کتاب آشنایی با پایتون برای علم داده با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره آشنایی با پایتون برای علم داده
موضوع کلی: **علوم کامپیوتر و برنامه‌نویسی**
موضوع میانی: علم داده
📋 سرفصل‌های دوره
- 1. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
- 2. انواع داده‌ها و متغیرها در پایتون
- 3. عملگرهای ریاضی و منطقی در پایتون
- 4. ساختارهای کنترلی: شرطی‌ها (if, else, elif)
- 5. حلقه‌ها: for و while در پایتون
- 6. توابع در پایتون: تعریف و فراخوانی
- 7. ماژول‌ها و کتابخانه‌ها در پایتون
- 8. مدیریت فایل‌ها در پایتون
- 9. استفاده از لیست‌ها در پایتون
- 10. کار با تاپل‌ها در پایتون
- 11. دیکشنری‌ها در پایتون: ساختار و کاربرد
- 12. مجموعه‌ها (Sets) در پایتون
- 13. درک لیست (List Comprehension)
- 14. توابع لامبدا (Lambda Functions) در پایتون
- 15. مدیریت خطاها و استثناها در پایتون
- 16. برنامه‌نویسی شیءگرا (Object-Oriented Programming) در پایتون
- 17. کلاس‌ها و اشیاء در پایتون
- 18. وراثت در برنامه‌نویسی شیءگرا
- 19. پلی‌مورفیسم و کپسوله‌سازی
- 20. مقدمه‌ای بر کتابخانه NumPy
- 21. آرایه‌های NumPy و عملیات ریاضی
- 22. کار با داده‌های عددی در NumPy
- 23. مقدمه‌ای بر کتابخانه Pandas
- 24. ساختمان داده DataFrame در Pandas
- 25. پاکسازی و آماده‌سازی داده‌ها با Pandas
- 26. تحلیل داده‌ها با Pandas
- 27. نمایش داده‌ها با Matplotlib
- 28. نمودارهای خطی و پراکندگی با Matplotlib
- 29. نمودارهای میله‌ای و دایره‌ای با Matplotlib
- 30. مقدمه‌ای بر کتابخانه Seaborn
- 31. تصویرسازی داده‌ها با Seaborn
- 32. آمار توصیفی با پایتون
- 33. احتمالات و توزیع‌های آماری
- 34. آزمون فرضیه‌ها با پایتون
- 35. رگرسیون خطی در پایتون
- 36. رگرسیون لجستیک در پایتون
- 37. خوشه‌بندی با استفاده از الگوریتم K-Means
- 38. کاهش ابعاد با استفاده از PCA
- 39. مقدمه‌ای بر یادگیری ماشین
- 40. انتخاب ویژگی و مهندسی ویژگی
- 41. ارزیابی مدل‌های یادگیری ماشین
- 42. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
- 43. شبکه‌های عصبی مصنوعی (Artificial Neural Networks)
- 44. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
- 45. کار با داده‌های متنی در پایتون
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.