Pandas: DataFrames و Series
• 11. ایجاد DataFrame از داده‌های مختلف (لیست، دیکشنری، فایل CSV)
• 12. خواندن و نوشتن داده‌ها در فایل‌های CSV
• 13. انتخاب و فیلتر کردن داده‌ها در DataFrame
• 14. مرتب‌سازی داده‌ها در DataFrame
• 15. اضافه کردن و حذف ستون‌ها در DataFrame
• 16. کار با داده‌های گمشده (Missing Data) در Pandas
• 17. گروه‌بندی داده‌ها (GroupBy) در Pandas
• 18. ادغام و اتصال DataFrames (Merge و Join)
• 19. آشنایی با کتابخانه Matplotlib: رسم نمودارها
• 20. رسم نمودارهای خطی (Line Plot) با Matplotlib
• 21. رسم نمودارهای پراکندگی (Scatter Plot) با Matplotlib
• 22. رسم نمودارهای میله‌ای (Bar Plot) با Matplotlib
• 23. رسم نمودارهای هیستوگرام (Histogram) با Matplotlib
• 24. رسم نمودارهای دایره‌ای (Pie Chart) با Matplotlib
• 25. سفارشی‌سازی نمودارها: عنوان، برچسب‌ها، رنگ‌ها، اندازه‌ها
• 26. آشنایی با کتابخانه Seaborn: نمودارهای آماری پیشرفته
• 27. رسم نمودارهای توزیع (Distribution Plot) با Seaborn
• 28. رسم نمودارهای جعبه‌ای (Box Plot) با Seaborn
• 29. رسم نمودارهای ویولن (Violin Plot) با Seaborn
• 30. رسم نمودارهای همبستگی (Correlation Plot) با Seaborn
• 31. رسم نمودارهای Pair Plot با Seaborn
• 32. تحلیل داده‌های سری زمانی با Pandas و Matplotlib
• 33. تحلیل داده‌های طبقه‌بندی شده با Pandas و Seaborn
• 34. کار با داده‌های بزرگ (Large Datasets) در Pandas
• 35. بهینه‌سازی کد تحلیل داده با پایتون
• 36. مقدمه‌ای بر یادگیری ماشین با استفاده از Pandas و Scikit-learn
• 37. پاکسازی و آماده‌سازی داده‌ها برای یادگیری ماشین
• 38. انتخاب ویژگی (Feature Selection) در Pandas