در حال حاضر محصولی در سبد خرید شما وجود ندارد.
یادگیری اطلاعات علمی با پایتون، پانداها، Scikit، یادگیری، و بیشتر! | 4 پروژه | 100+ تمرین
عنوان اصلی : Python for Data Science Bootcamp 2022: From Zero to Hero
سرفصل های دوره :
نصب و راه اندازی:
رابط نوت بوک Jupyter
انواع و حالت های سلول در نوت بوک Jupyter
متداول ترین میانبرهای صفحه کلید در نوت بوک Jupyter
قبل از شروع این را بخوانید (+برگ تقلب برای دوره)
دوره سقوط پایتون (اختیاری) :
اختیاری: دوره سقوط پایتون
سلام دنیا
انواع داده
متغیرها
لیست ها
فرهنگ لغت
بیانیه اگر
برای حلقه
توابع
ماژول ها
معرفی پانداها و نومپی:
نمای کلی بخش
روش های مختلف برای نمایش یک Dataframe
ویژگی ها، توابع و روش های اساسی
انتخاب یک ستون از یک Dataframe
انتخاب دو یا چند ستون از یک Dataframe
افزودن ستون جدید به یک Dataframe (تخصیص ساده)
اضافه کردن ستون جدید به Dataframe با assign() و insert()
عملیات روی Dataframe ها (ستون ها و ردیف ها)
روش value_counts().
نکته مهم
مرتبسازی یک Dataframe با sort_values()
متدهای set_index() و sort_index().
تغییر نام ستون ها و فهرست با rename()
برای این بخش تمرین کنید
پروژه شماره 1 - خراش دادن وب با پانداها:
قسمت اول
قسمت 2
قسمت 3
فیلتر کردن داده ها:
یک Dataframe را بر اساس 1 شرط فیلتر کنید
ایجاد یک ستون شرطی از 2 گزینه: np.where()
یک Dataframe را بر اساس 2 یا بیشتر شرایط فیلتر کنید: &, |
ایجاد یک ستون شرطی از بیش از 2 گزینه: np.select()
روش isin().
یافتن ردیف های تکراری با متد ()duplicate (keep first، last و false)
عناصر تکراری را با متد .drop_duplicates() رها کنید
مقادیر منحصربفرد را با متدهای ()()()() منحصر به فرد دریافت و شمارش کنید
استخراج داده ها:
تفاوت بین متدهای loc() و iloc().
ابتدا به مجموعه داده ها نگاه کنید: تنظیم فهرست و انتخاب ستون ها
انتخاب عناصر با برچسب شاخص با loc()
انتخاب عناصر بر اساس موقعیت شاخص با iloc()
مقدار جدیدی را برای یک سلول در یک Dataframe تنظیم کنید
سطرها یا ستون ها را از DataFrame رها کنید
نمونه تصادفی را با روش نمونه () ایجاد کنید
یک dataFrame را با متد query() فیلتر کنید
متد application().
تابع لامبدا + متد application().
یک کپی از یک Dataframe با copy() بسازید (کپی عمیق در مقابل کپی کم عمق)
تغییر شکل دادن و چرخش قاب های داده:
مقدمه ای بر جداول محوری
متد pivot().
روش pivot_table().
پروژه شماره 2: ایجاد تجسم داده های ایستا و تعاملی:
نمای کلی پروژه (+ تمرین)
نمایش کلی مجموعه داده و ساخت جدول محوری
طرح خطی
بارپلات
پیچارت
Boxplot
هیستوگرام
Scatterplot
Save Plot and Export Pivot Table
تجسم تعاملی با پانداها
GroupBy و عملکرد جمع:
نمای کلی مجموعه داده
متد agg().
استراتژی Split-Apply-Combine
متد groupby().
متد groupby() و agg().
تابع groupby() و lambda
روش filter().
ادغام و الحاق دیتافریم ها:
کاوش مجموعه داده
الحاق عمودی
به صورت افقی به هم بپیوندید
پیوستن کامل و پیوستن کامل انحصاری
پیوستن چپ و عضویت چپ انحصاری
پیوستن راست و پیوستن راست انحصاری
عبارات منظم:
نمای کلی بخش
متاکاراکترها و پرچم های Regex
کمیت کننده ها (+تطبیق حریص و تنبل)
متاکاکترهای بیشتر
search() and findall()
تمرینات
پروژه شماره 3: پاکسازی داده ها با پانداها:
نمای کلی مجموعه داده
داده های گمشده را با متد isnull() شناسایی کنید
برخورد با داده های از دست رفته: یک ستون یا ردیف را با .drop، .dropna یا isnull. حذف کنید.
برخورد با داده های از دست رفته: NaN را با میانگین، میانه، حالت با .fillna() جایگزین کنید.
استخراج داده با split() و extract() و تغییر نوع داده با astype()
چگونگی شناسایی و برخورد با موارد پرت
برخورد با حروف بزرگ متناقض با () low ()، upper() و title()
فاصله های خالی را با strip()، lstrip() و rstrip() حذف کنید
رشته ها را با () () و یا sub() جایگزین کنید
یادگیری ماشین با پایتون:
نمای کلی بخش
نمای کلی مجموعه داده
رگرسیون خطی
رگرسیون خطی با Statsmodels - رگرسیون خطی ساده
رگرسیون خطی با Statsmodels - رگرسیون خطی چندگانه
رگرسیون خطی با sklearn
پروژه شماره 4: طبقه بندی متن با scikit-learn:
مجموعه داده، انتخاب یک نمونه داده فام و مسئله ای که باید حل شود
برخورد با کلاس های نامتعادل: نمونه برداری کم و بیش از حد
تقسیم داده ها به قطار و مجموعه آزمایشی
نمایش متن با کیسه کلمات: CountVetorizer و TF-IDF
تبدیل داده های متنی به بردارهای عددی
انتخاب مدل: انواع الگوریتمهای یادگیری ماشین برای پروژه بیرون
ماشینهای بردار پشتیبانی (SVM)
درخت تصمیم
بیز ساده لوح
رگرسیون لجستیک
ارزیابی مدل - ماتریس سردرگمی
میانگین دقت
امتیاز F1
گزارش طبقه بندی
تنظیم مدل - GridSearchCV
پاداش: خراش دادن وب با سوپ زیبا:
نمای کلی بخش (+ برگه تقلب جدید)
نصب سوپ زیبا
اصول اولیه سوپ زیبا
چگونه HTML را از یک وب سایت دریافت کنیم
چگونه یک صفحه را خراش دهیم
صادر کردن داده به فایل TXT
خراش دادن چندین پیوند در همان صفحه
صفحه بندی
Python for Data Science Bootcamp 2022: From Zero to Hero
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.