پایه های علوم داده ها: پشته علمی پایتون

علم اطلاعات سازمانهایی را با بینش های قابل توجه و بسیار ارزشمند به رفتار انسانی فراهم می کند. در حالی که داده کاوی می تواند به نظر می رسد کمی دلهره آور، شما نیازی به یک برنامه نویس بسیار ماهر برای پردازش داده های خود را. در این دوره جدید، مربی Miki Tebeka، مربی Miki Tebeka به شما نشان می دهد که چگونه از پشته علمی پایتون برای تکمیل وظایف علمی رایج استفاده کنید. در مورد ابزار اصلی و مفاهیم اصلی به طور موثر پردازش داده ها با پشته علمی پایتون، از جمله نحوه کار با کد ویژوال استودیو برای اسناد، Numpy برای محاسبه عددی، Pandas برای Crunching داده ها، Scikit- یادگیری برای مدل سازی داده ها، madplotlib برای تجسم داده ها، و بیشتر. پس از اتمام این دوره، شما باید مهارت هایی را که نیاز دارید بارگذاری و تجزیه و تحلیل داده ها، مدل های اجرای، حل مشکلات پیچیده و نمایش نتایج را برای تیم خود داشته باشید.

عنوان اصلی : Data Science Foundations: Python Scientific Stack

سرفصل های دوره :

مقدمه:
پشته علمی پایتون
آنچه شما باید بدانید
راه اندازی
1. ویژوال استودیو کد:
کار با کد VS
استفاده از سلول های کد
Extensions به زبان پایتون
درک سلول های Markdown
2. اصول اولیه:
Numpy Overview
آرایه های numpy
برش
نمایه سازی بولین
درک پخش
درک عملیات آرایه
درک UFUNCS
چالش: کار با یک تصویر
راه حل: کار با یک تصویر
3. پانداها:
Overview Pandas
بارگذاری فایل های CSV
زمان تجزیه
دسترسی به ردیف ها و ستون ها
سرعت محاسبه
نمایش جعبه سرعت جعبه
چالش: داده های تاکسی به معنی سرعت
راه حل: داده های تاکسی به معنی سرعت
4. نصب بسته ها:
مقدمه ای بر بسته های پایتون
استفاده از محیط ها
مدیریت وابستگی
چالش: ایجاد الزامات
راه حل: ایجاد الزامات
5. folium و geo:
ایجاد یک نقشه اولیه
طراحی یک آهنگ بر روی یک نقشه
با استفاده از داده های GEO با شکلبندی
چالش: طراحی مسیر در حال اجرا
راه حل: طراحی مسیر در حال اجرا
6. نیویورک تاکسی داده ها:
داده های بررسی
اطلاعات بارگیری از فایل های CSV
کار با داده های قطعی
کار با داده ها: سواری سفر ساعتی صبحگاهی
کار با داده ها: سواری در ساعت
کار با داده ها: داده های آب و هوا
چالش: داده های تاکسی گرافیک
راه حل: گرافیک داده های تاکسی
7. Scikit-Learn:
Scikit-Learn مقدمه
رگرسیون
درک قطار / تست تقسیم
پیش پردازش داده ها
خطوط لوله
مدل های صرفه جویی و بارگیری
چالش: ارقام دست نوشته شده
راه حل: ارقام دست نوشته شده
8. نقشه برداری:
MatplotLib Overview
استفاده از سبک ها
سفارشی کردن خروجی پانداها
Pandas Plotting
با استفاده از Matplotlib با پانداها
طرح های تعاملی
سایر بسته های ترسیم
Challenge: جوراب ساق پا نمودار داده ها
راه حل: نمودارهای نوار اطلاعات ذخیره شده
9. بسته های دیگر:
سایر جزئیات بسته ها
رفتن سریعتر با numba
درک یادگیری عمیق
کار با پردازش تصویر
درک NLP
کار با داده های بزرگتر
10. فرآیند توسعه:
بررسی فرآیند توسعه
درک کنترل منبع
بررسی کد
بررسی اجمالی
مثال تست
نتیجه گیری:
مراحل بعدی