دوره آموزشی پایتون برای مهندسی داده: از مبتدی تا پیشرفته
3 ساعت 51 دقیقهمتوسط2024-01-30
مدرسین

Deepak Goyal
جزئیات دوره
قبل از پیشرفت به موضوعات پیشرفته تر مخصوص مهندسی داده، با اصول اولیه پایتون آشنا شوید و اجرا کنید. در این دوره عملی و تعاملی، به مربی دیپاک گویال بپیوندید تا انجام طیف گسترده ای از وظایف مهندسی داده در پایتون را تمرین کنید تا دانش فنی خود را تقویت کنید، برای مصاحبه آماده شوید یا نقش جدیدی را به دست آورید. این دوره شامل چالش های کد است که توسط CoderPad طراحی شده است. چالشهای کد، تمرینهای کدنویسی تعاملی با بازخورد بلادرنگ هستند، بنابراین میتوانید برای پیشبرد مهارتهای کدنویسی خود تمرین کدنویسی را انجام دهید. دیپک به شما کمک می کند تا مهارت های خود را به عنوان یک برنامه نویس پایتون با شش چالش برنامه نویسی خاص تقویت کنید. اصول زبان، مجموعههای پایتون، مدیریت فایل، پانداها، NumPy، OOP و ابزارهای پیشرفته مهندسی دادهای که از پایتون استفاده میکنند را کاوش کنید. این دوره با یک پروژه اصلی متمرکز بر تجزیه و تحلیل خرده فروشی به پایان می رسد.
مهارت ها
Data EngineeringPythonProgramming LanguagesData ScienceOpen SourceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - به دوره خوش آمدید
- 02 - آنچه باید بدانید
- 03 - تور کدرپد
1. مبانی پایتون
- 04 - مقدمه ای بر پایتون و مهندسی داده
- 05 - محیط پایتون خود را تنظیم کنید
- 06 - کاربرگ Google Colab را کاوش کنید
- 07 - متغیرها و انواع داده ها
- 08 - عملگرها و عبارات
- 09 - سازههای کنترلی
- 10 - توابع
- 11 - ماژولها و بسته ها
- 12 - دستکاری رشته
- 13 - رسیدگی به خطا
- 14 - راه حل - شرایط
2. مجموعههای پایتون
- 15 - نمای کلی مجموعه
- 16 - مجموعههای پایتون - تاپل ها
- 17 - مجموعههای پایتون - لیست ها
- 18 - مجموعههای پایتون - مجموعه ها
- 19 - مجموعههای پایتون - دیکشنری ها
- 20 - راه حل - مجموعه ها
3. مدیریت فایل پایتون
- 21 - نمای کلی فایل IO
- 22 - کار با فایلهای CSV
- 23 - کار با فایلهای JSON
- 24 - راه حل - رسیدگی به پرونده
4. Pandas DataFrame API
- 25 - آشنایی با پانداها
- 26 - فایلها را به صورت DataFrame بخوانید
- 27 - پاکسازی و پیش پردازش داده ها
- 28 - دستکاری و تجمیع داده ها
- 29 - تجسم داده ها
- 30 - DataFrames را به صورت فایل بنویسید
- 31 - راه حل - پانداها
5. NumPy
- 32 - مقدمه ای بر NumPy
- 33 - ایجاد آرایه و صفات
- 34 - عملیات آرایه
- 35 - پروفایل سازی و برش
- 36 - جبر خطی و آمار
- 37 - DataFrames را به صورت فایل بنویسید
- 38 - راه حل - NumPy
6. OOP با پایتون
- 39 - درک کلاسها و اشیا
- 40 - پیادهسازی - کلاسها و اشیاء در پایتون
- 41 - درک ویژگیهای OOP - انتزاع، وراثت، و بیشتر
- 42 - راه حل - OOP
7. مهندسی دادههای پیشرفته
- 43 - نکاتی برای نوشتن کد پایتون کارآمد
- 44 - ETL در دنیای مهندسی داده چیست
- 45 - هادوپ چیست
- 46 - PySpark برای مهندسی داده را بدانید
- 47 - اهمیت ابزارهای تجسم در DE
- 48 - مهندسی داده On-prem در مقابل ابر
8. پروژه Capstone
- 49 - پروژه Capstone - تجزیهوتحلیل خرده فروشی
- 50 - راه حل - پروژه Capstone
نتیجه
- 51 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی راهنمای کامل پایتون برای مهندسی داده: از مبتدی تا پیشرفته
- دوره آموزشی پلتفرمهای داده: از Spark تا Snowflake
- دوره آموزشی Cloud Hadoop: پیمایش آپاچی اسپارک
- دوره آموزشی هوش مصنوعی عملی: مقدمهای بر تولید تقویتشده با بازیابی (RAG)
- دوره آموزشی ایجنتهای SQL با مدلهای زبان بزرگ
- دوره آموزشی آمادگی برای گواهینامه برنامهنویس پایتون سطح مقدماتی Python Institute (PCEP-30-02)
- دوره آموزشی یادگیری جامع اسکالا برای علوم داده
- دوره آموزشی SPSS: آمادهسازی، مصورسازی و مدلسازی دادهها
مسیرهای مرتبط
- مسیر آموزشی گواهینامه حرفهای مبانی مهندسی داده
- مسیر آموزشی مقدمهای بر مهارتهای پایه برای کار با داده: جمعآوری دادهها
- مسیر آموزشی تبدیل شدن به یک استاد مهندسی داده
- مسیر آموزشی تمرین عملی مهندسی داده
- مسیر آموزشی از دانشمند داده به یک تحلیلگر داده تبدیل شوید
- مسیر آموزشی ملزومات MLOps برای برنامهنویسها و مهندسان هوش مصنوعی: ابزارها، پایپلاینها و نکات امنیتی
- مسیر آموزشی ساخت محصولات هوش مصنوعی با استفاده از سرویسهای Azure AI در چرخه توسعه
- مسیر آموزشی مدیریت برنامه های فنی