توضیحات دوره
در دوره Data Analysis with Python ما به موضوعاتی از جمله جمع آوری و وارد کردن داده ها، آماده سازی و قالب بندی داده ها، خلاصه کردن داده ها، مبانی پایتون، برنامه نویسی شی گرا، انواع کتابخانه ها، داده های اکتشافی و تجزیه و تحلیل آن ها، آشنایی با مدل های رگرسیون و غیره میپردازیم. در پایان این دوره از مجتمع فنی زعفرانیه شما قادر خواهید بود از پایتون برای ساخت حلقه ها و ساختار های اولیه داده استفاده کنید، داده ها را با استفاده از کتابخانههای پایتون تجسم کنید، داده ها را با استفاده از پایتون مدل سازی و تفسیر کنید.
این دوره برای کسانی طراحی شده است که میخواهند استفاده از پایتون را برای تجزیه و تحلیل دادهها بیاموزند. چه شما یک حرفه ای با تجربه باشید که به دنبال کسب مهارت هستید و چه تازه واردی که مشتاق کشف دنیای داده ها است، این دوره به گونه ای طراحی شده است که به فراگیران با همه زمینهها و سطوح تخصص پاسخ دهد.
دوره Data Analysis with Python فرصتی است برای یادگیری تجزیه و تحلیل دادهها با استفاده از زبان برنامهنویسی Python و ابزارهای مرتبط. این دوره برای افرادی طراحی شده که میخواهند مهارتهای خود در تحلیل دادههای واقعی، استخراج الگوها و ارائه گزارشهای تحلیلی را توسعه دهند.
در این دوره، شرکتکنندگان با کتابخانههای قدرتمندی مانند Pandas، NumPy و Matplotlib آشنا میشوند و نحوه پردازش، پاکسازی و تجسم دادهها را به صورت عملی فرا میگیرند. همچنین، شرکتکنندگان با مفاهیم آماری پایه، تحلیل دادههای ساختاریافته و نیمهساختاریافته و کاربرد آنها در پروژههای واقعی آشنا خواهند شد.
اساتید مجرب مجتمع فنی تهران نمایندگی زعفرانیه این دوره را با ترکیبی از آموزش نظری و تمرین عملی ارائه میدهند. با استفاده از نمونه دادههای واقعی و پروژههای کاربردی، دانشجویان فرصت دارند مهارتهای خود را در محیطی عملی محک بزنند و یادگیری را به سطحی کاربردی برسانند.
فضای آموزشی مجتمع فنی تهران، نمایندگی زعفرانیه، محیطی آرام و مجهز به ابزارهای لازم برای یادگیری فراهم کرده است. این فضا امکان تمرکز بر یادگیری و تعامل با اساتید و سایر دانشجویان را فراهم میکند و تجربهای کامل از آموزش عملی ارائه میدهد.
شرکتکنندگان پس از پایان دوره قادر خواهند بود دادهها را پردازش، تجزیه و تحلیل کرده و از آنها برای اتخاذ تصمیمات مبتنی بر داده استفاده کنند. همچنین، این دوره دانش لازم برای ورود به حوزههای مختلف علمی و صنعتی که نیاز به تحلیل داده دارند، فراهم میکند.
یکی از ویژگیهای مهم دوره، تاکید بر حل مسائل عملی و پروژههای واقعی است که باعث میشود دانشجویان با چالشهای رایج در تحلیل دادهها مواجه شوند و راهکارهای مناسب برای آنها را تمرین کنند. حضور در مجتمع فنی تهران همچنین فرصت شبکهسازی با سایر علاقهمندان به داده و ارتباط با اساتید با تجربه را فراهم میکند.
در مجموع، این دوره محیطی مناسب برای توسعه مهارتهای تحلیلی و فنی فراهم میکند و تجربهای کاربردی از تحلیل داده با Python ارائه میدهد.
سر فصلها
آشنایی با هوش مصنوعی و مفاهیم کلان در آن
1. مروری بر جایگاه هوش مصنوعی در جهان
2. مروری بر زبان های برنامه نویسی مطرح در این حوزه
3. بیان چارت دوره
4. بیان بخش های مختلف هوش مصنوعی و تمرکز بر مواردی که در این دوره بررسی خواهد شد.
نصب و آماده سازی محیط های لازم برای هوش مصنوعی
1. نصب Anaconda
2. بیان مفهوم Virtual Env در پایتون
3. نحوه دانلود پکیج با pip
4. نحوه دانلود پکیج با conda
5. نصب کلیه پکیج های مورد نیاز در طول دوره
6. آشنایی با IDE های مختلف
مروری بر مفاهیم جبر خطی
1. معرفی ماتریس ها و نحوه تبدیل داده ها به آن
2. مروری انواع ابعاد داده ها
3. مروری بر عملیات جبر خطی
4. معرفی فضای برداری و نمایش نمونه های یک ماتریس در آن
آموزش و کار با پکیج های مختلف پیش پردازش و آنالیز داده
1. معرفی رویکردهای گوناگون فهم داده و لزوم آن
2. معرفی علم آمار و تقسیم بندی آن
3. معرفی آمار توصیفی
o گشتاورهای آماری
میانگین / میانه
واریانس
چولگی
کشیدگی توزیع
o همبستگی داده ها
o معرفی توزیع های آماری و آشنایی با پکیج Scipy
توزیع نرمال
توزیع یونیفرم
توزیع برنولی
توزیع باینومیال
توزیع مالتی نومیال
توزیع پوآسون
توزیع نمایی
4. معرفی آزمون اثبات توزیع آماری
آموزش و کار با پکیج های مختلف نمایش داده
1. آشنایی با پکیج Matplotlib
- Line Plot
- Scatter Plot
- Step Plot
- Bar Plot
- Histogram
- Box Plot
- 3D Plot
- Plot Attributes
2. آشنایی با پکیج Seaborn
- Numerical Data Plotting
- Categorical Data Plotting
- Visualizing Distribution of Data
- Linear Regression and Relationship
- Plot Attributes
تحلیل اکتشافی داده (EDA) - بخش دوم آمار تفسیری
1. معرفی آمار تفسیری
o معرفی آزمون های شبیه سازی آماری
A/B testing
o معرفی آزمون های از پیش تعریف شده آماری
بررسی آزمون T-Test
بررسی آزمون U-Test