مقدمه

پیش‌گفتار

قالب کوئرا کالج

نگاهی به پروژه‌ها

سیستم امتیازات و دریافت گواهی

داده و اهمیت آن

اهداف فصل

داده چیست؟

انواع داده

انواع متغیر‌های داده

ارزش داده و چالش‌ها

تعامل بیشتر با پایتون

آماده‌سازی محیط کار

معرفی نوت‌بوک ژوپیتر

اجرای نوت‌بوک‌ها

دستگرمی

کار با امکانات ویژه پایتون تعاملی

تمرین پایتون تعاملی

گوگل کولب

نامپای

تعریف آرایه

کار با آرایه (۱)

کار با آرایه (۲)

بازی با کوئرا

توابع عمومی

توابع تجمیعی

ایجاد، تغییر شکل و برش آرایه

پخش آرایه

مقایسه و منطق بولی

نمایه‌سازی با آرایه‌ها

سرزمین فلاکت

مرتب‌سازی

جبر خطی

گل‌های زنبق

پانداز

دیتاسری

دیتافریم

بررسی دیتافریم

الماس

کار با دیتافریم

انتخاب شرطی

دوچرخه‌سواران بی‌طاقت

شاخگرام

کار با فایل

اعمال توابع و مرتب‌سازی

هندوستان

ادغام دیتافریم‌ها

توابع اتصال و هم‌پوشانی

گروه‌بندی

قشر کتاب‌خوان

توابع تبدیل و فیلتر

یکتانت

پروژه ۱: مشکلات شکلاتی

گام اول: محموله‌ی بزرگ

گام دوم: فروش شکلات

گام سوم: شکلات‌های خوب‌تر

آماده‌سازی داده

حذف داده‌ها

تشخیص داده‌های پرت

کار با مقادیر گم‌شده

ماندن یا نماندن؛ مسئله اینست!

هم‌بستگی

سری‌ زمانی: یادآوری پایتون

سری زمانی: استفاده از پانداز

پوشه

گسسته‌سازی

مگنت

مصور‌سازی داده

ابزار‌های مصور‌سازی داده

شروع کار با مت‌پلات

تنظیمات (۱)

سقوط امپراطوری

واسط پانداز

نمودار میله‌ای

انقلاب امپراطوری

نمودار پراکندگی

توزیع‌ها و تخمین توزیع داده

هیستوگرام و نمودار چگالی

بر باد رفته

تنظیمات (۲)

آب رفته به جوی باز می‌گردد

معرفی سیبورن

نمودارهای سیبورن

الماس‌های درخشان

یونیدرو

پروژه ۲: چین

پر‌ کردن مقادیر گم‌شده

فرمت مناسب و داده‌های پرت

اضافه کردن ویژگی‌های جدید

نمایش روی نقشه

تحلیل زمانی

مباحث تکمیلی

یادگیری ماشین

علم داده

کلان‌داده

مقدمه‌ای بر مهندسی داده

پروژه نهایی

پیش‌پردازش

اکتشاف

مطالعه‌ی بازار‌های هدف

ارزش‌گذاری مشتریان

تحلیل ماندگاری مشتری

پایان دوره

%video:/video/player/eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJ2aWRlb191cmwiOiJodHRwczovL3N0cmVhbS5xdWVyYXZpZGVvLmlyL2NvbGxlZ2UvZjQ0MjZhYTItYjQ1YS00ZDUxLWE1ODgtOGVlMmRlZDQ3ZDc1L3BsYXlsaXN0Lm0zdTgiLCJleHBpcmVzX2F0IjoxNzc4NTQ2MzAyfQ.4gdqZaTijulRFDG7sq1BPN2VJdq4LNpfbkToJ4H-3BI%

سلام!

به دومین دوره از مجموعه کالج‌های آموزشی علم‌داده، دوره «تحلیل داده با پایتون» خوش‌آمدید.

در این کالج با مفاهیم تحلیل داده و تعدادی از پرکاربردترین‌ ابزارهای آن آشنا می‌شویم.

تحلیل داده به معنی استخراج قوانین و الگو‌ها از دل داده است. یعنی ما به کمک تکنیک‌های متفاوتی سعی می‌‌کنیم حقایقی را کشف کنیم که بدون استفاده از داده‌ها به راحتی قابل شناسایی نیستند.

مثلاً با کمک تحلیل داده می‌توانیم به فروشگاه زنجیره‌ای بگوییم مشتریان در چه ساعاتی از شبانه روز بیشتر خرید می‌کنند. فروشگاه می‌تواند فقط برای آن ساعات شلوغ نیروی اضافه استخدام کند. یا به مدیر فروشگاه تذکر می‌دهیم اگر در این ساعات محصولی تمام شود، فروشگاه بیشتر از ساعات دیگر ضرر می‌کند، چون در ساعات شلوغ است که مشتریان بیشتری وارد فروشگاه می‌شوند و احتمال خرید محصولات زیادتر است.

با کمک تحلیل داده می‌توانیم به تیم‌های بازاریابی (marketing) کمک کنیم نسبت به کمپین‌های خود دید بهتری داشته باشند و در آن‌ها هوشمندانه‌تر عمل کنند. برای مثال با بررسی و اکتشاف حقایق پنهان موجود در داده، به مسئول بازاریابی پیشنهاد می‌کنیم اگر اواخر هفته (پنج‌شنبه و جمعه) کمپین را شروع کند، احتمال تاثیرگذاری بیشتری وجود دارد.

همچنین با استفاده از تکنیک‌های تحلیل داده می‌توانیم به مدیران محصول کمک کنیم تا دید بهتری از رفتار کاربران محصولات خود داشته باشند و با تحلیل رفتار آن‌ها، ایرادات محصول را کشف کرده و با رفع آن‌ها میزان درآمد را افزایش دهند.

علاوه بر موارد فوق می‌توانیم با تحلیل داده‌های اجتماعی، تاثیر عوامل مختلف را بر یک پدیده‌ی اجتماعی مانند طلاق بسنجیم. مثلاً می‌توانیم به سوال «افزایش سن ازدواج چقدر و چگونه بر نرخ طلاق تاثیر می‌گذارد؟» پاسخ دهیم.

علاوه بر مثال‌های بالا، تحلیل داده، مقدمه‌ای برای [**«یادگیری ماشین»**](https://quera.org/college/landpage/9516/advanced-machine-learning) است! یعنی با یک تیر دو نشان را هدف گرفته‌ایم! در یادگیری ماشین، مادامی که داده را عمیقاً درک نکرده باشیم نمی‌توانیم به خوبی مسئله را حل کنیم؛ پس با تحلیل و اکتشاف داده‌ها می‌توانیم داده‌ها را بهتر مدل کرده و برای پیش‌بینی آینده از آن استفاده کنیم. هر چند حوزه تحلیل داده با یادگیری ماشین تفاوت‌هایی نیز دارد که در دوره **«[دروازه‌ ورود به یادگیری ماشین](https://quera.org/college/landpage/8522/machine-learning-Introduction)»** دقیق‌تر به آن پرداختیم.

در این کالج همواره سعی کرده‌ایم آموزش کاربردی از مفاهیم تحلیل داده داشته باشیم. بنابراین نه تنها کار با ابزار‌های پیشرفته را می‌آموزیم، بلکه ترفند‌های تحلیل داده را در مثال‌های واقعی نیز بررسی می‌کنیم.

در ابتدا مفهوم «داده» را زیر ذره‌بین گذاشته و جزئی‌تر به آن نگاه می‌کنیم. در ادامه با معرفی پایتون تعاملی و سرویس **ژوپیتر (`jupyter`)** آشنا خواهیم شد تا در طول دوره بتوانیم از آن‌ها استفاده کنیم. به عنوان اولین کتابخانه مرتبط با تحلیل داده، **نامپای (‍`numpy`)** را بررسی خواهیم کرد و پس از آن **پانداز (‍‍`pandas`)** را فرا خواهیم گرفت. در اولین پروژه‌ی آموزشی، تمرین‌هایی با محوریت تحلیل داده برای شما تدارک دیده‌ایم و در آن‌ها سعی می‌شود دیدِ تحلیل‌گرانه به شما آموخته شود. بنابراین در تمامی تمرین‌های موجود در یک پروژه‌ی آموزشی ما قدم به قدم کنار شما خواهیم بود و با ارائه راهنما و دستور‌العمل قصد داریم گام‌هایی که یک تحلیل‌گر داده برای حل یک مسئله برمی‌دارد را به شما آموزش دهیم.

در فصل آماده‌سازی و تحلیل داده، تکنیک‌های پیشرفته برای پاکسازی و استخراج حقایق را می‌آموزیم و در نهایت با پشت سرگذاشتن فصل مصورسازی خواهیم آموخت چگونه با رسم نمودار، حقایق عمیق‌تر را به شکل ساده‌ اما کاربردی نمایش دهیم.
پروژه‌ی آموزشی دوم همانند پروژه‌ی آموزشی اول برای جمع‌بندی مطالب آموخته شده تا آن قسمت و همچنین تقویت مغز تحلیل‌گر شما طراحی شده است.

و در نهایت با حل پروژه‌ی سوم که کاملاً شبیه به یک پروژه‌ی واقعی در بازار کار است، انتظار می‌رود کاملاً کار با ابزارهای تحلیل در پایتون را فرا گرفته باشید و بتوانید سوالات کسب‌وکاری را به راحتی پاسخ دهید و برای هر کدام پاسخِ داده‌محور ارائه کنید.

<details class="violet">
<summary>**پایگاه‌های داده**</summary>

برای ورود به بازار کار به عنوان تحلیل‌گر داده حرفه‌ای، حتماً نیاز است کار با انواع پایگاه‌های داده را از بر باشید!
مثلاً حداقل بتوانید با *SQL* داده‌ی مورد نیاز خود را از *database* (پایگاه داده) شرکت جمع‌آوری کنید!

به علت گسترده بودن مفاهیم پایگاه داده، در کالج «تحلیل‌داده با پایتون» به این اصل مهم پرداخته نمی‌شود. بنابراین پیشنهاد می‌کنیم اگر قصد دارید در شرکت‌های مطرح استخدام شوید، حتماً مفاهیم پایگاه داده را بیاموزید.

در صورتی که با مفهوم دیتابیس آشنا نیستید می‌توانید به کالج [**«آموزش دیتابیس»**](https://quera.org/college/landpage/8939/database) رجوع کنید؛ برای یادگیری پایگاه‌های داده  همچنین می‌توانید [این کتاب](https://www.db-book.com/) نوشته آبراهام سیلبرشاتس (*Abraham Silberschatz*) را مطالعه کنید.

</details>

form

plain_text

تحلیل داده با پایتون