پایتون برای تجزیه و تحلیل داده ها: حل چالش های دنیای واقعی

مدرس Sarah Nooravi

انتشار 2023/03/21

مدت زمان 1h 56m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Python for Data Analysis: Solve Real-World Challenges

از آنجایی که داده ها و مشاغل مرتبط با داده در دهه گذشته رشد کرده اند، تقاضا برای مهارت های داده نیز افزایش یافته است. اگر حرفه ای در زمینه داده ها هستید، این یک خبر عالی است! با این حال، ادامه سازگاری با تقاضاهای در حال تغییر بازار، که شامل استفاده از ابزارهایی مانند پایتون برای نزدیک شدن به چالش های کلان داده است، مهم است. در این دوره، سارا نوروی یک آزمون عملی و پروژه محور پایتون را به اشتراک می‌گذارد که مهارت‌های مورد نیاز برای کمک به شما را در میان سایرین در بازار رقابتی برجسته می‌کند. سارا یک تجزیه و تحلیل سرتاسر پایتون را انجام می‌دهد، نمونه‌ای از آنچه در کار با آن مواجه می‌شوید – از بیان مسئله شروع می‌کند و شما را تا تحویل بینش می‌برد. سارا به شما کمک می کند تا مشکل را حل کنید، انتظارات خود را تعیین کنید و بهترین روش ها را در مورد پاکسازی داده ها، تجسم داده ها و داستان سرایی پوشش می دهد. در نهایت، او همچنین مشکلات مشترک و مهارت‌های مهم تجاری و نرم را به اشتراک می‌گذارد که به شما کمک می‌کند برجسته شوید. این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید—همه با استفاده از ابزاری که احتمالاً در محل کار با آن مواجه خواهید شد.

Big Data Data Analysis Python (Programming Language)

Introduction

Introduction ()

Prerequisites ()

1. Case Study Introduction

The who, what, where, and why ()

Who ()

What ()

Where ()

Why ()

Case study introduction ()

2. Breaking Down the Problem Statement

Define the problem: The three Ds ()

Get familiar: Domain ()

Domain: Applied ()

Get familiar: Data ()

Get familiar: Deliverable ()

Set the right expectations ()

3. Data Collection, Cleaning, and Transformation

Getting set up in Codespaces ()

Read in data from a CSV file ()

General cleaning techniques ()

General cleaning techniques: High-level checks ()

General cleaning techniques: Missing values ()

Data transformations: Binning ()

4. EDA

Introduction to EDA ()

Summary statistics ()

Distributions: Histograms ()

Data transformations: Normalization and log ()

Other distribution types ()

Data visualizations: Comparing categories ()

Data visualization: Data tables ()

Data visualization: Relationships ()

Create a ridge plot ()

5. Data Visualization and Storytelling

Visual best practices: Part 1 ()

Visual best practices: Part 2 ()

Leverage exploratory and explanatory visualizations ()

Choose a medium ()

Storyboarding ()

What's in a story? ()

Putting it all together ()

Conclusion

Wrap-up and next steps ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش پایتون برای تجزیه و تحلیل داده ها: حل چالش های دنیای واقعی

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Python for Data Analysis: Solve Real-World Challenges در 2 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

دانشمندان داده که به عنوان تحلیلگران داده به تمرکز شغلی جدید روی می آورند، این مسیر یادگیری را در انتقال مهارت های خود ارزشمند خواهند یافت. شما مهارت های موجود در زبان های برنامه نویسی مانند Python، SQL و R را خواهید آموخت و نحوه استفاده از آنها را در زمینه تحلیلی یاد خواهید گرفت. همچنین مهارت های قدرت را در برنامه های اصلی تجزیه و تحلیل مانند Tableau و Excel توسعه خواهید داد و در مهارت های تجسم داده ها پایه ای قوی کسب خواهید کرد.

آموزش پایتون برای تجزیه و تحلیل داده ها: حل چالش های دنیای واقعی ، ایستگاه شماره 3 در مسیر یادگیری حرکت از دانشمند داده به تحلیلگر داده ، است.

مسیر یادگیری حرکت از دانشمند داده به تحلیلگر داده

تمرین کامل می کند! اگر پیشرفته هستید یا به تازگی اولین دوره پایتون خود را به پایان رسانده اید، وقت آن است که عضلات برنامه نویسی را منعطف کنید و آنچه را که یاد گرفته اید تمرین کنید. این مسیر یادگیری چالش ها و پروژه های هدایت شده را در اختیار شما قرار می دهد تا بتوانید به توسعه مهارت های خود به عنوان یک برنامه نویس پایتون ادامه دهید.

آموزش پایتون برای تجزیه و تحلیل داده ها: حل چالش های دنیای واقعی ، ایستگاه شماره 12 در مسیر یادگیری تمرین دستی پایتون ، است.