برای این نوشته توضیحات بنویسید:
1
2
3
4
5
ثبت
     
انصراف

برای این نوشته توضیحات بنویسید

علم داده ها سازمان ها را با دیدگاه های قابل توجه و بسیار ارزشمند در رفتار انسانی مجهز می کند. در حالی که داده کاوی به نظر می رسد کمی دلهره آور است، شما لازم نیست که یک برنامه نویس بسیار ماهر برای پردازش اطلاعات باشید. در این دوره آموزشی، نحوه استفاده از پشته ی علمی پایتون را برای تکمیل task های علمی داده ها یاد خواهید گرفت. Miki Tebeka ابزار و مفاهیم مورد نیاز برای پردازش داده ها با پشته ی علمی پایتون مانند Pandas برای خرد کردن داده، matplotlib برای تجسم داده، NumPy برای محاسبات عددی و غیره را پوشش می دهد.

مباحث دوره:

  • کار با نوت بوک Jupyter
  • استفاده از سلولهای کد
  • گسترش زبان پایتون
  • سلول های markdown
  • ویرایش نوت بوک
  • اصول NumPy
  • پخش، عملیات آرایه و ufuncs
  • Pandas
  • Conda
  • Folium و Geo
  • یادگیری ماشینی با scikit یادگیری
  • نقشه برداری با matplotlib و bokeh
  • انشعاب در  Numba، Cython، آموزش عمیق، و NLP

سرفصل ها:

  • مقدمه
  • خوش آمدگویی
  • آنچه باید بدانید
  • راه اندازی مک
  • نصب ویندوز
  • راه اندازی لینوکس
  • نحوه استفاده از فایل های تمرینی
  • اکتشاف علمی پایتون
  • تطبیق با با Python علمی
  • نوت بوک Jupyter
  • سرور نوت بوک را راه اندازی کنید
  • استفاده از سلولهای کد
  • برنامه های افزودنی به زبان پایتون
  • ویرایش نوت بوک ها
  • مبانی NumPy
  • آرایه NumPy
  • برش
  • درک پخش
  • درک عملیات آرایه
  • درک ufuncs
  • Pandas
  • مرور کلی پانداها
  • بارگذاری فایلهای CSV
  • تجزیه زمان
  • دسترسی به ردیف ها و ستون ها
  • استفاده از بسته های پایتون خالص
  • محاسبه سرعت
  • نمایش طرح speed box
  • Conda
  • مقدمه ای بر بسته های پایتون
  • مدیریت محیط ها
  • Folium و Geo
  • ایجاد نقشه اولیه
  • ایجاد مسیر بر روی نقشه
  • استفاده از داده های جغرافیایی با Shapely
  • ایجاد گزارش
  • بررسی داده ها
  • بارگذاری داده ها از فایل های CSV
  • کار با داده های طبقه بندی شده
  • کار با داده ها
  • کار با داده ها: اطلاعات آب و هوا
  • scikit یادگیری
  • یادگیری رگرسیون در مجموعه داده های بوستون
  • داده های پیش پردازش
  • ایجاد pipelines
  • بارگذاری و ذخیره مدل ها
  • نقشه کشی
  • مرور کلی: matplotlib
  • استفاده از استایل ها
  • سفارشی سازی خروجی Pandas
  • نکات و ترفندها
  • درک bokeh
  • بسته های دیگر
  • کار سریعتر با Numba و Cython
  • درک یادگیری عمیق
  • کار با پردازش تصویر
  • درک NLP: NLTK
  • داده های بیشتر با HDF5 و dask
  • فرآیند توسعه
  • درک کنترل منبع
  • یادگیری  code review
  • نظارت تست
  • مثال تست
  • نتیجه
  • مراحل بعدی