کتاب تسلط بر پاک‌سازی و آماده‌سازی داده‌ها با پایتون: راهنمای کاربردی تحلیل داده‌های آماری با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر پاک‌سازی و آماده‌سازی داده‌ها با پایتون: راهنمای کاربردی تحلیل داده‌های آماری

موضوع کلی: علوم داده و تحلیل هوشمند اطلاعات

موضوع میانی: پیش‌پردازش داده‌ها و مهندسی ویژگی‌ها در یادگیری ماشین

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی تحلیل داده و نقش پیش‌پردازش در یادگیری ماشین
• 2. نصب و راه‌اندازی محیط توسعه پایتون برای تحلیل داده
• 3. آشنایی با کتابخانه پانداز و ساختار داده‌های جدولی
• 4. فراخوانی و بارگذاری فایل‌های داده در محیط پایتون
• 5. بررسی اولیه و ارزیابی کیفیت مجموعه داده
• 6. شناسایی انواع متغیرهای عددی و دسته‌ای
• 7. تحلیل آماری مقدماتی و توصیف ویژگی‌های داده
• 8. روش‌های شناسایی مقادیر مفقود در مجموعه داده
• 9. استراتژی‌های حذف ردیف‌ها و ستون‌های دارای داده خالی
• 10. تکنیک‌های جای‌گذاری مقادیر مفقود با استفاده از میانگین و میانه
• 11. استفاده از روش‌های پیشرفته درون‌یابی برای پر کردن داده‌ها
• 12. شناسایی داده‌های پرت با استفاده از نمودارهای جعبه‌ای
• 13. تکنیک‌های آماری برای حذف یا اصلاح داده‌های پرت
• 14. تبدیل متغیرهای دسته‌ای به مقادیر عددی با روش کدگذاری برچسب
• 15. پیاده‌سازی روش کدگذاری وان-هات برای ویژگی‌های غیرترتیبی
• 16. مدیریت داده‌های متنی و استخراج اطلاعات از آن‌ها
• 17. مهندسی ویژگی‌ها و ایجاد متغیرهای جدید بر اساس داده‌های موجود
• 18. ترکیب و ادغام چندین مجموعه داده با استفاده از کلیدهای مشترک
• 19. استانداردسازی مقادیر ویژگی‌ها با استفاده از روش مقیاس‌بندی زد-اسکور
• 20. نرمال‌سازی داده‌ها در بازه صفر و یک
• 21. تحلیل همبستگی بین متغیرها و انتخاب ویژگی‌های کلیدی
• 22. کاهش ابعاد داده با استفاده از روش‌های آماری
• 23. بررسی توزیع داده‌ها و تبدیل‌های لگاریتمی
• 24. مدیریت داده‌های تاریخ و زمان در تحلیل‌های آماری
• 25. تولید ویژگی‌های زمانی برای تحلیل روندها
• 26. پاک‌سازی داده‌های تکراری و مدیریت رکوردهای مشابه
• 27. اعتبارسنجی داده‌ها و اطمینان از صحت مقادیر
• 28. ساخت گزارش نهایی از وضعیت پاک‌سازی و آماده‌سازی داده‌ها
• 29. ذخیره‌سازی داده‌های پردازش‌شده در فرمت‌های استاندارد
• 30. پروژه نهایی: تحلیل و پیش‌پردازش یک مجموعه داده واقعی با پایتون