در این مطلب، ویدئو بررسی گواهینامه IBM Python For Data Science – آیا ارزشش را دارد؟ 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: 00:08:58
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,199 –> 00:00:03,760
خوب پس امروز بیایید دو دوره
2
00:00:03,760 –> 00:00:05,920
پایتون برای هوش مصنوعی و توسعه علوم داده
3
00:00:05,920 –> 00:00:07,440
4
00:00:07,440 –> 00:00:09,920
و پروژه های پایتون برای علم داده را بررسی کنیم، بنابراین
5
00:00:09,920 –> 00:00:11,759
چه
6
00:00:11,759 –> 00:00:13,679
مدرک حرفه ای تحلیلگر داده ibm را دریافت کنید
7
00:00:13,679 –> 00:00:15,759
یا چه علاقه مند به
8
00:00:15,759 –> 00:00:18,240
یادگیری تجزیه و تحلیل داده ها با پایتون هستید،
9
00:00:18,240 –> 00:00:21,039
این دو دوره یک شروع عالی هستند. خوب
10
00:00:21,039 –> 00:00:21,680
،
11
00:00:21,680 –> 00:00:23,439
آیا باید این دوره ها را بگذرانید یا
12
00:00:23,439 –> 00:00:25,039
نه، این سوالی
13
00:00:25,039 –> 00:00:27,359
است که ما می توانیم با
14
00:00:27,359 –> 00:00:28,320
مرور دوره ها
15
00:00:28,320 –> 00:00:30,640
و دیدن مطالب، پاسخ آن را داشته باشیم، بنابراین بیایید به سراغ
16
00:00:30,640 –> 00:00:32,399
پایتون برای هوش مصنوعی و توسعه علوم داده برویم،
17
00:00:32,399 –> 00:00:33,440
18
00:00:33,440 –> 00:00:36,160
19
00:00:36,640 –> 00:00:40,000
بنابراین دوره شامل
20
00:00:40,000 –> 00:00:42,480
پنج هفته است، خوب در برای قبولی
21
00:00:42,480 –> 00:00:43,120
باید
22
00:00:43,120 –> 00:00:46,320
تمام آزمونهای هفتگی را پشت سر بگذارید، بنابراین
23
00:00:46,320 –> 00:00:47,680
ما یک آزمون سریع داریم
24
00:00:47,680 –> 00:00:51,120
فقط برای اطمینان از
25
00:00:51,120 –> 00:00:54,640
اینکه دانش را به درستی دریافت کردهاید و
26
00:00:54,640 –> 00:00:57,360
بله فقط آزمونهای هفتگی، بنابراین تنها کاری که
27
00:00:57,360 –> 00:00:59,760
باید انجام دهید این است که برای قبولی در این دوره، آزمون
28
00:00:59,760 –> 00:01:03,199
را قبول کنید. بیایید در
29
00:01:03,199 –> 00:01:05,360
مورد محتوای این دوره صحبت کنیم، آیا
30
00:01:05,360 –> 00:01:07,360
مختصات مناسبی است که به دنبال آن هستید،
31
00:01:07,360 –> 00:01:10,479
بنابراین در سه هفته اول
32
00:01:10,479 –> 00:01:13,600
می توانید من اصول اولیه پایتون
33
00:01:13,600 –> 00:01:16,240
را یاد می گیرم تا همانطور که می
34
00:01:16,240 –> 00:01:16,960
35
00:01:16,960 –> 00:01:20,960
بینید عبارات متغیرها را یاد خواهید
36
00:01:20,960 –> 00:01:24,840
37
00:01:24,840 –> 00:01:27,360
38
00:01:27,360 –> 00:01:31,439
39
00:01:31,439 –> 00:01:34,479
40
00:01:34,479 –> 00:01:38,320
41
00:01:38,320 –> 00:01:41,119
گرفت. سه
42
00:01:41,119 –> 00:01:42,960
دانش پایه ای در مورد
43
00:01:42,960 –> 00:01:46,399
پایتون ایجاد کرده اید حالا بیایید در مورد هفته چهارم صحبت کنیم،
44
00:01:46,399 –> 00:01:48,560
بنابراین در هفته چهارم
45
00:01:48,560 –> 00:01:49,840
46
00:01:49,840 –> 00:01:52,000
با تجزیه و تحلیل داده ها دستان خود را کثیف می کنید، بنابراین
47
00:01:52,000 –> 00:01:53,680
48
00:01:53,680 –> 00:01:56,880
قبل از شروع به
49
00:01:56,880 –> 00:01:59,040
تجزیه و تحلیل داده ها با پایتونی که دارید، اصول اولیه تجزیه و تحلیل داده ها را یاد خواهید گرفت. برای
50
00:01:59,040 –> 00:02:00,240
درک
51
00:02:00,240 –> 00:02:03,040
اصول اولیه یک مثال باید بدانید
52
00:02:03,040 –> 00:02:03,680
که چگونه می توان
53
00:02:03,680 –> 00:02:08,318
فایل های خواندن و نوشتن را با پایتون
54
00:02:08,318 –> 00:02:10,560
با این آزمایشگاه نوشتن فایل ها با
55
00:02:10,560 –> 00:02:11,760
open باز کرد
56
00:02:11,760 –> 00:02:15,520
و البته بیشتر api های مورد استفاده
57
00:02:15,520 –> 00:02:18,879
در تجزیه و تحلیل داده ها شوخی و بی سر و صدا هستند
58
00:02:18,879 –> 00:02:21,520
بنابراین در این هفته با این موضوع آشنا خواهید شد.
59
00:02:21,520 –> 00:02:23,360
numpy
60
00:02:23,360 –> 00:02:25,440
چگونه از numpy برای تشکیل آرایه ها استفاده کنیم آرایه
61
00:02:25,440 –> 00:02:27,040
های دو بعدی برجسته شده یک بعدی
62
00:02:27,040 –> 00:02:28,160
63
00:02:28,160 –> 00:02:30,959
و
64
00:02:32,959 –> 00:02:37,200
در آخر در هفته پنجم
65
00:02:37,200 –> 00:02:39,920
در اینجا با برخی از ap ib آشنا می شویم m
66
00:02:39,920 –> 00:02:40,720
محصولات
67
00:02:40,720 –> 00:02:43,440
هوش مصنوعی و
68
00:02:43,440 –> 00:02:45,599
در اینجا ما یاد می گیریم که چگونه
69
00:02:45,599 –> 00:02:47,680
صفحه نمایش را از نظر فنی هول کنیم اسکراپینگ وب
70
00:02:47,680 –> 00:02:48,720
71
00:02:48,720 –> 00:02:51,120
فرآیند بازیابی داده ها از وب
72
00:02:51,120 –> 00:02:53,519
با استفاده از پایتون است،
73
00:02:53,519 –> 00:02:55,040
بنابراین شما در حال انجام اسکریپت نویسی وب نیز
74
00:02:55,040 –> 00:02:56,560
هستید و یاد خواهید گرفت که چگونه با
75
00:02:56,560 –> 00:02:57,680
فرمت های مختلف فایل مقابله کنید.
76
00:02:57,680 –> 00:03:00,800
در حالی که شما در حال نوشتن وب هستید،
77
00:03:00,800 –> 00:03:02,480
بیایید یک آزمایشگاه مثال بزنیم
78
00:03:02,480 –> 00:03:05,519
79
00:03:05,519 –> 00:03:08,480
تا بیشتر آزمایشگاه ها به صورت آنلاین انجام شوند،
80
00:03:08,480 –> 00:03:09,519
81
00:03:09,519 –> 00:03:13,519
بنابراین، اما گاهی اوقات آزمایشگاه به دلایل فنی باز نمی شود
82
00:03:13,519 –> 00:03:15,599
، بنابراین
83
00:03:15,599 –> 00:03:18,080
اگر اینطور است یا برای شما اتفاق
84
00:03:18,080 –> 00:03:21,200
افتاد، می توانید آناکوندا را دانلود کنید. پس به
85
00:03:21,200 –> 00:03:24,879
گوگل بروید و anaconda را دانلود کنید،
86
00:03:27,680 –> 00:03:31,519
بنابراین اگر آناکوندا را درست دانلود کردید
87
00:03:31,519 –> 00:03:36,400
، خط فرمان را باز کنید و anaconda را تایپ
88
00:03:36,400 –> 00:03:40,560
کنید Okay، اکنون در اینجا تایپ کنید
89
00:03:44,840 –> 00:03:47,519
jupiter
90
00:03:47,519 –> 00:03:50,000
notebook
91
00:03:51,200 –> 00:03:54,159
هنگامی که notebook jupyter را باز کردید
92
00:03:54,159 –> 00:03:55,280
،
93
00:03:55,280 –> 00:03:57,040
دایرکتوری کاری فعلی باز می شود و می
94
00:03:57,040 –> 00:03:58,480
توانید کار روی
95
00:03:58,480 –> 00:04:00,799
پروژه های خود را از در اینجا از نظر فنی میتوانید
96
00:04:00,799 –> 00:04:02,480
از ژوپیتر برای کامپایل
97
00:04:02,480 –> 00:04:05,200
کردن پروژههای پایتون استفاده کنید، بنابراین، برای مثال،
98
00:04:05,200 –> 00:04:06,640
اگر وارد دانلودها میشوم، اجازه دهید نمونهای از پروژه را به نمایش بگذارم که یک
99
00:04:06,640 –> 00:04:08,000
100
00:04:08,000 –> 00:04:10,480
وب اسکراپی ساده است. خوب، بیایید این یکی را ببینیم،
101
00:04:10,480 –> 00:04:12,799
102
00:04:12,799 –> 00:04:14,480
بنابراین این یک آزمایشگاه نمونه از
103
00:04:14,480 –> 00:04:16,720
دوره است
104
00:04:16,720 –> 00:04:18,079
که می بینید، این یک آزمایشگاه در مورد
105
00:04:18,079 –> 00:04:19,839
رابط برنامه نویسی برنامه است
106
00:04:19,839 –> 00:04:22,560
و در این آزمایشگاه به احتمال زیاد در اینجا
107
00:04:22,560 –> 00:04:24,000
در مورد
108
00:04:24,000 –> 00:04:26,800
ترسیم داده هایی که در مورد پانداها یاد می گیرید یاد خواهید گرفت
109
00:04:26,800 –> 00:04:28,960
که یک API برای
110
00:04:28,960 –> 00:04:33,040
یادگیری نحوه یادگیری است. برای اینکه
111
00:04:33,040 –> 00:04:35,360
میدانید