مبانی پایتون
آزمون داده ها و متغیر ها
ساختارهای شرطی43:16
آزمون ساختار های شرطی
ساختارهای حلقه48:16
آزمون ساختار های حلقه
نصب آناکوندا54:14
شروع برنامه نویسی با پایتون56:48
آزمون، شروع برنامه نویسی با پایتون
ساختارهای ترتیبی: رشته‌ها و برش‌ها01:44:08
آزمون ساختارهای ترتیبی: رشته‌ها و برش‌ها
ساختارهای ترتیبی: لیست‌ها و تاپل‌ها01:39:46
آزمون ساختارهای ترتیبی: لیست‌ها و تاپل‌ها
مجموعه‌ها و دیکشنری ها01:20:39
آزمون مجموعه ها و دیکشنری ها
توابع در پایتون48:09
آزمون توابع در پایتون
توابع لمبدا (Lambda)19:33
آزمون توابع لامبدا
مدیریت استثناها47:29
آزمون مدیریت استثناها
ماژول‌ها و پکیج‌ها01:24:29
آزمون ماژول‌ها و پکیج‌ها
کار با فایل‌ها01:35:14
آزمون کار با فایل ها
کلاس آنلاین پرسش و پاسخ00:00
مبانی کلان داده (Big Data)
آزمون مقدمه و معرفی کلان داده
مروری بر دیتابیس 153:12
آزمون مروری بر دیتابیس 1
مروری بر دیتابیس 201:08:01
آزمون مروری بر دیتابیس 2
مروری بر SQL50:38
آزمون مروری بر SQL
مبانی سیستم های توزیع شده50:30
آزمون مبانی سیستم های توزیع شده
هدوپ (Hadoop)51:52
آزمون هدوپ
MapReduce40:31
آزمون Map Reduce
پردازش کلان داده54:40
آزمون پردازش کلان داده
راهکارهای مدیریت داده34:03
آزمون راه کار های مدیریت داده
کیفیت داده47:06
آزمون کیفیت داده (مبانی کلان داده)
پروژه اول کلان داده22:02
آزمون پروژه اول کلان داده
صف‌های پیام Message Queues و دریافت داده37:29
آزمون صف های پیام و دریافت داده
قابلیت مشاهده داده ها47:14
آزمون قابلیت مشاهده داده ها
هماهنگ سازی و استقرار مدل29:38
آزمون هماهنگ سازی و استقرار مدل
پروژه دوم20:06
طراحی پایگاه داده SQL
آزمون معرفی دیتا و دیتابیس
نصب و تنظیم SQL Server18:11
پیاده‌سازی یک دیتابیس نمونه28:37
آزمون پیاده سازی یک دیتابیس نمونه
ایجاد روابط بین جداول طراحی شده24:47
آزمون ایجاد روابط بین جداول طراحی شده
مفهوم «اسکیما» در SQL Server16:07
آزمون مفهوم اسکیما در SQL Server
ایجاد دسترسی کاربر در SQL Server08:32
آزمون ایجاد دسترسی کاربر در SQL Server
فرایند ایجاد پشتیبان (Backup)21:24
آزمون فرایند ایجاد پشتیبان
تبدیل فایل‌های متنی و اکسل به پایگاه داده10:27
آزمون تبدیل فایل‌های متنی و اکسل به پایگاه داده
SQL Agent و خودکارسازی فرایندها15:11
آزمون SQL Agent و خودکارسازی فرایندها
TransactSQL10:31
آزمون Transact-SQL
پیاده‌سازی نمونه پایگاه داده شرکت بیمه24:34
آزمون پیاده‌سازی نمونه پایگاه داده شرکت بیمه
پایتون در تحلیل داده 1
آزمون Google Colab
اپیزود دو: آشنایی با NumPy : پایه و اساس پردازش داده‌های عددی در پایتون30:14
آزمون آشنایی با NumPy : پایه و اساس پردازش داده‌های عددی در پایتون
اپیزود سه: ابعاد در NumPy: از یک‌بعدی تا سه‌بعدی30:34
آزمون ابعاد در NumPy: از یک‌بعدی تا سه‌بعدی
اپیزود چهار: برش و پردازش آرایه‌ها در NumPy تکنیک‌های حرفه‌ای Slicing27:32
آزمون برش و پردازش آرایه‌ها در NumPy
اپیزود پنج: کاوش در NumPy: تغییر نوع داده، شکل‌دهی و عملیات‌های ریاضی27:16
آزمون کاوش در NumPy: تغییر نوع داده، شکل‌دهی و عملیات‌های ریاضی
اپیزود شش: مبانی پیشرفته نامپای: ترکیب، جداسازی و جستجو در آرایه‌ها21:33
آزمون مبانی پیشرفته نامپای: ترکیب، جداسازی و جستجو در آرایه‌ها
اپیزود هفت: NumPy پروژه نهایی18:33
اپیزود 8 پانداز یک قسمت یک: آشنایی با پانداز: مدیریت و پردازش داده‌ها به زبان ساده30:46
آزمون مدیریت و پردازش داده‌ها به زبان ساده
اپیزود 9، پانداز یک، قسمت دو، آشنایی کامل با Series در Pandas و کاربردهای آن در تحلیل داده30:50
آزمون آشنایی کامل با Series در Pandas و کاربردهای آن در تحلیل داده
اپیزود 10 پانداز یک، قست سه: آشنایی با داده‌های گمشده در پانداز؛ از شناسایی تا پاک‌سازی30:10
آزمون آشنایی با داده‌های گمشده در پانداز؛ از شناسایی تا پاک‌سازی
اپیزود 11 پانداز یک، قسمت چهار: جادوی توابع در پانداز – از apply تا map24:06
آزمون جادوی توابع در پانداز از apply تا map
اپیزود 12 پانداز یک، قسمت پنج، مقایسه حافظه و عملکرد: NumPy یا Pandas؟!29:08
آزمون مقایسه حافظه و عملکرد: NumPy یا Pandas؟!
اپیزود 13 پانداز یک قسمت شش دیتافریم18:30
آزمون اپیزود 13 پانداز یک قسمت شش دیتافریم
اپیزود 14 پانداز یک قسمت هفت دیتافریم22:45
آزمون اپیزود 14 پانداز یک قسمت هفت دیتافریم
اپیزود15 پانداز دو قسمت یک از مقادیر گمشده تا متن‌ها در پانداز27:38
آزمون اپیزود15 پانداز دو قسمت یک از مقادیر گمشده تا متن‌ها در پانداز
اپیزود 16 پانداز دو، قسمت دو ،کار با رشته‌ها و مرتب‌سازی در Pandas: از Strip تا Sort23:51
آزمون کار با رشته‌ها و مرتب‌سازی در Pandas: از Strip تا Sort
اپیزود 17 پانداز دو، قسمت سه، پانداز و تسلط بر Apply و Map27:52
آزمون پانداز و تسلط بر Apply و Map
اپیزود 18، پانداز دو، قسمت چهار: ترکیب، الحاق و مرج داده‌ها در پانداز: از concat تا merge23:30
آزمون ترکیب، الحاق و مرج داده‌ها در پانداز: از concat تا merge
اپیزود 19 پانداز دو، قسمت پنج، ادغام داده‌ها و ایندکس‌گذاری پیشرفته در Pandas23:54
آزمون ادغام داده‌ها و ایندکس‌گذاری پیشرفته در Pandas
اپیزود 20، پانداز سه، قسمت یک: پروژه کاربردی با Pandas: ساخت جدول، محاسبات، فیلتر و ذخیره‌سازی30:43
آزمون پروژه کاربردی با Pandas: ساخت جدول، محاسبات، فیلتر و ذخیره‌سازی
اپیزود 21، پانداز سه، قسمت دو: ساخت دیتافریم مشتریان با استفاده از NumPy و Pandas26:35
آزمون ساخت دیتافریم مشتریان با استفاده از NumPy و Pandas
اپیزود 22، پانداز سه، قسمت سه: ساخت و پاک‌سازی دیتافریم در پانداس با داده‌های رندوم28:46
آزمون ساخت و پاک‌سازی دیتافریم در پانداس با داده‌های رندوم
اپیزود 23، پانداز سه، قسمت چهار: تحلیل پیشرفته داده‌ها با Pandas: فیلتر، گروه‌بندی، ترانسفورم و نرمال‌سازی23:14
آزمون تحلیل پیشرفته داده‌ها با Pandas: فیلتر، گروه‌بندی، ترانسفورم و نرمال‌سازی
اپیزود 24، پانداز سه، قسمت پنج: جادوی Pivot Table در Pandas: از داده خام تا جدول تحلیلی21:18
آزمون جادوی Pivot Table در Pandas: از داده خام تا جدول تحلیلی
اپیزود 25، پانداز سه، قسمت شش: تبدیل ساختار داده‌ها با melt و تحلیل دسته‌ای با crosstab در Pandas25:17
آزمون تبدیل ساختار داده‌ها با melt و تحلیل دسته‌ای با crosstab در Pandas
پایتون در تحلیل داده 2
آزمون معرفی Polars، تحلیل سریع داده‌های حجیم با Polars
دستکاری داده (Data Manipulation) در Polars37:48
تکنیک‌های پیشرفته‌ی Polars21:46
تحلیل پیشرفته‌ی داده با SciPy20:17
تحلیل آماری با SciPy23:33
بهینه‌سازی و جبر خطی در SciPy24:52
پردازش سیگنال با SciPy19:26
پروژه نهایی05:26
جبر ماتریس و کاربردهای آن در علوم داده و هوش مصنوعی
مرور عملیات ماتریس (جمع، ضرب)20:39
ماتریس ترانهاده و ماتریسهای بلوکی18:24
مقادیر و بردارهای ویژه، قطرنشانی28:44
تحلیل مؤلفههای اصلی (PCA) برای کاهش ابعاد27:48
ماتریس کوواریانس و ماتریس همبستگی19:22
تجزیه مقادیر منفرد (SVD)19:18
کاربردها در سیستمهای توصیهگر و پردازش تصویر24:37
کاربرد ماتریس در علم NLP19:33
مرور مثالها و حل تمرینها35:34
اپیزود 1، معرفی Polars، تحلیل سریع داده‌های حجیم با Polars
در این بخش، با کتابخانه‌ی Polars و قابلیت‌های اصلی آن آشنا می‌شویم. تفاوت‌ها و مزایای آن نسبت به سایر ابزارهای تحلیل داده مانند Pandas بررسی می‌گردد.
