در این مطلب، ویدئو آموزش پایتون: تجسم داده های سری زمانی در پایتون | مقدمه با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:03:41
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,739 –> 00:00:04,779
به دوره خوش آمدید نام من تاماس
2
00:00:04,779 –> 00:00:06,430
وینسنت است و من در حال حاضر رئیس
3
00:00:06,430 –> 00:00:08,889
علوم داده و Getty Images هستم در این
4
00:00:08,889 –> 00:00:10,929
دوره شما یاد خواهید گرفت که چگونه به یک
5
00:00:10,929 –> 00:00:12,400
کاربر پیشرفته تجسم سری زمانی
6
00:00:12,400 –> 00:00:14,079
در زبان برنامه نویسی پایتون تبدیل شوید
7
00:00:14,079 –> 00:00:17,890
که انتظار داریم با آن راحت باشید
8
00:00:17,890 –> 00:00:20,019
.
9
00:00:20,019 –> 00:00:22,599
مقدمه پایتون یک پایتون میانی
10
00:00:22,599 –> 00:00:25,949
برای دوره های علوم داده در
11
00:00:25,949 –> 00:00:28,660
کمپ داده را می توان با استفاده
12
00:00:28,660 –> 00:00:30,660
از مفهوم تجزیه و تحلیل سری های زمانی تجزیه
13
00:00:30,660 –> 00:00:33,280
و
14
00:00:33,280 –> 00:00:35,590
15
00:00:35,590 –> 00:00:37,300
تحلیل کرد. دادههای
16
00:00:37,300 –> 00:00:39,460
جمعآوریشده توسط حسگرها و منابع دیگر
17
00:00:39,460 –> 00:00:42,150
نیز میتوانند بهعنوان سریهای زمانی تحلیل شوند،
18
00:00:42,150 –> 00:00:45,460
بنابراین مقابله با
19
00:00:45,460 –> 00:00:47,280
سریهای زمانی در حوزه علم دادهها
20
00:00:47,280 –> 00:00:49,540
مکرر
21
00:00:49,540 –> 00:00:51,370
است.
22
00:00:51,370 –> 00:00:53,770
23
00:00:53,770 –> 00:00:55,390
قادر خواهد بود قدرت تجسم سری های زمانی را به شما نشان دهد این
24
00:00:55,390 –> 00:00:59,530
25
00:00:59,530 –> 00:01:01,240
دوره دانش عملی در مورد
26
00:01:01,240 –> 00:01:03,730
نحوه تشخیص و بصری ارائه می کند. ize دادههای سری زمانی
27
00:01:03,730 –> 00:01:06,700
با استفاده از پایتون در
28
00:01:06,700 –> 00:01:09,100
فصل اول نحوه دستکاری و پاکسازی
29
00:01:09,100 –> 00:01:11,500
دادههای سری زمانی و تولید نمودار سری زمانی را نشان میدهیم
30
00:01:11,500 –> 00:01:13,630
که در آن زیباییشناسی
31
00:01:13,630 –> 00:01:16,390
و اطلاعات شخصیسازی شده
32
00:01:16,390 –> 00:01:18,490
33
00:01:18,490 –> 00:01:20,620
34
00:01:20,620 –> 00:01:22,930
نمایش داده میشود. نماهای خلاصه شده از
35
00:01:22,930 –> 00:01:25,420
داده های سری زمانی در حالی که فصل سوم
36
00:01:25,420 –> 00:01:27,130
روش های پیچیده ای را برای
37
00:01:27,130 –> 00:01:29,830
تجزیه و تحلیل سری های زمانی معرفی می کند، فصل چهارم
38
00:01:29,830 –> 00:01:32,409
به نوبه خود تغییر می کند و به
39
00:01:32,409 –> 00:01:33,970
طور مفصل نحوه مدیریت مجموعه داده های
40
00:01:33,970 –> 00:01:36,820
حاوی سری های زمانی متعدد را شرح می دهد و در نهایت
41
00:01:36,820 –> 00:01:38,860
این دوره با یک مطالعه موردی به پایان می رسد.
42
00:01:38,860 –> 00:01:40,210
محتوای
43
00:01:40,210 –> 00:01:43,270
چهار فصل اول را مرور کنید این دوره
44
00:01:43,270 –> 00:01:45,310
بهشدت از کتابخانه پانداها