هزینه آموزش
۷۵,۰۰۰ تومان

آموزش تجزیه و تحلیل و آماده سازی داده ها با پایتون

آموزش تجزیه و تحلیل و آماده سازی داده ها با پایتون

تعداد دانشجو
۱,۰۸۴ نفر
مدت زمان
۹ ساعت و ۵۴ دقیقه
هزینه آموزش
۷۵,۰۰۰ تومان
محتوای این آموزش
تضمین کیفیت
۱۱ بازخورد (مشاهده نظرات)
آموزش تجزیه و تحلیل و آماده سازی داده ها با پایتون

بعد از دیدن این آموزش قادر خواهید بود که با اصول اولیه تجزیه و تحلیل و آماده‌سازی داده‌ها با پایتون (Python) آشنا شوید، نحوه ورود داده از فایل‌هایی مانند: XML ,JSON و CSV را یاد بگیرید و همچنین از کتابخانه Pandas در پایتون برای تجزیه و تحلیل داده‌ها، گروه‌بندی و اتصال داده‌ها استفاده کنید، بتوانید داده‌ها را از وب استخراج کرده، نحوه شناسایی و پاک‌سازی داده‌ها را فراگرفته و از کتابخانه‌هایی مانند: Matplotlib برای مصورسازی داده‌ها استفاده نمایید.

آموزش تجزیه و تحلیل و آماده سازی داده ها با پایتون

مدت زمان
۹ ساعت و ۵۴ دقیقه
هزینه آموزش
۷۵,۰۰۰ تومان
محتوای این آموزش
۱۱ بازخورد (مشاهده نظرات)
مدرس
دکتر فرشید شیرافکن

دکتری تخصصی مهندسی بیوانفورماتیک

ایشان به عنوان مدرس نمونه در زمینه ارائه و آموزش دروس دانشگاهی انتخاب شده‌اند، همچنین ایشان مشاور کنکور نیز هستند و بیش از 30 کتاب در زمینه کنکور رشته کامپیوتر تالیف کرده‌اند.

چکیده آموزش


توضیحات تکمیلی

امروزه یادگیری روش‌های آماده‌سازی داده برای هر فردی که قصد ورود به حوزه علوم داده (Data Science) را دارد، یک نیاز اساسی محسوب می‌شود. آماده‌سازی داده‌ها، تبدیل داده‌ها از یک قالب داده خام به ساختار دیگر، جهت ایجاد داده با‌ارزش‌تر است. آماده‌سازی داده، شامل: تجسم داده‌ها، تجمیع داده، آموزش مدل آماری و موارد دیگر است.

بعد از دیدن این آموزش قادر خواهید بود که با اصول اولیه تجزیه و تحلیل و آماده‌سازی داده‌ها با پایتون (Python) آشنا شوید، نحوه ورود داده از فایل‌هایی مانند: XML ,JSON و CSV را یاد بگیرید و همچنین از کتابخانه Pandas در پایتون برای تجزیه و تحلیل داده‌ها، گروه‌بندی و اتصال داده‌ها استفاده کنید، بتوانید داده‌ها را از وب استخراج کرده، نحوه شناسایی و پاک‌سازی داده‌ها را فراگرفته و از کتابخانه‌هایی مانند: Matplotlib برای مصورسازی داده‌ها استفاده نمایید.

فهرست سرفصل‌ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • درس یکم: آشنایی با پکیج ‌NumPy‌
    • نصب آناکوندا (Anaconda) و ژوپیتر نوت‌بوک (Jupyter Notebook)
    • نصب پکیج NumPy
    • مقایسه سرعت کار آرایه‌های NumPy با آرایه‌های پایتون
    • کار با آرایه‌های NumPy
    • کار با swapaxes
    • کار با transpose
    • توابع عمومی ()sqrt‌(), exp(), modf
    • دستور where‌
    • متدهای ریاضی amin, mean, average
    • متدهای آماری VAR, Std, Median, Quantile, Percentile
    • تابع cumsum و sum
    • تابع any و all
    • تابع unique
    • تابع sort
    • تابع in1d
    • تابع save و load‌
    • ذخیره آرایه در فایل
    • کار با random.sample, rand, randint, randn
    • تابع inner‌, outer
    • ضرب دو ماتریس با dot
    • معکوس ماتریس با inv
    • تجزیه ماتریس با qr
  • درس دوم: کار با سری‌ها در پکیج Pandas
    • تعریف سری
    • شاخص‌گذاری مجدد (Reindexing)
    • دسترسی به عناصر سری
    • کار با iloc
    • تابع drop
    • تابع pop
    • کار با isna, notna, isin
    • کپی گرفتن از سری
    • مرتب‌سازی مقادیر سری با sort_values
    • تابع rank
    • تابع is_unique
    • تابع describe
    • تابع count
    • تابع duplicated‌
    • حذف داده‌های تکراری
    • اضافه کردن عبارت به قبل یا بعد از اندیس سری
    • عملیات ریاضی بر روی دو سری
    • بررسی مساوی ‌بودن دو سری با eq
    • کار با ne, qt, qe, lt, le
    • تابع argmax و idxmax
    • جمع و ضرب انباشته با cumsum و cumprod
    • تابع ()value_counts
    • تابع ()unique
    • تابع ()append و ()combine
    • تابع ()apply
    • تابع ()transform
    • تابع ()agg
    • تابع ()nlargest
    • گروه‌بندی
    • تابع ()between
    • حذف داده‌های نهست با ()dropna
    • تبدیل سری به آرایه و دیکشنری
    • جایگزینی مقادیر در سری
    • تابع ()repeat
    • کار با سری‌های چند ایندکسی
  • درس سوم: کار با دیتافریم‌ها در پکیج Pandas‌
    • ایجاد دیتا‌فریم
    • کار با in
    • کار با اندیس در دیتا‌فریم
    • تفاوت loc با iloc
    • تابع ()iat
    • تابع ()reindex
    • تابع ()sort_values
    • تابع ()sort_index
    • تابع ()idxmax
    • عمل ()transpose
    • اعمال عبارت lambda
    • آشنایی با apply, map, applymap
    • حذف سطر و ستون از دیتا‌فریم
    • بررسی خالی بودن دیتا‌فریم
    • عملیات ریاضی بر روی دیتا‌فریم
    • کار با index.name
    • جمع دیتا‌فریم با سری
    • شاخص‌های سلسله‌مراتبی
    • تابع ()unstack
    • تابع ()swaplevel
  • درس چهارم: نوشتن و خواندن در فایل ‌
    • کار با فایل دارای پسوند csv
    • کار با فایل دارای پسوند xlsx
    • کار با فایل دارای پسوند json
    • کار با فایل دارای پسوند html
    • کار با فایل دارای پسوند xml
    • کار با فایل دارای پسوند pkl
    • کار با فایل‌های HDF
    • ارتباط با دیتابیس
    • معرفی SQLite
    • ایجاد جدول و کار با آن (Select‌, Insert)
    • گرفتن اطلاعات از آدرس URL
  • درس پنجم: پاک‌سازی داده‌ها‌
    • کار با داده‌های گمشده (Missing Data)
    • تابع ()dropna
    • تابع ()fillna
    • حذف داده‌های تکراری با ()drop_duplicates
    • جایگزینی مقادیر
    • تابع cut
    • کشف داده‌های پرت (Detectiing Outliers)
    • تابع ()take
    • تابع ()sample
    • تابع ()get_dummies
  • درس ششم: ادغام دیتافریم‌ها‌
    • ادغام دو دیتا‌فریم با تابع ()merge
    • چند مثال
    • ادغام روی ایندکس‌ها
    • ادغام دو دیتا‌فریم با تابع join
    • اضافه کردن یک دیتا‌فریم به انتهای دیتافریم دیگر با تابع concat
    • اضافه کردن یک سری به انتهای سری دیگر با تابع concat
    • تابع ()combine_first
    • تابع pivot
    • تابع melt
  • درس هفتم: مصور‌سازی داده‌ها با پکیج Pyplot
    • تابع plot
    • رسم نمودار نقطه‌ای با Scatter
    • رسم نمودار میله‌ای با Bar
    • رسم هیستوگرام با Hist
    • رسم نمودار دایره‌ای با Pie
    • رسم نمودار جعبه‌ای با Boxplot
    • رسم پلات برای دیتافریم
    • رسم نمودار جعبه‌ای با پکیج Seaborn
    • معرفی دیتابیس Iris
    • آشنایی با Violinplot
  • درس هشتم: گروه‌بندی‌
    • اعمال groupby بر روی سری
    • مثال
    • اعمال groupby بر روی دیتافریم
    • گروه‌‌بندی روی سطح ایندکس‌ها
    • تابع transform
    • مثال (گروه‌بندی بر روی دیتافریم Iris)
    • رده (Category)
  • درس نهم: سری‌های زمانی
    • کار با datetime
    • مهر زمانی (Timestamp)
    • آشنایی با date_range
    • آشنایی با period_range
    • کار با to_datetime
    • معرفی Hour و Minute
    • معرفی Day و MonthEnd
    • معرفی Rollback‌ و Rollforward
    • سری زمانی
    • کار با DatetimeIndex
    • معرفی shift
    • کار با resample
  • درس دهم: پروژه‌
    • تعیین بهترین فیلم‌های سینمایی از نظر آقایان و خانم‌ها
    • تعیین نام‌های پر‌تکرار ثبت ‌شده برای نوزادان

مفید برای رشته‌های
  • مهندسی کامپیوتر - نرم‌افزار
  • داده‌کاوی

پیش نیاز


آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده

نرم افزارهای مرتبط با آموزش

Jupyter Notebook 2020




پیش نمایش‌ها

۱. آشنایی با پکیج ‌NumPy

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۲۶ مگابایت -- (کلیک کنید +))

۲. کار با سری‌ها در پکیج Pandas

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۱۲ مگابایت -- (کلیک کنید +))

۳. کار با دیتافریم‌ها در پکیج Pandas‌

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۷۹ مگابایت -- (کلیک کنید +))

۴. نوشتن و خواندن در فایل
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. پاک‌سازی داده‌ها
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. ادغام دیتافریم‌ها
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. مصور‌سازی داده‌ها با پکیج Pyplot
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. گروه‌بندی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۹. سری‌های زمانی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۰. پروژه
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۱۵ جلسه ویدئویی با مجموع ۹ ساعت و ۵۴ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش آموزش‌ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

(راهنمایی بیشتر +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش تجزیه و تحلیل و آماده سازی داده ها با پایتون
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۷۸۵۵۶ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVDM9507
مدت زمان ۹ ساعت و ۵۴ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۹۸۹ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.


آموزش‌های پیشنهادی برای شما



نظرات

تا کنون ۱,۰۸۴ نفر از این آموزش استفاده کرده اند و ۱۱ نظر ثبت شده است.
Manijeh
Manijeh

استاد همه ی دوره هاتون عالی هستند فقط ازتون خواهش می کنم چند دوره طراحی بفرمایید که فقط بر اساس نام پروژه و به عنوان پروژه عملی از ابتدا تا انتها روند پروژه های داده کاوی و ماشین لرنینگ رو داشته باشه تا برای کسانی که دوره های شما رو کامل مشاهده کردند به عنوان تمرین عملی و مرور جامع در نظر گرفته بشه. پیشاپیش ازتون ممنونم.
امیدوارم انسان هایی مثل شما که سخاوتمندانه اطلاعاتشون رو در اختیار دیگران قرار می دهند بیشتر وارد حوزه آموزش بشن.

فرشید شیرافکن
فرشید شیرافکن
مدرس

ممنون. حتما

Manijeh
Manijeh

من می خواستم از استاد تشکر کنم چون من از پایتون و ماشین لرنینگ هیچی نمیدونستم اما به همین ترتیبی که ایشون توضیح دادن تمام ویدئو ها رو نگاه کردم و هربار که می تونم با داده ها کار کنم از ته قلبم براشون دعا می کنم امیدوارم آموزش هایی با این کیفیت و هزینه ای که همه بتونن ازش استفاده کنند رواج پیدا کنه.

فرشید شیرافکن
فرشید شیرافکن
مدرس

ممنون.
سعی من بر این بوده که مطالب را در سریعترین زمان ممکن به شما عزیزان انتقال دهم. اینجانب برای یادگیری این مطالب زمان زیادی صرف کردم.

فرشید شیرافکن
فرشید شیرافکن
مدرس

سلام.
ترتیب آموزش های اینجانب برای ورود به حوزه یادگیری ماشین ، هوش مصنوعی و data science :
1- پایتون همراه با مثال های عملی
2- شی گرایی در پایتون
3- تجزیه و تحلیل و آماده سازی داده ها با پایتون
4- یادگیری ماشین (بخش اول)
5- یادگیری ماشین (قسمت دوم)
6- گراف کاوی و تحلیل شبکه ها در پایتون با NetworkX

علیرضا
علیرضا

سلام خدمت استاد عزیز و دوستان
استاد دستورات خیلی خوب توضیح دادند ولی چند نکته هست که نظر شخصی من هست
اول اینکه تو این دوره فقط متود های پیکج numpy و pandas یادخواهید گرفت که خب بهتر بود استاد مقداری با پروژه واقعی تدریس میکردند چونکه  خسته کننده شده بود و یکنواخت
و دوم اینکه اگر بنا به یادگیری تنها متود های این پکیج ها بود خب تو سایت هاشون این دو پکیج تمامی متود ها رو آموزش دادن و خیلی راحت میتونیم بریم ببینیم که هر کدام چکار میکنه و یا بهتر سرچ کنیم متود مورد نیازمون پیدا کنیم و استفاده کنیم.
در کل استاد خیلی مسلط و با معلومات فراوان هستند ولی بهتر هست مقداری پروژه محور تدریس میشد
با تشکر فراوان از استاد عزیز و سایت فرادرس

فرشید شیرافکن
فرشید شیرافکن
مدرس

سلام.
در آموزش های پروژه محور سایت فرادرس، به پروژه محور بودن آنها اشاره شده است که این آموزش این چنین نمی باشد.
همانطور که در سرفصل آموزش گفته شده هدف کار با پکیج های numpy و pandas جهت آماده سازی داده می باشد. به نظر خودم مطالبی که من در این آموزش گفته ام در هیچ منبعی با این نظم و ترتیب گفته نشده است. علاوه بر این در انتهای آموزش چند پروژه هم قرار داده ام .
همچنین این آموزش پیش نیاز آموزش دو قسمتی یادگیری ماشین من در فراردس است که در آن آموزش ها چندین پروژه انجام شده است.

موفق باشید.

حامد
حامد

من در چند دوره از اموزش های پایتون coursera و Udemy شرکت کردم و مدرک هم گرفتم ولی هیچ کدوم به اندازه استاد شیرافکن واضح و پرمحتوا با نکات عالی تدریس نکردند. ای کاش پلترفرم های حل مساله و تمرین که در coursera وجود داره به تدریس دلنواز استاد شیرافکن اضافه می شد تا همه چی تکمیل باشه. باز هم ممنون از استاد شیرافکن و سایت فرادرس، بابت تولید محتوای مفیدشون.

فرشید شیرافکن
فرشید شیرافکن
مدرس

خیلی ممنون. من زمان زیادی برای تهیه آموزش هایم در فرادرس می گذارم . فرادرس بستری تهیه کرده که در رویا های من بوده. همیشه دوست داشتم اطلاعاتم را در اختیار عزیزانی که به آن علاقمند هستند قرار دهم و این آرزوی من را فرادرس برآورده کرد. شاید این امکانی که شما هم فرمودید، فرادرس بعدا اضافه کند. موفق باشید.

علیرضا
علیرضا

بسیار خوشحالم که دکتر شیرافکن مدرس این آموزش هستند. ایشان دلسوزانه تمام دانش خودشون رو در اختیار دانشجویان قرار میدن. تشکر از فرادرس.

فرشید شیرافکن
فرشید شیرافکن
مدرس

لطف دارید.

برچسب‌ها:
all Function in Python | any Function in Python | append Function in Python | apply Function in Python | between Function in Python | combine Function in Python | count Function in Python | cumsum Function in Python | Data wrangling by Python | describe Function in Python | drop Function in Python | duplicated Function in Python | exp Function in Python | iat Function in Python | idxmax Function in Python | in1d Function in Python | is_unique Function in Python | Jupyter Notebook | load Function in Python | modf Function in Python | pandas Library in Pythone | pop Function in Python | Python Software | rank Function in Python | reindex Function in Python | Reindexing in Pythone | rollback‌ در پایتون | rollforward در پایتون | save Function in Python | sort Function in Python | sort_index Function in Python | sort_values | sort_values Function in Python | sqrt Function in Python | sum‌ Function in Python | transform Function in Python | unique Function in Python | value_counts Function in Python | آرایه های NumPy | آرایه های پایتون | آشنایی با apply در پایتون | آشنایی با applymap در پایتون | آشنایی با Date_Range در پایتون | آشنایی با map در پایتون | آشنایی با Period_Range در پایتون | آشنایی با Violinplot | آشنایی با پکیج NumPy | آماده سازی داده با پایتون | آماده سازی داده ها | آموزش مدل آماری داده | ادغام دو دیتا‌فریم با تابع join | ادغام دو دیتا‌فریم با تابع merge | ادغام دیتا‌فریم‌ ها | ادغام روی ایندکس ‌ها | اعمال groupby بر روی دیتافریم | اعمال groupby بر روی سری | اعمال عبارت lambda در پایتون | ایجاد دیتافریم | بررسی خالی بودن دیتا‌فریم | پاک سازی داده ها | پکیج NumPy | پکیج pandas | تابع  take در پایتون | تابع agg در پایتون | تابع all در پایتون | تابع any در پایتون | تابع append در پایتون | تابع apply در پایتون | تابع argmax در پایتون | تابع between در پایتون | تابع combine در پایتون | تابع combine_first در پایتون | تابع count در پایتون | تابع cumsum در پایتون | تابع cut در پایتون | تابع describe در پایتون | تابع drop در پایتون | تابع dropna در پایتون | تابع duplicated در پایتون | تابع exp در پایتون | تابع fillna در پایتون | تابع get_dummies در پایتون | تابع iat در پایتون | تابع idxmax در پایتون | تابع in1d در پایتون | تابع inner در پایتون | تابع is_unique در پایتون | تابع load در پایتون | تابع melt در پایتون | تابع modf در پایتون | تابع nlargest در پایتون | تابع outer در پایتون | تابع pivot در پایتون | تابع plot در پایتون | تابع pop در پایتون | تابع rank در پایتون | تابع reindex در پایتون | تابع repeat در پایتون | تابع sample در پایتون | تابع save در پایتون | تابع sort در پایتون | تابع sort_index در پایتون | تابع sort_values در پایتون | تابع sqrt در پایتون | تابع sum در پایتون | تابع swaplevel در پایتون | تابع transform در پایتون | تابع unique در پایتون | تابع unstack در پایتون | تابع value_counts در پایتون | تبدیل سری به آرایه و دیکشنری | تجزیه ماتریس با qr | تجزیه و تحلیل داده ها با پایتون | تعریف سری | تفاوت loc با iloc | جایگزینی مقادیر | جایگزینی مقادیر در سری | جمع انباشه با cumsum | جمع دیتا‌فریم با سری | چند مثال | حذف داده‌ های تکراری با drop.duplicates | حذف داده‌ های نهست با dropna | حذف ستون از دیتا‌فریم | حذف سطر از دیتافریم | درس هشتم: گروه‌بندی | دسترسی به عناصر سری | دستور where در پایتون | ذخیره آرایه در فایل | رسم پلات برای دیتافریم | رسم نمودار جعبه‌ ای با boxplot | رسم نمودار جعبه‌ای با پکیج seaborn | رسم نمودار دایره ‌ای با pie | رسم نمودار میله ‌ای با bar | رسم نمودار نقطه‌ ای با scatter | رسم هیستوگرام با hist | سرعت کار آرایه‌ های NumPy | سرعت کار آرایه ‌های پایتون | سری‌ های زمانی در پایتون | شاخص ‌گذاری مجدد در پایتون | شاخص‌ های سلسله‌ مراتبی در پایتون | ضرب انباشته با cumprod | ضرب دو ماتریس با dot | عمل transpose در پایتون | عملیات ریاضی بر روی دو سری | عملیات ریاضی بر روی دیتا‌فریم | کار با datetime در پایتون | کار با DatetimeIndex در پایتون | کار با iloc در پایتون | کار با in در پایتون | کار با index.name در پایتون | کار با isin در پایتون | کار با isna در پایتون | کار با le در پایتون | کار با lt در پایتون | کار با ne در پایتون | کار با notna در پایتون | کار با qe در پایتون | کار با qt در پایتون | کار با rand در پایتون | کار با randint در پایتون | کار با randn در پایتون | کار با randomsample در پایتون | کار با resample در پایتون | کار با swapaxes | کار با to_datetime در پایتون | کار با transpose | کار با آرایه ‌های NumPy | کار با اندیس در دیتافریم | کار با داده‌ های گمشده | کار با دیتافریم ‌ها با پکیج pandas | کار با سری ‌های چند ایندکسی | کار با فایل دارای پسوند csv | کار با فایل دارای پسوند html | کار با فایل دارای پسوند json | کار با فایل دارای پسوند pkl | کار با فایل دارای پسوند xlsx | کار با فایل دارای پسوند xml | کار با فایل‌ های  HDF | کپی گرفتن از سری | کتابخانه pandas در پایتون | کشف داده‌ های پرت در پایتون | گرفتن اطلاعات از آدرس‌ URL | گروه‌ بندی بر روی دیتافریم Iris | گروه‌ بندی در پایتون | گروه‌‌ بندی روی سطح ایندکس ‌ها | متد آماری Median در پایتون | متد آماری Percentile در پایتون | متد آماری Quantile در پایتون | متد آماری Std در پایتون | متد آماری VAR در پایتون | متد ریاضی Average در پایتون | متد ریاضی Mean در پایتون | متدی ریاضی Amin در پایتون | مرتب ‌سازی مقادیر سری | مساوی‌ بودن دو سری با eq | مصورسازی داده ها | مصورسازی داده‌ ها با Bokeh | مصور‌سازی داده ها با Matplotlib | معرفی shift در پایتون | معرفی sqlite در پایتون | معرفی دیتابیس Iris | معکوس ماتریس با inv | نرم افزار Python | نرم افزار پایتون | نصب آناکوندا | نصب پکیج NumPy | نصب ژوپیتر نوت‌ بوک
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۱۵ جلسه ویدئویی