دوره آموزشی تحلیل داده با پایتون

فهرست لینک دار

نحوه ارائه محتوای دوره

معرفی دوره تحلیل داده با پایتون

مخاطبان این دوره

پیش نیازهای این دوره

چرا این دوره به درد من می خورد؟

با این دوره چه چیزی عاید من خواهد شد؟

مزیت های این دوره نسبت به دوره های مشابه

آیا این دوره مدرک دارد؟

مدرس دوره کیست؟

سرفصل دوره علم داده با پایتون

نحوه پشتیبانی

شرایط و پلتفرم نمایش محتوای دوره

نمونه فیلم های کلاس

مشخصات دوره پایتون

نحوه ارائه محتوای دوره

این دوره آموزشی بصورت ضبط شده از تاریخ 25 اسفند ماه 1401 ارائه می شود. محتوا بصورت هفتگی بارگذاری و ارائه می شود. برای پشتیبانی و پرسش و پاسخ از گروه تلگرام استفاده می شود.  توجه داشته باشید که این دوره جلسات آنلاین ندارد. 

معرفی دوره

علم داده و تحلیل داده بحث روز دنیاست. حتماً خودتان نیاز به تحلیل داده را در کارهای عادی روزانه مثل خرید سکه یا طلا، خرید خودرو، سرمایه گذاری، شرایط کرونا، آب و هوا، مهاجرت، پایان نامه و موارد مشابه حس کرده اید. داده ها کالای استراتژیک هستند. علم داده یا Data Science یک علم میان رشته‌ای است که از روش‌ها، فرآیندها، الگوریتم‌ها و سیستم‌های علمی برای استخراج دانش و بینش از داده‌های ساخت یافته (جداول) یا بدون ساختار (متن ها) استفاده می‌کند. البته بطور کلی علم داده گرفتار جنگ تعریف هاست (+). دوره تحلیل داده با پایتون برای یادگیری اصولی و پایه ای Data Science و Data Analysis طراحی شده است. اگر در انتخاب منبع و یا دوره آموزشی در این زمینه دچار ابهام و مشکل در تصمیم گیری شده اید به شما حق می دهیم اما این دوره آموزشی با بررسی تمام دوره های آنلاین و حضوری داخلی و خارجی تدوین شده است. در این دوره ابتدا با زبان شیرین و آسان پایتون آشنا می شوید (احتمالاً عاشق این زبان خواهید شد) و برنامه های ساده ای با آن خواهید نوشت. سپس به یادگیری پایه ایِ آمار خواهید پرداخت، چیزی که شاید هرگز برای شما اتفاق نیفتاده باشد و شاید حتی به دلیل رویکرد صرفاً فرمولی و خشک و خشن دانشگاهی به آمار از آن متنفر شده باشید. بعد از یادگیری آمار شروع به ورود داده ها به پایتون می کنیم، نمودارهای جذاب رسم کرده و آن ها را تحلیل کرده و به آموزش الگوریتم های یادگیری ماشین در سطح مقدماتی در بخش های با نظارت و بدون نظارت خواهیم شد.

مخاطبان این دوره

1- تمامی دانشجویان و فارغ التحصیلان تحصیلات تکمیلی رشته‌های مالی، حسابداری، اقتصاد، کامپیوتر، فناوری اطلاعات، مدیریت صنعتی، مدیریت بازرگانی، صنایع، ریاضی، آمار، مدیریت فناوری اطلاعات و تمام رشته های مرتبط دیگر

2- افراد شاغل در واحد های فناوری اطلاعات، سیستم ها و روش ها، معماری سازمانی، تحلیل داده، تحلیل کسب و کار، هوشمندی کسب و کار (هوش تجاری)، تولید، برنامه ریزی، مهندسی صنایع، مالی، حسابداری، فروش، تحقیقات بازار، بازاریابی، علم داده و سایر واحد های مرتبط

3- افرادی که به دنبال ارتقاء شغلی، مهاجرت شغلی، مهاجرت تحصیلی و سرمایه گذاری هستند.

4- فعالان حوزه های سرمایه گذاری در ارزهای دیجیتال، بورس و سایر بازارهای سرمایه گذاری.

پیش نیازهای دوره

در این دوره آموزشی تمامی مباحث از صفر و بصورت کاملا پایه ای با کیفیت عالی صدا و تصویر و به کمک وسایل آموزشی مناسب تدریس می شود. فقط کافیست عاشق تحلیل داده باشید و به یادگیری خود ایمان داشته باشید. قطعاً دانستن ابزارهایی یا زبان هایی مانند SQL یا Excel یا Power BI می تواند آمادگی ذهنی بالای شما را نمایان کند اما بدون دانستن ابزارهای مذکور نیز می توانید به این دوره ورود کنید.

چرا این دوره به درد من می خورد؟

با تسلط نسبی به نرم افزار اکسل و کار با یک نرم افزار تحلیل داده مثل Power BI لازم است تا تحلیل های پیشرفته تر با داده ها و قابلیت پیش بینی و کشف الگوی های پنهان داخل داده ها را نیز بیاموزید. از طرفی مباحث کاربری آمار و تحلیل های پیش نگر نیاز امروزی هرکاربری است که با داده ها کار می کند. این یک مهارت مکمل برای شما خواهد بود که هرجا در تحلیل داده به محدودیت های ابزار ها برخورد کردید با پایتون راه را برای خود باز کنید. همچنین بعد از این دوره می توانید به دوره های پیشرفته تر یا دوره های تخصصی وارد شوید.

با این دوره چه چیزی عاید من خواهد شد؟

توانایی نوشتن برنامه های کاربردی داده محور، کار با داده ها و رسم نمودار های جذاب و کاربردیِ آماری و داده کاوی و نقل و انتقال داده ها از هر نقطه به نقطه دیگر با تغییر فرم لازم را بدست خواهید آورد.

مزیت های این دوره نسبت به دوره های مشابه

• تجربه بالای مدرس این دوره آقای پوریا بغدادی (سابقه 4 سال تدریس دوره تحلیل داده با پایتون)
• داشتن تمرکز بر روی بهترین، کاملترین و محبوبترین زبانِ برنامه نویسی در حوزه علم داده و تحلیل داده یعنی زبان Python
• عدم نیاز و نپرداختن به زبان ها و ابزارهای مشابه مانند زبان R به منظور حفظ تمرکز و بازدهی بالاتر
• پشتیبانی دائمی در گروه تلگرام
• بکارگیری منابع دست اول برای آموزش
• قابلیت استفاده و کاربرد مباحث ارائه شده در حوزه های تحلیلی مهم
  • • اقتصاد
    • سرمایه گذاری
    • بهداشت و بیماری ها
    • آب و هوا
    • بانکداری
    • فروش و بازاریابی
    • برنامه ریزی
    • صنعت و تولید
    • علوم پیشرفته

آیا این دوره مدرک دارد؟

این دوره مدرک / گواهی ندارد.

مدرس دوره کیست؟

مدرس این دوره آقای پوریا بغدادی با سابقه 9 سال تدریس در حدود 100 شرکت ایرانی و 8 دوره آزاد و سازمانی تحلیل داده با پایتون می باشد.

پوریا بغدادی، کارشناس ارشد مدیریت فناوری اطلاعات با گرایش هوش تجاری از دانشگاه تهران است و بیش از 11 سال درگیر یادگیری و یاددادن نرم افزار های کار با داده می باشد. ایشان در شرکت هایی نظیر دیجی کالا، ایرانسل، بانک گردشگری، بانک خاورمیانه، پگاه گیلان، سن ایچ، کناف ایران، دارو سازی دکتر عبیدی، کوبل دارو و … تدریس داشته اند. می توانید رزومه ایشان را از لینک زیر دریافت کنید.

دانلود رزومه مدرس

سرفصل دوره علم داده با پایتون

معرفی علم داده و نصب Python (مدت 1:22)

آشنایی با تعاریف علم داده، تحلیلگر داده و مراحل و چالش های یک پروژه تحلیلی، معرفی کامل مراحل نصب و راه اندازی زبان و محیط برنامه نویسی پایتون. عناوین کامل این بخش عبارتند از:

علم داده چیست؟

مراحل انجام پروژه های علم داده

جایگاه برنامه نویسی، آمار، ریاضی در علم داده

پیش نیاز های یادگیری علم داده

بزرگترین چالش های علم داده

پایتون چیست؟ کاربردهای پایتون

چرا پایتون؟ مزیت ها و معایب آن نسبت به سایر زبان ها

معرفی ابزارهای علم داده و مزایا و معایب آنها نسبت به پایتون و زبان های برنامه نویسی

نقشه راه یادگیری پایتون و ادامه مسیر برای شرکت کنندگان در دوره

نصب زبان پایتون

IDE های پایتون و انتخاب آن

نوشتن اولین برنامه با پایتون و ذخیره کردن آن

نحوه اجرای کد های پایتون

معرفی محیط Pycharm

انواع داده ها در پایتون

ساختارهای داده ای در زبان پایتون (مدت 1:12)

در این بخش از دوره به اجزاء ذخیره سازی و مدیریت داده ها در خودِ زبان پایتون می پردازیم. این اجزاء مانند پیچ و مهره های بدنه یک اتوموبیل یا هواپیما در ادامه مسیرِ دوره به شدت کاربردی و مهم خواهند شد. عناوین کامل این بخش عبارتند از:

Sequence

List

Tuple

Dictionary

Set

 ساختارهای اصلی زبان پایتون (مدت 1:43)

در این بخش از دوره به بررسی کامل ساختارهای اصلی زبان برنامه نویسی پایتون خواهیم پرداخت. این بخش ها بسیار مهم و البته ساده هستند، حتی اگر در گوگل یا از طریق هوش مصنوعی (Chatgpt) کدهای مورد نظر خود را پیدا کنید باید این بخش ها را به خوبی بشناسید تا بتوانید کدها را بکار بگیرید. عناوین کامل این بخش عبارتند از:

دستور شرطی IF

حلقه ها

توابع

کار با پکیج ها در زبان پایتون (مدت 1:28)

در این بخش مهمترین ویژگی زبان پایتون یعنی پکیج های آماده را بکار می گیریم. در واقع زبان پایتون با این پکیج های آماه معنی پیدا می کند و می توانیم کارهای بسیار متنوعی منجمله رسم نمودار، فرمول های آماری، یادگیری ماشین و تحلیل را با کمک پکیج های آمادهء هر یک انجام دهیم. عناوین کامل این بخش عبارتند از:

کتابخانه ها در پایتون و نحوه نصب آن ها

معرفی و کار با کتابخانه Math

معرفی و کار با کتابخانه Numpy

معرفی اولیه و نصب کتابخانه Pandas

معرفی و کار با کتابخانه Matplotlip

معرفی و کار با کتابخانه Seaborn

رسم نمودار های پرکاربرد با پایتون

مفهوم و کاربرد Plot, Subplot

پکیج Pandas در پایتون (مدت 1:33)

در این بخش از دوره تحلیل داده با پایتون کتابخانه Pandas که برای ورود و پاکسازی و آماده سازی داده ها بکار می رود را نصب کرده و استفاده می کنیم. عناوین کامل این بخش عبارتند از:

کار با کتابخانه Pandas برای ورود و مدیریت داده ها

ورود داده ها از Excel , CSV, SQL

کار با داده ها در Pandas

پاکسازی و تغییر داده ها

Append, Merge

Aggregation, Group

عملگرها در پایتون

آمار توصیفی (مدت 2:38)

در این بخش از دوره تحلیل داده با زبان پایتون به بازخوانی و بازآموزی کلیه مفاهیم و ابزارهای آماری کاربردی در تحلیل داده می پردازیم. عناوین کامل این بخش عبارتند از:

آمار در پایتون

شاخص های تمرکز

میانگین

میانه

نما

شاخص های پراکندگی

دامنه تغییرات

چارک ها

واریانس

انحراف معیار

ضریب تغییرات

شاخص های تقارن در توزیع

توزیع نرمال

معیار چولگی

معیار برجستگی

تشخیص داده های پرت (مدت 1:20)

داده های پَرت در هنگام اجرای الگوریتم های پیشرفتهء تحلیلی خطاها و مشکلاتی را ایجاد می کنند و باعث خرابی و شکست برنامه می شوند، در این بخش یاد می گیریم که چگونه داده های پرت را پیدا کنیم.

روش شوارتز

روش تاکی

پردازش و مرور اولیه داده ها (مدت 1:24)

مهمترین بخش قبل از اجرای الگوریتم های تحلیل داده مرور و شناخت کلی داده ها می باشد. یکی از بهترین و کاملترین روش های مرور داده ها روشی تحت عنوان EDA است که توسط آقای تاکی ارائه شده است.

تشریح کامل EDA

پیاده سازی EDA در پایتون

ماتریس کواریانس

کاهش ابعاد

معرفی علم داده و کاربردهای یادگیری ماشین

مراحل انجام پروژه علم داده

استاندارد سازی داده ها

اصول و مبانی یادگیری ماشین و تحلیل های پیشرفته (مدت 1:07)

مهمترین هدف این دوره شناخت کافی و توانایی بکارگیری الگوریتم های یادگیری ماشین است. در این بخش با انواع و دسته بندی های اصلی این الگوریتم ها آشنا می شویم.

مفاهیم و اصول یادگیری ماشین و انواع آن

یادگیری ماشین و انواع آن

دسته بندی الگوریتم های یادگیری ماشین

 یادگیری ماشین نظارت شده (مدت 1:39)

معرفی و استفاده از Linear Regression (رگرسیون خطی)

معرفی و استفاده از Polynomial Regression (رگرسیون چندجمله ای)

انواع خطاهای Classification و ارزیابی مدل

مفاهیم Overfitting و Underfitting

تشریح کامل Classification و کاربرد و نحوه استفاده از آن

یادگیری ماشین بدون نظارت (مدت 60 دقیقه)

تشریح کامل نحوه اجرای الگوریتم Clustering (خوشه بندی)

بررسی الگوریتم خوشه بندی Kmeans

بررسی الگوریتم خوشه بندی DBSCAN

نحوه پشتیبانی

پشتیبانی کاربران این دوره از طریق گروه تلگرام کلاس انجام می شود.

شرایط و پلتفرم نمایش کلاس

این دوره تحت نرم افزار اسپات پلیر [دانلود اسپات پلیر] پخش می شود و روی یک سیستم کامپیوتری Windows یا یک سیستم MAC یا یک موبایل اندرویدی قابل استفاده می باشد. حتما باید روی سیستم خود دسترسی Admin داشته باشید و یا قبل از سفارش با واحد IT شرکت خود هماهنگ کنید. امکان فعال سازی روی موبایل iphone وجود ندارد.

نمونه فیلم های کلاس

به زودی…