کتاب پایتون برای تحلیل داده؛ از مقدمات تا استخراج دانش کاربردی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایتون برای تحلیل داده؛ از مقدمات تا استخراج دانش کاربردی

موضوع کلی: علوم داده و تحلیل هوشمند

موضوع میانی: برنامه‌نویسی کاربردی با زبان پایتون

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی و نصب محیط توسعه پایتون در تحلیل داده
• 2. آشنایی با سینتکس پایه و ساختارهای داده در پایتون
• 3. مدیریت متغیرها و انواع داده‌های عددی و رشته‌ای
• 4. عملگرهای ریاضی و منطقی در پردازش داده‌ها
• 5. ساختارهای تصمیم‌گیری و کنترل جریان برنامه
• 6. حلقه‌ها و تکرار در تحلیل مجموعه‌های داده
• 7. توابع و ماژول‌نویسی برای بهینه‌سازی کدهای تحلیلی
• 8. مدیریت خطاها و استثناها در پردازش داده‌ها
• 9. کار با لیست‌ها و چندتایی‌ها در ذخیره‌سازی داده
• 10. کاربرد دیکشنری‌ها و مجموعه‌ها در سازماندهی اطلاعات
• 11. آشنایی با کتابخانه نامپای برای محاسبات عددی
• 12. آرایه‌های چندبعدی و عملیات برداری در نامپای
• 13. فراخوانی و خواندن فایل‌های متنی و داده‌ای
• 14. کار با کتابخانه پانداز و ساختار دیتافریم
• 15. فیلتر کردن و انتخاب زیرمجموعه داده‌ها در پانداز
• 16. مدیریت مقادیر مفقود و پاک‌سازی داده‌های خام
• 17. ادغام و الحاق جداول داده‌ای در محیط پانداز
• 18. گروه‌بندی و تحلیل آماری داده‌ها با پانداز
• 19. سری‌های زمانی و کار با داده‌های تاریخ و زمان
• 20. نمودار‌سازی اولیه با کتابخانه مت‌پلات‌لیب
• 21. ترسیم نمودارهای پراکندگی و خطی برای تحلیل روندها
• 22. تصویرسازی توزیع داده‌ها با هیستوگرام و نمودار جعبه‌ای
• 23. مبانی آمار توصیفی در تحلیل داده‌های پایتونی
• 24. محاسبه شاخص‌های مرکزی و پراکندگی در مجموعه‌های داده
• 25. همبستگی میان متغیرها و تحلیل اولیه روابط
• 26. مقدمه‌ای بر کتابخانه سی‌بورن برای ترسیمات پیشرفته
• 27. کار با فایل‌های اکسل در تحلیل‌های سازمانی
• 28. استخراج داده از فایل‌های سی‌اس‌وی و فرمت‌های استاندارد
• 29. مبانی تحلیل اکتشافی داده‌ها
• 30. معرفی کتابخانه سایکیت‌لرن برای یادگیری ماشین
• 31. پیش‌پردازش داده‌ها برای مدل‌سازی هوشمند
• 32. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 33. الگوریتم رگرسیون خطی برای پیش‌بینی مقادیر عددی
• 34. ارزیابی دقت مدل‌های رگرسیون
• 35. مقدمه‌ای بر الگوریتم‌های طبقه‌بندی داده‌ها
• 36. کاربرد الگوریتم نزدیک‌ترین همسایه در دسته‌بندی
• 37. ارزیابی مدل‌های طبقه‌بندی با ماتریس درهم‌ریختگی
• 38. مقدمه‌ای بر خوشه‌بندی داده‌ها و الگوریتم کا-میانگین
• 39. کاهش ابعاد داده‌ها با روش تحلیل مؤلفه‌های اصلی
• 40. نکات بهینه‌سازی کد برای پردازش داده‌های حجیم
• 41. مستندسازی و ارائه گزارش‌های تحلیلی با ژوپیتر نوت‌بوک