پایتون – مدرسه پردازش و تحلیل داده دقیقه https://d-learn.ir یادگیری گام به گام علوم داده و تحلیل داده Sat, 15 Aug 2026 13:45:40 +0000 fa-IR hourly 1 https://d-learn.ir/wp-content/uploads/2021/10/cropped-Picture1-e1633785514326-150x150.png پایتون – مدرسه پردازش و تحلیل داده دقیقه https://d-learn.ir 32 32 دوره جامع یادگیری ماشین و مهندسی هوش مصنوعی دانشگاه صنعتی شریف https://d-learn.ir/mlai05/ https://d-learn.ir/mlai05/#respond Mon, 10 Aug 2026 09:30:37 +0000 https://d-learn.ir/?p=100002 تاریخ شروع: ۱۸ شهریور ۱۴۰۵

The post دوره جامع یادگیری ماشین و مهندسی هوش مصنوعی دانشگاه صنعتی شریف appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]>

دوره جامع «یادگیری ماشین و مهندسی هوش‌مصنوعی» به‌عنوان یک مسیر آموزشی ساختاریافته و به‌روز طراحی شده است که شرکت‌کنندگان را از مبانی ریاضیات و یادگیری ماشین تا طراحی، پیاده‌سازی و استقرار مدل‌های پیشرفته هوش‌مصنوعی همراهی می‌کند.

رویکرد آموزشی این دوره بر پایه‌ی سه رکن اصلی استوار است: ارائه‌ی روشن و ملموس مفاهیم و روش‌ها، تمرین‌های عملی منظم پس از هر بخش آموزشی، و پروژه‌های کاربردی مبتنی بر داده‌های واقعی. بر همین اساس، شرکت‌کنندگان صرفاً به یادگیری نظری مفاهیم بسنده نمی‌کنند؛ بلکه هر مفهوم را با کدنویسی پیاده‌سازی می‌کنند و در پایان دوره، پروژه‌ای قابل‌ارائه در سوابق حرفه‌ای خود خواهند داشت که نشان‌دهنده‌ی تسلط آن‌ها بر مفاهیم و مهارت‌های عملی است.

ساختار محتوایی دوره از مبانی یادگیری ماشین و ریاضیات پایه‌ی آن آغاز می‌شود و به‌طور پیوسته و مرحله‌به‌مرحله به سمت موضوعات پیشرفته‌تر شامل یادگیری بانظارت، یادگیری بدون نظارت و یادگیری تقویتی، شبکه‌های عصبی عمیق و پردازش زبان طبیعی، مدل‌های زبانی بزرگ و هوش مصنوعی مولد، و در نهایت روش‌های استقرار و بهینه‌سازی مدل‌ها پیش می‌رود. این توالی منطقی و تدریجی تضمین می‌کند که شرکت‌کنندگان هم به درک عمیق مفهومی دست یابند و هم توانایی طراحی و پیاده‌سازی مدل‌های کاربردی برای پروژه‌های حرفه‌ای یا پژوهشی خود را کسب کنند.

Machine Learning and AI Engineering

اهداف دوره

  • آشنایی با مفاهیم بنیادین یادگیری ماشین، ریاضیات کاربردی آن و روش‌های یادگیری بانظارت، بدون‌نظارت و تقویتی

  • یادگیری طراحی و پیاده‌سازی شبکه‌های عصبی عمیق با پایتون و PyTorch

  • درک روش‌های بازنمایی و پردازش متن، شبکه‌های بازگشتی و مکانیزم توجه

  • آشنایی با ترنسفورمرها، مدل‌های زبانی بزرگ (LLMs) و ساخت چت‌بات با RAG و LangChain

  • یادگیری ساخت Agent هوشمند بر پایه‌ی پروتکل MCP

  • آشنایی با روش‌های بهینه‌سازی و استقرار مدل‌های زبانی (LLM Studio، vLLM، Ollama)

  • اجرای یک پروژه‌ی عملی برای جمع‌بندی و تثبیت مهارت‌های آموخته‌شده

مدرسین دوره

میرامید حاجی میرصادقی

میرامید حاجی میرصادقی

عضو هیأت علمی دانشکده علوم ریاضی دانشگاه صنعتی شریف و مدیرعامل شرکت سرچ‌وایز، دکترای ریاضی از دانشگاه پیر و ماری کوری (پاریس) و دانشگاه صنعتی شریف، سابقه فعالیت پژوهشی در دانشگاه تگزاس در آوستین، مشاور علوم داده در اسنپ‌پی و دیجی‌کالا

کاوه مهدویانی

کاوه مهدویانی

پژوهشگر و متخصص یادگیری ماشین در شرکت آمازون، استادیار سابق گروه علوم کامپیوتر در دانشگاه تورنتو کانادا، سابقه همکاری با Bell Labs در آلمان و دانشگاه آلبرتا، دکترای مهندسی برق و کامپیوتر از دانشگاه تورنتو

بهنام بهین آئین

بهنام بهین آئین

پژوهشگر و متخصص داده‌کاوی و یادگیری ماشین در شرکت Insight Data Science، دکترای مهندسی برق و کامپیوتر از دانشگاه کویینز کانادا

زهرا نریمانی

زهرا نریمانی

استادیار علوم کامپیوتر در دانشگاه تحصیلات تکمیلی علوم پایه زنجان، پژوهشگر حوزه هوش مصنوعی و یادگیری ماشین، سابقه فعالیت پژوهشی در دانشگاه بن آلمان ، مدیر سابق پروژه نرم‌افزار و تحلیل داده در شرکت ایمن رایانه شرق (IRS)

سعید مجیدی

سعید مجیدی

متخصص یادگیری ماشین، پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ در گروه صنعتی انتخاب و شرکت پردازش و تحلیل داده دقیقه، دکترای علوم کامپیوتر با گرایش یادگیری ماشین و پردازش زبان از دانشگاه تافتس آمریکا

مژگان سعیدی

مژگان سعیدی

پژوهشگر و متخصص یادگیری ماشین، پردازش زبان‌های طبیعی و مدل‌های یادگیری عمیق در دانشگاه استنفورد

محمدعلی قرائت

محمدعلی قرائت

مهندس ارشد یادگیری ماشین، پردازش زبان طبیعی (NLP) و هوش مصنوعی در شرکت همکاران سیستم، کارشناسی ارشد علوم کامپیوتر از دانشگاه آلبرتا کانادا، توسعه‌دهنده راهکارهای مبتنی بر داده، مدل‌های یادگیری ماشین و فناوری‌های مرتبط با زبان

پشتیبان‌ دوره

ساجده فدائی

ساجده فدائی

دانش‌آموخته‌ بیوانفورماتیک‌ از‌ دانشکده‌ مهندسی‌ کامپیوتر‌ دانشگاه‌ صنعتی‌ شریف‌، مسئول‌یادگیری‌سازمانی‌ و‌ پشتیبانی‌ آموزشی‌ در‌ مدرسه‌ دقیقه

مخاطبین

  • دانشجویان
  • پژوهشگران
  • تحلیلگران داده 
  • مهندسین یادگیری ماشین
  • متخصصین علوم داده
  • مهندسین داده
  • برنامه‌نویسان و توسعه‌دهندگان نرم‌افزار
  • سایر علاقه‌مندان هوش مصنوعی و یادگیری عمیق

پیش‌نیازها

  • آشنایی و تجربه کار با پایتون
  • آشنایی با مبانی یادگیری ماشین
  • آشنایی و تجربه کار با کتابخانه‌ numpy 
  • آشنایی اولیه با کتابخانه scikit-learn

تقویم آموزشی

سرفصلعنوانمدرستاریخ
۱ – مبانی یادگیری ماشین‌ و ریاضیات هوش مصنوعینقشه راه یادگیری در طول دوره: بایدها و نبایدها برای کسب بهترین بازدهی در دوره مبانی و مفاهیم یادگیری ماشین، آشنایی با کتابخانه scikit-learnسعید مجیدی

سه‌شنبه

17 شهریور ۱۴۰۵

ریاضیات یادگیری ماشین در پایتون: مشتق‌گیری و بهینه‌یابی، جبر خطیکاوه مهدویانیشنبه
۲۱ شهریور ۱۴۰۵
کارگاه مرور و حل تمرینساجده فدائیسه‌شنبه
۲۴ شهریور ۱۴۰۵
۲- یادگیری بانظارترگرسیون خطی، رگرسیون لجستیکسعید مجیدی

شنبه

۲۸ شهریور ۱۴۰۵

نزدیک ترین k-همسایه – مباحث عملی در یادگیری ماشین ( ماتریس درهم‌ریختگی و امتیاز F1)سعید مجیدیسه‌شنبه
۳۱ شهریور ۱۴۰۵
کارگاه مرور و حل تمرینساجده فدائی

شنبه

۴ مهر ۱۴۰۵

درخت تصمیم و یادگیری جمعیسعید مجیدی

سه‌شنبه

۷ مهر ۱۴۰۵

کارگاه مرور و حل تمرینساجده فدائی

شنبه

۱۱ مهر ۱۴۰۵

––

سه‌شنبه

۱۴ مهر ۱۴۰۵

۳ – یادگیری بدون نظارت و یادگیری تقویتییادگیری بدون نظارت، خوشه‌بندی، تحلیل مولفه اصلی و کاهش ابعاد دادهزهرا نریمانی

شنبه

۱۸ مهر ۱۴۰۵

مقدمه‌ای بر یادگیری تقویتیمژگان سعیدی

سه‌شنبه

۲۱ مهر ۱۴۰۵

کاربردهای یادگیری تقویتیمژگان سعیدی

شنبه

۲۵ مهر ۱۴۰۵

کارگاه مرور و حل تمرینساجده فدائی

سه‌شنبه

۲۸ مهر ۱۴۰۵

۴- یادگیری عمیق و پردازش زبان‌های طبیعیمبانی شبکه‌های عصبی و یادگیری عمیقبهنام بهین آئین

شنبه

۲ آبان ۱۴۰۵

––

سه‌شنبه

۵ آبان ۱۴۰۵

کارگاه آشنایی با کتابخانه PyTorchبهنام بهین آئین

شنبه

۹ آبان ۱۴۰۵

مقدمه‌ای بر نگاشت داده‌ها در فضاهای برداری (Embbeding)
روش‌های تبدیل متن به بردار Bag of Words, TF-IDF و Word Embedding، معرفی شبکه‌های Sequence-to-Sequence		سعید مجیدی

سه‌شنبه

۱۲ آبان ۱۴۰۵

شبکه‌های عصبی بازگشتی (Recurrent NN) (LSTM, GRU)سعید مجیدی

شنبه

۱۶ آبان ۱۴۰۵

کارگاه مرور و حل تمرینسعید مجیدی

سه‌شنبه

۱۹ آبان ۱۴۰۵

۵ – مدلهای زبانی بزرگ و هوش مصنوعی مولدترنسفورمرها و مکانیزم توجه (Atention Mechanism) و مدلهای زبانی بزرگکاوه مهدویانی

شنبه

۳۰ آبان ۱۴۰۵

مکانیزم RAG، تکنیک های پرامپت نویسی و بهبود عملکرد چت بات RAG، دیتابیس های وکتورمحمدعلی قرائت

سه‌شنبه

۳ آذر ۱۴۰۵

تولید چت بات با LangChainمحمدعلی قرائت

شنبه

۷ آذر ۱۴۰۵

تولید Agent و آموزش ساخت ابزار بر اساس پروتکل MCPمحمدعلی قرائت

سه‌شنبه

۱۰ آذر ۱۴۰۵

کارگاه مرور و حل تمرینمحمدعلی قرائت

شنبه

۱۴ آذر ۱۴۰۵

۶ – استقرار و بهینه‌سازی––

سه‌شنبه

۱۷ آذر ۱۴۰۵

روش های بهینه سازی مدل های زبانی (optimisation) و روش های بارگذاری محلی مدل های زبانی (llm studio, vllm , ollama)محمدعلی قرائت

شنبه

۲۱ آذر ۱۴۰۵

استقرار بهینه یک مدل زبانی در عمل و بنچمارکینگ و ارزیابی پس از استقرار مدل های زبانیمحمدعلی قرائت

سه‌شنبه

۲۴ آذر ۱۴۰۵

کارگاه مرور و حل تمرینمحمدعلی قرائت

شنبه

۲۸ آذر ۱۴۰۵

۷ – کارگاهبررسی نمونه‌های کاربردی در کسب‌وکار

میرامید

حاجی میرصادقی

سه‌شنبه

۱ دی ۱۴۰۵

۸ – پروژه پایانیمعرفی پروژه پایانی–اعلام خواهد شد

اطلاعات برگزاری

  • شروع دوره: 17 شهریور ۱۴۰۵
  • زمان‌ برگزاری: شنبه‌ها و سه‌شنبه‌ها ۱۸:۰۰ تا ۲۱:۲۰
  • طول دوره: ۱۵ هفته، ۵۰ ساعت (آموزش)، ۳۰ ساعت (حل تمرین و کارگاه)
  • مهلت تحویل پروژه پایانی: دی ۱۴۰۵
  • تحویل گواهی پایانی: دی ۱۴۰۵
  • شیوه برگزاری: آنلاین 

نظر شرکت‌کننده‌های دوره‌های پیشین

0:00 / 0:00

ثبت نام

فرم درخواست پذیرش

بستر برگزاری

Google_Meet.svg

پرسش‌های متداول

بله، ویدئوی ضبط‌شده چند ساعت پس از اتمام هر جلسه در اختیار شرکت‌کنندگان قرار خواهد گرفت.

بله، قبل و بعد از هر جلسه، لینک درسنامه‌، تمرین، اسلاید، کد پایتون، ویدئوهای تکمیلی و منابع بیشتر در دسترس شرکت‌کنندگان قرار خواهد گرفت.

شرکت‌کنندگان هر هفته یک ساعت با پشتیبان آموزشی خود جلسه آنلاین خواهند داشت تا اگر بخشی از درس‌ها برایشان مبهم است یا اگر در بعضی از تمرین‌ها نیاز به راهنمایی دارند با پشتیبان آموزشی خود مطرح کنند.

در هفته 6 ساعت کلاس خواهد داشت و 1 ساعت جلسه پشتیبانی، علاوه بر این لازم است به طور متوسط 8 تا 12 ساعت در هفته برای بازبینی فیلم کلاس و اسلاید درس‌ها، مطالعه منابع تکمیلی و حل تمرین‌ها وقت بگذارید.

شرکت‌کنندگان باید پیش از ثبت‌نام، آشنایی و تجربه کار با زبان برنامه‌نویسی پایتون، مبانی یادگیری ماشین و کتابخانه‌های Numpy وscikit-learn  داشته باشند، چرا که بخش عملی دوره بر پایه این مفاهیم پیش می‌رود.

بله می‌توانید. در دوره‌های قبلی نیز شرکت‌کنندگان فعالی از رشته‌های علوم انسانی و تجربی در دوره حضور داشتند.

امتیاز تمرین‌ها و نمره پروژه تنها در گواهی پایانی نخواهد آمد و تنها در کارنامه عملکرد درج خواهد شد. کارنامه عملکرد شرکت‌کنندگان و رتبه ایشان در دوره، در صورت تمایل ایشان برای شرکت‌ها و سازمان‌های علاقه‌مند به استخدام ارسال خواهد شد.    

تمامی شرکت‌کنندگان، مدرسین و پشتیبانان دوره عضو یک گروه مجازی خواهند بود و امکان برقراری ارتباط از آن طریق وجود خواهد داشت. در جلسات پشتیبانی و پروژه پایانی که به صورت گروهی انجام می‌شود نیز فرصت آشنایی با دیگران و تمرین کار تیمی وجود خواهد داشت. علاوه بر این موارد، در رویداد پایانی که به صورت حضوری برگزار می‌شود فرصت ایجاد ارتباط و آشنایی با افراد دارای علائق حرفه‌ای مشابه را خواهید داشت.   

حضور در این دوره اشتغال شرکت‌کنندگان را تضمین نخواهد کرد، اما در صورت تمایل رزومه شما همراه با کارنامه‌ عملکردتان در دوره برای شرکت‌هایی که در حوزه علوم داده و هوش مصنوعی اعلام نیاز کنند، ارسال می‌شود. تعدادی از این شرکت‌ها نیازهای خود را در وبینارهای دوره تشریح خواهند کرد. به عبارت دیگر شرکت فعال در دوره می‌تواند شانس اشتغال شما را در این حوزه افزایش دهد.

این دوره پیشتر با عنوان دوره آموزشی تحلیل داده با R با در سال 1402 برگزار شده است. در دوره جدید مباحث تحلیل عاملی، تحلیل بقا، استفاده از رویکرد شبکه در تحلیل داده به عنوان موضوعاتِ محوری در تحولات اخیر هوش مصنوعی به آن اضافه شده و به همین خاطر از عبارت «هوش مصنوعی» در عنوان دوره نیز استفاده شده است.
علاوه بر این، تعداد موضوعات آماری دوره مانند آزمون‌های فرض، A/B Test و تحلیل رگرسیون افزایش یافته و دو کارگاه تحت عنوان کارگاه حل مسأله و کدنویسی با پرامپت‌نویسی برای هوش مصنوعی و کارگاه مدیریت نسخه و کار گروهی با git به آن اضافه شده است.
تغییر مهم دیگر وبینارهای شناسایی فرصت‌های شغلی که اگرچه به صورت عمومی برگزار می‌شود اما شرکت‌کنندگان دوره این فرصت ویژه را خواهند داشت تا پس از آشنایی با ساختار مشاغل علوم داده و هوش مصنوعی در شرکت‌ها و سازمان‌ها با ارائه کارنامه عملکرد خود در دوره برای آن‌ها اقدام کنند.

به تمامی کسانی که تا پایان دوره در جلسات شرکت می‌کنند، گواهی حضور و به کسانی اغلب تمرین‌ها و پروژه‌ پایانی خود را تحویل می‌دهند، گواهی موفقیت اهدا خواهد شد. گواهی به صورت کاغذی صادر می‌شود و علاوه بر پست نسخه فیزیکی، نسخه الکترونیک آن نیز در قالب pdf برای شرکت‌کنندگان ارسال خواهد شد. گواهی به صورت دوزبانه صادر خواهد شد و بررسی اصالت آن از درگاه زیر امکان‌پذیر است:

pedu.sharif.edu/certificate

تصویر یک نمونه گواهی حضور و موفقیت در ادامه آمده است.

certificates fa | دوره جامع یادگیری ماشین و مهندسی هوش مصنوعی دانشگاه صنعتی شریف Certificates | دوره جامع یادگیری ماشین و مهندسی هوش مصنوعی دانشگاه صنعتی شریف

برگزارکننده

sharif logo 1 | دوره جامع یادگیری ماشین و مهندسی هوش مصنوعی دانشگاه صنعتی شریف
مرکز آموزش‌های تخصصی دانشگاه صنعتی شریف (دانشکده علوم ریاضی)
برای شرکت در دوره از طریق فرم درخواست پذیرش در لینک زیر اقدام کنید:
ثبت‌نام

دسترسی به محتوای اختصاصی

برای دسترسی به محتوای اختصاصی رویداد لطفا کدی را که در اختیار شما قرار گرفته را وارد کنید و بقیه مراحل را طی کنید.

The post دوره جامع یادگیری ماشین و مهندسی هوش مصنوعی دانشگاه صنعتی شریف appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> https://d-learn.ir/mlai05/feed/ 0 مستند «پایتون؛ داستان پیدایش» +زیرنویس فارسی https://d-learn.ir/p/python-origin-story/ https://d-learn.ir/p/python-origin-story/#respond Wed, 01 Oct 2025 09:06:01 +0000 https://d-learn.ir/?p=90049 این مستند به بررسی جامع و تخصصی ریشه‌ها و مسیر تکاملی زبان برنامه‌نویسی پایتون می‌پردازد. داستان از دهه ۱۹۸۰ در آمستردام و در مرکز تحقیقات هلندی CWI آغاز می‌شود. گیدو فان روسوم، خالق پایتون، در طول کار بر روی پروژه سیستم عامل Amoeba و با الهام از اصول آموخته شده در پروژه شکست‌خورده ABC، نیاز […]

The post مستند «پایتون؛ داستان پیدایش» +زیرنویس فارسی appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> این مستند به بررسی جامع و تخصصی ریشه‌ها و مسیر تکاملی زبان برنامه‌نویسی پایتون می‌پردازد. داستان از دهه ۱۹۸۰ در آمستردام و در مرکز تحقیقات هلندی CWI آغاز می‌شود. گیدو فان روسوم، خالق پایتون، در طول کار بر روی پروژه سیستم عامل Amoeba و با الهام از اصول آموخته شده در پروژه شکست‌خورده ABC، نیاز به زبانی را تشخیص داد که شکاف بین زبان‌های سطح پایین مانند C و اسکریپت‌های شل را پر کند. هدف اولیه، طراحی زبانی بود که هم کاربری آن آسان باشد و هم یادگیری آن برای مبتدیان، بدون درگیر شدن در جزئیات سخت‌افزاری، میسر گردد. یکی از بارزترین ویژگی‌های پایتون که از ABC به ارث رسیده است، استفاده از تورفتگی برای گروه‌بندی دستورات است. در آن زمان، هزینه‌ی کامپیوترها بسیار بالا و هزینه‌ی برنامه‌نویسان ارزان بود، لذا زبان‌های برنامه‌نویسی عمدتاً برای بهینه‌سازی منابع کامپیوتری طراحی می‌شدند، نه سهولت برنامه‌نویسی.

مستند را با زیرنویس فارسی مدرسه دقیقه می‌توانید اینجا ببینید:

در مورد مستند

محتوای این مستند شامل مصاحبه‌هایی کلیدی با شخص گیدو فان روسوم، و دیگر بازیگران اصلی در مسیر توسعه و اجتماع پایتون است. از جمله افراد برجسته حاضر در مستند می‌توان به لمبرت میرتنز (که بر توسعه ABC نظارت داشت و نام Python را پیشنهاد کرد)، بری ورشو، درو هیستون (یکی از بنیان‌گذاران دراپ‌باکس که از پایتون در مراحل اولیه استفاده کرد)، و ماریاتا (از اولین توسعه‌دهندگان زن اصلی پایتون) اشاره کرد. این روایت، چگونگی رشد پایتون از یک پروژه جانبی در CWI به یک حرکت جهانی متن‌باز را دنبال می‌کند؛ حرکتی که با توزیع اولیه از طریق Usenet و سپس از طریق کانال‌های ایمیلی و FTP در دهه‌ی ۱۹۹۰ آغاز شد.

این مستند نشان می‌دهد که چگونه پایتون به دلیل خوانایی بالا و سازگاری با نیازهای جامعه علمی و مهندسی، به سرعت رشد کرد. این زبان به بستری حیاتی برای ظهور «علم داده» تبدیل شد. تلاش‌های شرکت‌هایی مانند Continuum Analytics (که بعدها به Anaconda تغییر نام داد) نقش مهمی در این موفقیت ایفا کرد؛ زیرا آن‌ها توزیعی از پایتون را ایجاد کردند که نصب ماژول‌های پیچیده علمی مانند NumPy و Pandas (که معمولاً توسط کدهای C++ یا Fortran پشتیبانی می‌شوند) را ساده‌سازی کرد. این توزیع Anaconda به یک استاندارد غیررسمی برای کاربران علم داده پایتون تبدیل شد. در حال حاضر، پایتون برای هوش مصنوعی و یادگیری ماشین (AI/ML) بسیار مهم تلقی می‌شود و دارای اکوسیستمی با قرن‌ها زمان مهندسی صرف شده در کتابخانه‌هایی مانند SciPy، NumPy، Numba، و Pandas است.

بخش قابل توجهی از مستند به فرهنگ و حاکمیت جامعه پایتون اختصاص دارد. پایتون حس شوخ‌طبعی و جامعه‌محوری خود را از نامش (با تأثیر از مانتی پایتون) و اصول فکری «ذن پایتون» (Zen of Python) که تیم پیترز آن را به شعر درآورد، گرفت. گیدو فان روسوم به عنوان «دیکتاتور خیرخواه مادام‌العمر» (BDFL)، نقش تصمیم‌گیرنده نهایی را در پذیرش یا رد ایده‌های جدید از طریق فرآیند PEP (Python Enhancement Proposal) ایفا می‌کرد. مستند به طور کامل به چالش‌های عظیم گذار از پایتون ۲ به پایتون ۳ که یک دهه به طول انجامید، می‌پردازد. این تصمیم که برخی آن را «از بالا به پایین» تلقی کردند، و تغییرات ساختاری بزرگی مانند مدیریت Unicode/Strings، در ابتدا با مقاومت جامعه‌ای مواجه شد که پایگاه‌های کد عظیمی را بر روی Python 2 داشت. در نهایت، معرفی ویژگی‌های جدید در نسخه‌های ۳.۴ و ۳.۵ و نیاز به امنیت (پس از توقف پشتیبانی از ۲.۷) مسیر پذیرش جهانی پایتون ۳ را هموار کرد. همچنین، مستند به عملگر والروس یا PEP 572 اشاره می‌کند که به دلیل بحث‌های شدید در مورد تغییر سینتکس زبان، منجر به استعفای گیدو فان روسوم از مقام BDFL شد. این واقعه، نقطه عطفی بود که حاکمیت پایتون را به سمت شورای راهبری (Steering Council) پنج نفره تغییر داد.

تلاش‌های جامعه برای افزایش تنوع، از جمله افزایش حضور زنان در کنفرانس‌های PyCon و نقش سازمان‌هایی مانند PyLadies، بخش دیگری از مستند است. این اقدامات، الهام گرفته از تلاش آگاهانه گیدو برای جذب حداقل دو توسعه‌دهنده زن اصلی بود. در پی این فراخوان، ماریاتا به عنوان یکی از اولین زنان توسعه‌دهنده اصلی پایتون معرفی شد. در نهایت، مستند تأکید می‌کند که پایتون توانسته است برنامه‌نویسی را برای افراد بیشتری در دسترس قرار دهد و علی‌رغم قدمت، همچنان یک زبان پویا و مرتبط در آینده محاسبات باقی خواهد ماند.

همچنین می‌توانید مستند را در یوتیوب CultRepo ببینید.

The post مستند «پایتون؛ داستان پیدایش» +زیرنویس فارسی appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> https://d-learn.ir/p/python-origin-story/feed/ 0 آموزش مقدماتی علوم داده و هوش مصنوعی با پایتون دانشگاه صنعتی شریف https://d-learn.ir/pyds/ https://d-learn.ir/pyds/#comments Wed, 21 May 2025 07:24:00 +0000 https://d-learn.ir/?p=19199 تاریخ شروع: ۴ مرداد ۱۴۰۴

The post آموزش مقدماتی علوم داده و هوش مصنوعی با پایتون دانشگاه صنعتی شریف appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]>

رویکرد آموزشی این دوره

این رویداد آموزشی برای افراد علاقه‌مندی طراحی شده که می‌خواهند وارد بازار کار علوم داده و هوش مصنوعی شوند یا از آن در کار و تحقیقات خود استفاده کنند، اما پیش‌زمینه‌ای در شاخه‌های مختلف آن مانند برنامه‌نویسی، آمار و یادگیری ماشین ندارند.

محتوای این دورۀ آموزشی با رویکردی کارگاهی طراحی شده تا شرکت‌کنندگان مفاهیم و روش‌هایی که یاد می‌گیرند را با حل مسئله و تمرین به کار بگیرند و در مسائل واقعی از آن‌ها‌ استفاده کنند.

ابزار اصلی در این دوره آموزشی، پایتون است. این ابزار از ابتدای دوره به طور کامل آموزش داده خواهد شد و در بسیاری از موضوعات مانند ریاضیاتِ هوش مصنوعی و الگوریتم‌های یادگیری ماشین مورد استفاده قرار خواهد گرفت تا درک مفاهیم انتزاعی را آسان و ملموس‌ کند.

در این دوره علاوه بر حل مسأله و تمرین در طول دوره در هر یک از موضوعات، یک پروژه گروهی نیز در پایان ارائه خواهد شد تا با انجام آن آموخته‌های خود را به صورت جدی‌تری محک بزنید.

در طول دوره جلسات حل تمرین و رفع اشکال به صورت مستمر برگزار خواهد شد تا مسائل و مشکلات خود را با پشتیبان‌های آموزشی مطرح کنید.

اگر دنبال یک دوره آموزشی با تمرین و چالش و حل مسئله برای یادگیری علوم داده و هوش مصنوعی هستید، این دوره آموزشی برای شماست!

عناوین دوره

  • آشنایی با تفکر الگوریتمی و کد‌نویسی در پایتون (بدون پیش‌نیاز)
  • آشنایی و تمرین پردازش، مصورسازی و تحلیل داده در پایتون
  • کارگاه استفاده از علوم ریاضی و آمار در علوم داده و هوش مصنوعی
  • آشنایی با مبانی و روش‌های داده‌کاوی یادگیری ماشین
  • مبانی شبکه‌های عصبی و یادگیری عمیق
  • آشنایی با تکنیک‌های پردازش زبان‌های طبیعی
  • آشنایی با معماری مدل‌های زبانی بزرگ و تحولات هوش مصنوعی
  • مقدمه‌ای بر یادگیــری تقویتــی و نقش آن در هوش مصنوعی
  • پروژه پایانی و رویداد حضوری

مدرسان

میرامید حاجی‌میرصادقی

میرامید حاجی‌میرصادقی

عضو هیأت علمی دانشکده علوم ریاضی دانشگاه صنعتی شریف و مدیرعامل شرکت سرچ‌وایز، دکترای ریاضی از دانشگاه پیر و ماری کوری (پاریس) و دانشگاه صنعتی شریف، سابقه فعالیت پژوهشی در دانشگاه تگزاس در آوستین، مشاور علوم داده در اسنپ‌پی و دیجی‌کالا

علیرضا کدیور

علیرضا کدیور

هم‌بنیان‌گذار شرکت پردازش و تحلیل داده دقیقه، کارشناسی ارشد آمار و تحقیق در عملیات از دانشگاه اسکس انگلستان، مدرس مدعو مبانی برنامه‌نویسی و آمار در دانشگاه صنعتی شریف  

سعید مجیدی

سعید مجیدی

هم‌بنیان‌گذار شرکت پردازش و تحلیل داده دقیقه، کارشناسی ارشد آمار و تحقیق در عملیات از دانشگاه اسکس انگلستان، مدرس مدعو مبانی برنامه‌نویسی و آمار در دانشگاه صنعتی شریف  

حمیده حسین زاده

حمیده حسین زاده

تحلیلگر داده و مدیر محصول در شرکت سرچ‌وایز، دکترای علوم ریاضی از دانشگاه الزهرا، محقق پسادکتری علوم داده در دانشگاه بهشتی و سابقه فعالیت تحقیقاتی در دانشگاه واترلوی کانادا

حسام محمدحسینی

حسام محمدحسینی

مدیر ارشد مهندسی داده و پلتفرم مدیریت ارزش مشتری در ایرانسل، سابقه مدیریت محصول در پلتفرم کلان‌داده دیجی‌کالا؛ کارشناسی ارشد مخابرات سیستم از دانشگاه تربیت مدرس

مژگان سعیدی

مژگان سعیدی

: پژوهشگر یادگیری ماشین و علوم زیستی در دانشگاه استنفورد و موسسه تحقیقاتی گلادستون، متخصص پردازش زبان‌های طبیعی، یادگیری عمیق و به‌کارگیری آمار در ژنتیک

شمیم طاهری

شمیم طاهری

مدیر تحلیل داده در کارگزاری مفید، مدیر سابق قیمت‌گذاری تپسی و تحلیلگر داده سابق دیوار، دانش‌آموخته مهندسی کامپیوتر و اقتصاد از دانشگاه‌های تهران، شریف و مدرسه اقتصاد لندن، مدرس مدعو دانشگاه تهران

پشتیبان‌های دوره

ساجده فدایی

ساجده فدایی

دانش‌آموخته‌ بیوانفورماتیک‌ از‌ دانشکده‌ مهندسی‌ کامپیوتر‌ دانشگاه‌ صنعتی‌ شریف‌، مسئول‌یادگیری‌سازمانی‌ و‌ پشتیبانی‌
آموزشی‌ در‌ مدرسه‌ دقیقه

هیوا ابوالهادی‌زاده

هیوا ابوالهادی‌زاده

دانش‌آموخته مهندسی کامپیوتر در دانشگاه شهید باهنر کرمان، دستیار پژوهشی پژوهشگاه دانش‌های بنیادی

عماد آرزومند

عماد آرزومند

دانشـــجوی دکترای هوش مصنوعی دانشگاه صنعتی اصفهان، کارشناس هوش تجاری و علوم داده در گروه صنعتی انتخاب

حسین آقامحمدی

حسین آقامحمدی

دانش‌آموخته مهندسی کامپیوتر، در دانشگاه صنعتی شریف، مدرس علوم کامپیوتر

مرجان چاپی

مرجان چاپی

دانش آموخته ژنتیک در دانشگاه علوم پزشکی شهید بهشتی، پژوهشگر ژنتیک رفتار-اختلالات ارتباطی

برنامه آموزشی

سرفصلعنوانتاریختاریخ جدید
۱ – تفکر الگوریتمی و برنامه‌نویسی با پایتون
معرفی دوره، مقدمه‌ای درباره کامپیوتر، تفکر محاسباتی، علوم داده و هوش مصنوعی، نصب پایتون و مقدمه‌ای درباره برنامه‌‌نویسی، مقدارها و عملگرهای پایه در پایتونعلیرضا کدیور۴ مرداد ۱۴۰۴
توابع پیش‌ساخته و توابع جدید، شرط و حلقۀ تکرار، آشنایی با تحلیل و طراحی الگوریتم، آزمون و خطا برای پیدا کردن ریشه‌هاعلیرضا کدیور۷ مرداد ۱۴۰۴
متغیرهای پیمایش‌پذیر: رشته، لیست، چندتایی، مجموعهعلیرضا کدیور۱۱ مرداد ۱۴۰۴
فرصت‌های شغلی داده در شرکت‌ها و سازمان‌هاوبینار ۱اعلام خواهد شداعلام خواهد شد
۲ – پردازش و مصورسازی داده
دیکشنری و رویکرد پیمانه‌ای در برنامه‌نویسی و طراحی سیستم، استفاده از کتابخانه، تولید اعداد تصادفی با کتابخانه random و شبیه‌سازی مونت‌کارلو، محاسبات برداری و ماتریسی با استفاده از کتابخانه numpy، آشنایی با توابع مصورسازی داده در کتابخانه matplotlibعلیرضا کدیور۱۴ مرداد ۱۴۰۴
پردازش و تحلیل جداول داده با کتابخانه pandasحسام محمدحسینی۱۸ مرداد ۱۴۰۴
ادامه پردازش داده با pandas، پردازش عبارات قاعده‌مند (regular expressions) در پایتونحسام محمدحسینی۲۱ مرداد ۱۴۰۴
کارگاه حل مسئله و کدنویسی با پرامپت‌نویسی برای هوش مصنوعی مولدحسام محمدحسینی۲۵ مرداد ۱۴۰۴
فرصت‌های شغلی داده در شرکت‌ها و سازمان‌هاوبینار ۲اعلام خواهد شداعلام خواهد شد
۳ – کاربردهای آمار و ریاضیات در علوم داده
آشنایی با مفاهیم آماری پایه، p-value، آزمون فرض و تحلیل رگرسیونعلیرضا کدیور۲۸ مرداد ۱۴۰۴
ریاضیات علوم داده در پایتون: مشتق‌گیری و بهینه‌یابی، جبر خطی و کاربردهای آنحمیده حسین زاده۴ شهریور ۱۴۰۴
تمرین و رفع اشکال (۳)حمیده حسین زاده۸ شهریور ۱۴۰۴
آشنایی با A/B test؛
بررسی نمونه های واقعی از کاربرد تحلیل داده در کسب‌و‌کار و اقتصاد		شمیم طاهری۱۱ شهریور ۱۴۰۴
فرصت‌های شغلی داده در شرکت‌ها و سازمان‌هاوبینار ۳اعلام خواهد شداعلام خواهد شد
۴ – داده‌کاوی و یادگیری ماشین
مبانی و مفاهیم یادگیری ماشین، آشنایی با کتابخانه scikit-learnسعید مجیدی۱۵ شهریور ۱۴۰۴
مدل‌های رگرسیونسعید مجیدی۱۸ شهریور ۱۴۰۴
خوشه بندی و کاهش ابعاد دادهحمیده حسین‌زاده۲۲ شهریور ۱۴۰۴
رگرسیون لجستیک، ماتریس درهم‌ریختگی و امتیاز F1سعید مجیدیشنبه ۲۹ شهریور ۱۴۰۴
درخت تصمیم، نزدیک ترین k-همسایه، بردار پشتیبان و بیز ساده، یادگیری جمعیسعید مجیدیشنبه ۵ مهر ۱۴۰۴
مبانی شبکه‌های عصبی و یادگیری عمیقسعید مجیدیشنبه
۱۲ مهر ۱۴۰۴
فرصت‌های شغلی داده در شرکت‌ها و سازمان‌هاوبینار ۴اعلام خواهد شداعلام خواهد شد
5 – مقدمه‌ای بر هوش مصنوعی و مدل‌های زبانی بزرگ
تحول هوش مصنوعی با یادگیری ماشین و شبکه‌های عصبی عمیق
روش‌های تبدیل متن به بردار Bag of Words, TF-IDF و Word Embedding، معرفی شبکه‌های Sequence-to-Sequence		سعید مجیدیشنبه
۱۹ مهر ۱۴۰۴
آشنایی با مدل‌های زبانی بزرگ، معرفی معماری Transformers و مکانیزم Attentionسعید مجیدیشنبه
۲۶ مهر ۱۴۰۴
آموزش مدل با پیکره‌های متنی و Fine-tuning مدل‌های زبانی، رفع اشکال اولیه پروژه پایانیسعید مجیدیشنبه
۳ آبان ۱۴۰۴
 ترنسفورمر و مدل‌های زبانی سعید مجیدی

 سه‌شنبه
6 آبان 1404

مقدمه‌ای بر یادگیری تقویتی و کاربردهای آن در مدل‌های زبانیمژگان سعیدیشنبه
۱۰ آبان ۱۴۰۴
کارگاهوبینار مدیریت نسخه‌های برنامه (git)اعلام خواهد شداعلام خواهد شد
رویداد پایان دورهسخنرانی، گفتگوی جمعی و رفع اشکال پروژه پایانی (حضوری و آنلاین)اعلام خواهد شداعلام خواهد شد
machin learning 3 | آموزش مقدماتی علوم داده و هوش مصنوعی با پایتون دانشگاه صنعتی شریف

اطلاعات برگزاری

  • شروع دوره: ۴ مرداد 1404
  • زمان‌ برگزاری: شنبه‌ها و سه‌شنبه‌ها 18:00 تا 21:15
  • پایان دوره:  ۳۰ مهر 1404
  • مهلت تحویل پروژه پایانی: نیمه آبان 1404
  • تحویل گواهی پایانی: دی 1404
  • شیوه برگزاری: آنلاین + رویداد حضوری-آنلاین در پایان دوره در دانشگاه صنعتی شریف (اعلام خواهد شد)

پرسش‌های متداول

بله، ویدئوی ضبط‌شده چند ساعت پس از اتمام هر جلسه در اختیار شرکت‌کنندگان قرار خواهد گرفت.

بله، قبل و بعد از هر جلسه، لینک درسنامه‌، تمرین، اسلاید، کد پایتون، ویدئوهای تکمیلی و منابع بیشتر در دسترس شرکت‌کنندگان قرار خواهد گرفت.

شرکت‌کنندگان هر هفته یک ساعت با پشتیبان آموزشی خود جلسه آنلاین خواهند داشت تا اگر بخشی از درس‌ها برایشان مبهم است یا اگر در بعضی از تمرین‌ها نیاز به راهنمایی دارند با پشتیبان آموزشی خود مطرح کنند.

در هفته 6 ساعت کلاس خواهد داشت و 1 ساعت جلسه پشتیبانی، علاوه بر این لازم است به طور متوسط 8 تا 12 ساعت در هفته برای بازبینی فیلم کلاس و اسلاید درس‌ها، مطالعه منابع تکمیلی و حل تمرین‌ها وقت بگذارید.

این دوره پیش‌نیازی فراتر از ریاضیات دبیرستانی ندارد. دسترسی به لپتاپ یا کامپیوتر شخصی برای پیاده‌سازی روش‌ها در پایتون لازم است. مهم‌ترین پیش‌نیاز شرکت در دوره اختصاص زمان کافی و تلاش است.

بله می‌توانید. در دوره‌های قبلی نیز شرکت‌کنندگان فعالی از رشته‌های علوم انسانی و تجربی در دوره حضور داشتند.

امتیاز تمرین‌ها و نمره پروژه تنها در گواهی پایانی نخواهد آمد و تنها در کارنامه عملکرد درج خواهد شد. کارنامه عملکرد شرکت‌کنندگان و رتبه ایشان در دوره، در صورت تمایل ایشان برای شرکت‌ها و سازمان‌های علاقه‌مند به استخدام ارسال خواهد شد.    

تمامی شرکت‌کنندگان، مدرسین و پشتیبانان دوره عضو یک گروه مجازی خواهند بود و امکان برقراری ارتباط از آن طریق وجود خواهد داشت. در جلسات پشتیبانی و پروژه پایانی که به صورت گروهی انجام می‌شود نیز فرصت آشنایی با دیگران و تمرین کار تیمی وجود خواهد داشت. علاوه بر این موارد، در رویداد پایانی که به صورت حضوری برگزار می‌شود فرصت ایجاد ارتباط و آشنایی با افراد دارای علائق حرفه‌ای مشابه را خواهید داشت.   

حضور در این دوره اشتغال شرکت‌کنندگان را تضمین نخواهد کرد، اما در صورت تمایل رزومه شما همراه با کارنامه‌ عملکردتان در دوره برای شرکت‌هایی که در حوزه علوم داده و هوش مصنوعی اعلام نیاز کنند، ارسال می‌شود. تعدادی از این شرکت‌ها نیازهای خود را در وبینارهای دوره تشریح خواهند کرد. به عبارت دیگر شرکت فعال در دوره می‌تواند شانس اشتغال شما را در این حوزه افزایش دهد.

به تمامی کسانی که تا پایان دوره در جلسات شرکت می‌کنند، گواهی حضور و به کسانی اغلب تمرین‌ها و پروژه‌ پایانی خود را تحویل می‌دهند، گواهی موفقیت اهدا خواهد شد. گواهی به صورت کاغذی صادر می‌شود و علاوه بر پست نسخه فیزیکی، نسخه الکترونیک آن نیز در قالب pdf برای شرکت‌کنندگان ارسال خواهد شد. گواهی به صورت دوزبانه صادر خواهد شد و بررسی اصالت آن از درگاه زیر امکان‌پذیر است:

pedu.sharif.edu/certificate

تصویر یک نمونه گواهی حضور و موفقیت در ادامه آمده است.

certificates fa | آموزش مقدماتی علوم داده و هوش مصنوعی با پایتون دانشگاه صنعتی شریف Certificates | آموزش مقدماتی علوم داده و هوش مصنوعی با پایتون دانشگاه صنعتی شریف

این دوره پیشتر با عنوان آموزش مقدماتی علوم داده با پایتون در سال 1402 و 1403 برگزار شده است. در دوره جدید مباحث پردازش زبان‌های طبیعی، مدل‌های زبانی بزرگ و یادگیری تقویتی به عنوان موضوعاتِ محوری در تحولات اخیر هوش مصنوعی به آن اضافه شده و به همین خاطر از عبارت «هوش مصنوعی» در عنوان دوره نیز استفاده شده است.

علاوه بر این، تعداد موضوعات آماری دوره مانند آزمون‌های فرض، A/B Test و تحلیل رگرسیون افزایش یافته و دو کارگاه تحت عنوان کارگاه حل مسأله و کدنویسی با پرامپت‌نویسی برای هوش مصنوعی و کارگاه مدیریت نسخه و کار گروهی با git به آن اضافه شده است. 

تغییر مهم دیگر وبینارهای شناسایی فرصت‌های شغلی که اگرچه به صورت عمومی برگزار می‌شود اما شرکت‌کنندگان دوره این فرصت ویژه را خواهند داشت تا پس از آشنایی با ساختار مشاغل علوم داده و هوش مصنوعی در شرکت‌ها و سازمان‌ها با ارائه کارنامه عملکرد خود در دوره برای آن‌ها اقدام کنند.

برگزارکننده

sharif logo 1 | آموزش مقدماتی علوم داده و هوش مصنوعی با پایتون دانشگاه صنعتی شریف
مرکز آموزش‌های تخصصی دانشگاه صنعتی شریف (دانشکده علوم ریاضی)

دسترسی به محتوای اختصاصی دوره

برای دسترسی به محتوای اختصاصی دوره لطفا کد ثبت نامی را که در اختیار شما قرار گرفته را وارد کنید و بقیه مراحل را طی کنید.

The form can be filled in the actual website url.

درخواست پذیرش در دوره‌

برای درخواست پذیرش در این دوره آموزشی به لینک زیر مراجعه کنید:

b2n.ir/pydsai_wbl

The post آموزش مقدماتی علوم داده و هوش مصنوعی با پایتون دانشگاه صنعتی شریف appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> https://d-learn.ir/pyds/feed/ 7 پانداس (Pandas) چیست؟ https://d-learn.ir/what-is-pandas/ https://d-learn.ir/what-is-pandas/#comments Sat, 08 Mar 2025 15:28:20 +0000 https://d-learn.ir/?p=77259 پانداس کتابخانه‌ متن‌باز پایتون است که با بیش از ۱۰۰ میلیون دانلود در ماه، محبوب‌ترین ابزار برای پردازش و تحلیل اکتشافی داده‌ها محسوب می‌شود. قابلیت خواندن و نوشتن در فرمت‌های متنوع، آن را به ابزاری قدرتمند و انعطاف‌پذیر برای متخصصان علوم داده تبدیل کرده است. همچنین، توابع پردازش داده‌ی آن، pandas را به ابزاری کاربردی […]

The post پانداس (Pandas) چیست؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]>

پانداس کتابخانه‌ متن‌باز پایتون است که با بیش از ۱۰۰ میلیون دانلود در ماه، محبوب‌ترین ابزار برای پردازش و تحلیل اکتشافی داده‌ها محسوب می‌شود. قابلیت خواندن و نوشتن در فرمت‌های متنوع، آن را به ابزاری قدرتمند و انعطاف‌پذیر برای متخصصان علوم داده تبدیل کرده است. همچنین، توابع پردازش داده‌ی آن، pandas را به ابزاری کاربردی برای تجمیع، تحلیل و پاک‌سازی داده‌ها تبدیل می‌کند. پانداس در واقع افزونه‌ای برای پردازش و دستکاری داده‌های جدولی در پایتون است که کارهایی مانند بارگذاری، هم‌ترازی، ادغام و تبدیل مجموعه‌داده‌ها را به طور کارآمد پیاده‌سازی می‌کند.

محبوبیت پانداس به عنوان یک ابزار تحلیل داده را می‌توان به تطبیق‌پذیری و عملکرد کارآمد آن نسبت داد. نام “Pandas” از عبارت “panel data” (داده‌های پانلی) گرفته شده است که به مجموعه‌ داده‌هایی اشاره دارد که چندین دوره زمانی را در بر می‌گیرند و بر تمرکز آن بر ساختارهای داده‌ایِ همه‌کاره  ایست که مدیریت مجموعه‌داده‌های واقعی را راحت می‌کند.

با پشتیبانی از انواع فرمت‌های ساختاریافته داده‌ها مانند جداول، ماتریس‌ها و سری‌های زمانی، پانداس ابزارهایی را برای پردازش مجموعه‌داده‌های نامرتب یا خام و تبدیل آن به فرمت‌های تمیز،  ساختاریافته و آماده برای تحلیل ارائه می‌دهد. برای دستیابی به عملکرد بالا، عملیات‌های محاسباتی سنگین با استفاده از C یا Cython در کد منبع پشتیبان پیاده‌سازی شده‌اند. همچنین کتابخانه پانداس با سایر ابزارهای علمی و کتابخانه‌های تحلیل داده پایتون ادغام می‌شود.

کتابخانه pandas به‌صورت ذاتی از چند رشته‌ای(multi-threading) پشتیبانی نمی‌کند، که این موضوع می‌تواند توانایی آن را در بهره‌گیری از پردازنده‌های چند هسته‌ای مدرن و پردازش مجموعه داده‌های بزرگ به‌طور کارآمد محدود کند. با این حال، کتابخانه‌ها و افزونه‌های جدید در اکوسیستم پایتون می‌توانند به رفع این محدودیت کمک کنند.

کتابخانه pandas با سایر ابزارهای علمی در اکوسیستم گسترده‌ی تحلیل داده در پایتون یکپارچه

دسترسی سریع

در هسته کتابخانه پانداس، ساختار داده‌ای DataFrame برای مدیریت داده‌های جدولی و آماری قرار دارد. DataFrame پانداس یک جدول دو بعدی و آرایه‌مانند است که هر ستون مقادیر یک متغیر خاص را نشان می‌دهد و هر ردیف مجموعه‌ای از مقادیر متناظر با آن متغیرها را در خود جای می‌دهد. داده‌های ذخیره شده در DataFrame می‌توانند شامل انواع عددی، دسته‌ای یا متنی باشند و پانداس را قادر می‌سازند تا مجموعه‌داده‌های متنوع را دستکاری و پردازش کند.

پانداس وارد کردن (import) و صادر کردن (Export) مجموعه‌داده‌ها را از قالب‌های مختلف فایل مانند CSV، SQL و صفحات گسترده تسهیل می‌کند. این عملیات، همراه با قابلیت‌های دستکاری داده آن، پانداس را قادر می‌سازد تا داده‌های جدولی و آماری را تمیز کند، آنها را به شکل و فرمت مورد نیاز درآورد و تحلیل کند.

در نهایت، DataFrame به عنوان ستون فقرات پانداس عمل می‌کند و کاربران را قادر می‌سازد تا مجموعه‌داده‌های ساختاریافته را به طور کارآمد مدیریت و تحلیل کنند، از وارد کردن و صادر کردن داده‌های خام گرفته تا انجام وظایف پیشرفته دستکاری داده برای یادگیری ماشین و فراتر از آن.

data frame | پانداس (Pandas) چیست؟

پانداس امکان وارد کردن و صادر کردن داده‌های جدولی را در قالب‌های مختلف مانند CSV، SQL و فایل‌های صفحه گسترده فراهم می‌کند.

  pandas tabular data | پانداس (Pandas) چیست؟

پانداس همچنین امکان انجام عملیات مختلف دستکاری داده و ویژگی‌های پاکسازی داده، از جمله انتخاب زیرمجموعه، ایجاد ستون‌های مشتق شده، مرتب‌سازی، پیوستن، پر کردن، جایگزینی، خلاصه  آماری و نمودارسازی را فراهم می‌کند.

pandas data manipulation | پانداس (Pandas) چیست؟

data manipulation plotting | پانداس (Pandas) چیست؟

به گفته  PyPI – مخزن پکیج‌های  پایتون – پانداس برای کار با انواع مختلف داده مناسب است، از جمله:

  • داده‌های جدولی با ستون‌های ناهمگن، مانند جدول SQL یا صفحه گسترده.
  • داده‌های سری زمانی مرتب و نامرتب (لزوماً با فرکانس ثابت).
  • داده‌های ماتریسی دلخواه (همگن یا ناهمگن) با برچسب‌های ردیف و ستون.
  • هر شکل دیگری از مجموعه‌داده‌های مشاهداتی/آماری. داده‌ها در واقع نیازی به برچسب‌گذاری ندارند تا در یک ساختار داده‌ای پانداس قرار گیرند.
panas | پانداس (Pandas) چیست؟

مزایای پانداس چیست؟

کتابخانه پانداس مزایای متعددی را برای متخصصان علوم داده و توسعه‌دهندگان ارائه می‌دهد و آن را به ابزاری ارزشمند برای تحلیل و دستکاری داده تبدیل می‌کند. مزایای کلیدی عبارتند از:

  • ساخته شده برای پایتون:  پایتون محبوب‌ترین زبان برنامه‌نویسی در حوزه یادگیری ماشین و علوم داده است.
  • کد کوتاه‌تر برای هر عملیات: کدهای نوشته‌شده با pandas نسبت به روش‌های سنتی کوتاه‌تر هستند و برای دستیابی به خروجی مطلوب، خطوط کمتری نیاز دارند.
  • طیف گسترده‌ای از ویژگی‌ها: این کتابخانه طیف وسیعی از اقدامات مختلف را پشتیبانی می‌کند، از تحلیل اکتشافی داده (EDA) گرفته تا مدیریت مقادیر گمشده، محاسبات آماری، مصورسازی داده‌های تک‌متغیره و دومتغیره و بسیاری موارد دیگر.
  • مدیریت داده‌های حجیم: pandas قادر است مجموعه داده‌های بزرگ را به‌راحتی پردازش کند. این کتابخانه بسته به قدرت سخت‌افزار، داده‌هایی با میلیون‌ها رکورد و صدها ستون را با سرعت و کارایی بالا مدیریت می‌کند.
 

ویژگی‌های کاربردی

می‌توان لیست بلندی از کاربردهای پانداس فهرست کرد. بخشی از این موارد در ادامه آمده است.

  • مدیریت داده‌های گمشده (NaN): پانداس کار با مجموعه‌داده‌های حاوی داده‌های گمشده، که به عنوان NaN نشان داده می‌شوند، چه داده‌ها عددی باشند و چه غیر عددی، را ساده می‌کند.
  • عملکرد GroupBy: پانداس عملیات GroupBy کارآمد را فراهم می‌کند و کاربران را قادر می‌سازد تا گردش‌های کاری تقسیم-اعمال-ترکیب را برای تجمیع و تبدیل داده انجام دهند.
  • تغییر اندازه DataFrame: ستون‌ها را می‌توان به DataFrame یا ساختارهای داده‌ای با ابعاد بالاتر اضافه یا حذف کرد.
  • هم‌ترازی خودکار و صریح داده: پانداس با هم‌تراز کردن خودکار اشیاء مانند Series و DataFrames به برچسب‌هایشان، هم‌ترازی داده را تضمین می‌کند و محاسبات را ساده می‌کند.
  • مستندات کامل: رابط برنامه‌نویسی (API) کاربردی ساده‌شده و ویژگی‌های کاملاً مستند شده، منحنی یادگیری پانداس را کاهش می‌دهند. آموزش‌های کوتاه و ساده و نمونه‌های کد، کاربران جدید را قادر می‌سازند تا به سرعت شروع به کدنویسی کنند.
  • ابزارهای ورودی/خروجی: پانداس از وارد کردن و صادر کردن داده‌ها در قالب‌های مختلف مانند CSV، Excel، SQL و HDF5 پشتیبانی می‌کند.
  • مجموعه‌داده‌های آماده برای مصورسازی: پانداس تجسم ساده‌ای دارد که می‌تواند مستقیماً از شیء DataFrame ترسیم شود.
  • Pivot و un-Pivot بی‌دردسر: پانداس تغییر ساختار جدول یا همان تبدیل به پیووت و برعکس را آسان می‌کند تا داده‌ها برای تحلیل یا مصورسازی آماده شوند.
  • برچسب‌گذاری سلسله مراتبی: پانداس از نمایه سازی سلسله مراتبی پشتیبانی می‌کند و کاربران را قادر می‌سازد تا ساختارهای داده‌ای چند سطحی را در یک DataFrame واحد مدیریت کنند.
  • عملکرد سری زمانی: پانداس شامل چندین تابع تحلیل سری زمانی است که ابزارهایی برای تولید محدوده تاریخ، تبدیل فرکانس، محاسبات پنجره متحرک و تحلیل تاخیر ارائه می‌دهد.
 

کاربردهای پانداس در عمل

همانطور که آمار دانلود PyPI نشان می‌دهد، پانداس به ابزاری محبوب برای متخصصان علوم داده و تحلیلگران تبدیل شده است و مدیریت کارآمد مجموعه‌داده‌ها را در صنایع مختلف امکان‌پذیر می‌کند. قابلیت‌های آن برای تحلیل و دستکاری داده، آن را به انتخابی برتر برای حل مسائل دنیای واقعی تبدیل می‌کند.

  1. ادغام با SQL و تحلیل داده‌های آن
    پانداس با پایگاه‌های داده SQL ادغام می‌شود و کاربران را قادر می‌سازد تا مستقیماً در رابط برنامه‌نویسی پایتون پانداس از جداول SQL بخوانند و در آنها بنویسند. با وارد کردن مستقیم داده‌ها به DataFrame، کاربران می‌توانند از پانداس برای تحلیل داده استفاده کنند در حالی که SQL را برای کوئری زدن و مدیریت مجموعه‌داده‌ها حفظ می‌کنند.
  2. مصورسازی و بینش
    توانایی پانداس در تمیز کردن، فیلتر کردن و تبدیل داده‌های جدولی تضمین می‌کند که مجموعه‌داده‌ها برای نمودارسازی و کتابخانه‌های ترسیم پیشرفته مانند Matplotlib و Seaborn آماده هستند. به عنوان مثال، پانداس می‌تواند داده‌های گمشده را مدیریت کند و داده‌های سری زمانی را برای یافتن روندها و بینش‌های معنادار قالب‌بندی کند.
  3. تحلیل سری زمانی
     پانداس توابع سری زمانی متعددی برای وظایفی مانند تحلیل قیمت سهام، الگوهای آب‌و‌هوا و خواندن حسگرهای IoT دارد. عملکرد آن شامل تولید محدوده تاریخ، تبدیل فرکانس و عملیات‌های تغییر پیشرفته برای مجموعه‌داده‌های زمانی است.

  4. دستکاری پیچیده داده‌ها
    وظایفی مانند merge، Join یا الحاق چند DataFrame با پانداس بسیار ساده است. متد concat، همراه با ابزارهایی مانند pandas append، امکان ترکیب منابع داده ناهمگون را فراهم می‌کند. این کتابخانه همچنین قابلیت GroupBy را برای تجمیع و تبدیل داده‌ها ارائه می‌دهد و از تکنیک‌های پیشرفته تقسیم-اعمال-ترکیب پشتیبانی می‌کند.

  5. تبدیل داده‌های جدولی
    پانداس تبدیل داده‌های جدولی را با ویژگی‌هایی مانند تغییر شکل، تبدیل به پیووت و نمایه‌سازی سلسله مراتبی ساده می‌کند. برای مثال، کاربران می‌توانند مجموعه‌داده‌های خود را برای تحلیل عملکرد فروش در مناطق مختلف تغییر شکل دهند یا جداول محوری را برای دید واضح‌تری از رفتار مشتری ایجاد کنند.

  6. مدیریت داده‌های گمشده
    مدیریت داده‌های گمشده یکی از نقاط قوت اصلی پانداس است. کاربران می توانند مقادیر NaN را در یک DataFrame با مقدار درست پر کنند، آنها را درون‌یابی (interpolate) کنند یا حذف کنند تا در نهایت دیتاست تمیز و کاملی برای تحلیل کردن یا ادغام در خطوط لوله (pipelines)  یادگیری ماشین در اختیار داشته باشند.

 

پایتون و پانداس

از آنجا که pandas بر پایه زبان برنامه‌نویسی پایتون ساخته شده، درک قدرت پایتون در علم داده و تحلیل داده‌ها اهمیت زیادی دارد.

پایتون که در سال ۱۹۹۱ معرفی شد، به یکی از محبوب‌ترین زبان‌ها در توسعه وب، تحلیل داده و یادگیری ماشین تبدیل شده است. سادگی و خوانایی بالای سینتکس آن، به کاربران تازه‌کار و حرفه‌ای کمک می‌کند تا به‌جای درگیر شدن با پیچیدگی‌های زبان‌های سطح پایین، روی حل مسائل تمرکز کنند. این سادگی با یک اکوسیستم گسترده از کتابخانه‌ها و ابزارهایی مانند pandas، NumPy، Matplotlib و Jupyter تقویت شده است.

رابط برنامه‌نویسی (API) پانداس  از این نقاط قوت پایتون بهره می‌برد و قابلیت‌های قدرتمندی برای دستکاری و تحلیل داده ارائه می‌دهد. توابعی مانند روش‌های str برای عملیات متنی و پشتیبانی از توابع lambda ، به کاربران امکان می‌دهد الگوریتم‌های پیشرفته را به‌طور مستقیم در جریان کاری خود پیاده‌سازی کنند. همچنین، سازگاری pandas با سایر کتابخانه‌هایی مانند NumPy باعث می‌شود که محاسبات عددی به‌سادگی در کنار پردازش داده‌های pandas انجام شود.

اکوسیستم پایتون امکان ارتباط با سیستم‌ها و سرویس‌های خارجی را از طریق APIها فراهم می‌کند و به همین دلیل pandas می‌تواند به‌راحتی در جریان‌های کاری داده‌ای، چه روی سیستم‌های محلی و چه در محیط‌های ابری، ادغام شود. برای مصورسازی داده‌ها، pandas با کتابخانه‌هایی مانند Matplotlib ترکیب می‌شود و نمودارهای شفاف و کاربردی تولید می‌کند.

مستندات رسمی پایتون و pandas منابع ارزشمندی برای یادگیری این زبان و کتابخانه‌های آن محسوب می‌شوند و راهنماهای جامع همراه با نمونه‌کدهای کاربردی ارائه می‌دهند. همراهی این مستندات با ابزارهای تعاملی مانند Jupyter Notebook باعث شده که پایتون به گزینه‌ای محبوب برای توسعه و آزمایش الگوریتم‌های مبتنی بر داده تبدیل شود.

با ترکیب انعطاف‌پذیری برنامه‌نویسی پایتون، قدرت کتابخانه‌هایی مانند پانداس و NumPy و ابزارهای تجسم‌سازی مانند Matplotlib، این زبان محیطی یکپارچه برای حل چالش‌های پیچیده داده‌ای فراهم می‌کند.

انواع داده (Data Types) در پانداس و پایتون

دیتاتایپ‌ها (Data types) یا به عبارت دقیق‌تر در فارسی “انواع داده” یا “گونه‌های داده”، از مفاهیم اساسی در برنامه‌نویسی و تحلیل داده هستند. آن‌ها تعیین می‌کنند که داده‌ها چگونه در حافظه ذخیره شوند، چه عملیاتی روی آن‌ها قابل انجام است و چگونه پردازش شوند.

کتابخانه پانداس (Pandas) در پایتون، مجموعه‌ای از انواع داده را ارائه می‌دهد که با هدف بهینه‌سازی حافظه، سرعت و کارایی طراحی شده‌اند. این انواع داده برای کار با مجموعه‌های بزرگ داده بسیار مهم هستند، زیرا انتخاب نوع داده مناسب می‌تواند تأثیر قابل توجهی بر عملکرد و مصرف منابع داشته باشد. از سوی دیگر، دیتاتایپ‌های متفاوت پانداس، محدودیت‌های پایتون را نیز پشت سر گذاشته‌ که در جدول زیر می‌توانید آن را ببینید:

انواع داده در پانداسداده مشابه در پایتونکاربرد و توضیحات
objectstr, objectبرای ذخیره‌سازی رشته‌ها، مقادیر مختلط و هر نوع داده‌ای که نوع دیگری ندارد. برای داده‌های متنی و داده‌های ناهمگون استفاده می‌شود.
int64intبرای ذخیره‌سازی اعداد صحیح استفاده می‌شود. در تحلیل‌های آماری، شمارش تعداد موارد و شاخص‌گذاری کاربرد دارد.
float64floatبرای ذخیره‌سازی اعداد اعشاری با دقت مضاعف. در محاسبات علمی، آماری و مالی که نیاز به دقت اعشاری دارند استفاده می‌شود.
boolboolبرای ذخیره‌سازی مقادیر منطقی (درست/نادرست). در فیلتر کردن داده‌ها، شرط‌های منطقی و ستون‌های وضعیت کاربرد دارد.
datetime64datetime.datetimeبرای ذخیره‌سازی تاریخ و زمان. در تحلیل‌های زمانی، سری‌های زمانی و گزارش‌گیری بر اساس زمان استفاده می‌شود.
timedelta64datetime.timedeltaبرای نگهداری فاصله‌های زمانی. در محاسبه اختلاف بین دو زمان، اندازه‌گیری مدت زمان فرایندها و محاسبات مربوط به دوره زمانی کاربرد دارد.
category–برای داده‌های طبقه‌بندی شده با تعداد مقادیر محدود. این دیتاتایپ حافظه کمتری مصرف می‌کند و در داده‌های نامی (اسمی) مانند جنسیت، وضعیت تأهل و رنگ کاربرد دارد.
stringstrنسخه بهینه‌شده پانداس برای رشته‌ها که با کارایی بهتر نسبت به object برای داده‌های متنی کار می‌کند.
Int64 (با I بزرگ)intنسخه پیشرفته int64 که مقادیر NaN (داده‌های گمشده) را نیز پشتیبانی می‌کند.
Float64 (با F بزرگ)floatنسخه پیشرفته float64 که با داده‌های گمشده سازگارتر است.
complex128complexبرای اعداد مختلط استفاده می‌شود. در محاسبات مهندسی، پردازش سیگنال و فیزیک کاربرد دارد.
Period–برای نمایش دوره‌های زمانی مانند سال، ماه یا روز. در گزارش‌گیری دوره‌ای و تحلیل‌های فصلی استفاده می‌شود.
Interval–برای نمایش بازه‌های عددی. در طبقه‌بندی داده‌ها به گروه‌های مشخص و ایجاد هیستوگرام‌ها کاربرد دارد.
Sparse–برای ذخیره‌سازی کارآمد ماتریس‌های تنک (با مقادیر صفر زیاد). در داده‌های بزرگ با مقادیر صفر فراوان مانند ماتریس‌های همبستگی و داده‌های متنی کاربرد دارد.

پانداس به طور خودکار نوع داده را تشخیص می‌دهد اما گاهی نیاز به تبدیل دستی با متد astype() وجود دارد.

 

چگونه کار با پانداس را شروع کنیم؟

نصب پانداس

نصب این کتابخانه ساده است و می‌توانید از دستور pip برای نصب استفاده کنید.

				
					pip install pandas

راه دیگر، نصب آن از طریق conda است:

				
					conda install pandas

راه دیگر، نصب آن از طریق conda است:

				
					conda install pandas

پس از نصب Pandas، می‌توانید با بررسی نسخه نصب شده، مطمئن شوید که همه چیز درست کار می‌کند:

				
					import pandas as pd
print(pd.__version__)  # Prints the pandas version

این کد تایید می‌کند که Pandas به درستی نصب شده و به شما امکان می‌دهد که سازگاری با بسته‌های دیگر را بان آن بررسی کنید.

ورود داده‌ها به Pandas

برای شروع کار باید Pandas  را طبق دستور زیر به محیط پایتون فراخوانی کنید. pd نام مستعار رایجی است که برای این کتابخانه استفاده می‌شود.

				
					import pandas as pd

وارد کردن فایل‌های CSV

با دستور read_csv می‌توانید فایل‌های CSV را به فراخوانی کنید:

				
					df = pd.read_csv("example_data.csv")

این کد فایل‌های CSV را بارگیری می‌کند و آن را یک DataFrame می‌ریزد.

وارد کردن فایل‌های متنی (Text)

خواندن فایل‌های متنی مشابه خواندن فایل‌های CSV است، با این تفاوت که باید جداکننده (separator) را مشخص کنید، همان‌طور که در مثال زیر نشان داده شده است. آرگومان sep مشخص می‌کند که چه نمادی برای جدا کردن مقادیر در یک DataFrame استفاده شده است. برخی از رایج‌ترین جداکننده‌ها عبارت‌اند از:

  • کاما (,) → sep=","
  • فاصله سفید (یک یا چند فاصله) → sep="\s"
  • تب (\t) → sep="\t"
  • دو نقطه (:) → sep=":"

در اینجا، \s نشان‌دهنده یک کاراکتر فاصله سفید (space character) است.

				
					df = pd.read_csv("example_data.txt", sep="\s")

وارد کردن فایل‌های فایل اکسل (تک شیت)

خواندن فایل های اکسل (هر دو XLS و XLSX) به آسانی با یک تابع و آدرس‌دهی فایل قابل انجام است: input.read_excel

				
					df = pd.read_excel('example_data.xlsx')

می‌توانید آرگومان‌های دیگری را نیز مشخص کنید، مانند header برای تعیین اینکه کدام سطر به عنوان هدر (Header) یا نام ستون‌های DataFrame در نظر گرفته شود. مقدار پیش‌فرض این آرگومان ۰ است، که به این معنی است که سطر اول به عنوان نام ستون‌ها استفاده می‌شود. همچنین می‌توانید نام ستون‌ها را به‌صورت یک لیست در آرگومان names مشخص کنید. اگر فایل شامل یک ایندکس ردیفی باشد، می‌توان از آرگومان index_col (که مقدار پیش‌فرض آن None است) استفاده کرد.

نکته: در pandas، ایندکس (Index) یک شناسه‌ی منحصربه‌فرد است که موقعیت یک سطر یا ستون را در یک DataFrame مشخص می‌کند. به بیان ساده، ایندکس برچسبی برای ردیف‌ها یا ستون‌ها است که به شما اجازه می‌دهد یک سطر یا ستون خاص را با استفاده از ایندکس آن بازیابی کنید (در ادامه بیشتر با این موضوع آشنا خواهید شد).

ایندکس سطرها در یک DataFrame می‌تواند به شکل‌های مختلفی باشد، از جمله:

  • یک بازه عددی (مثلاً از ۰ تا ۳۰۳)
  • یک سری زمانی (تاریخ یا برچسب‌های زمانی)
  • یک شناسه‌ی منحصربه‌فرد (مثلاً در یک جدول اطلاعات کارمندان، employee_ID)
  • یا انواع دیگر داده‌ها

برای ستون‌ها، ایندکس معمولاً یک رشته متنی است که نام ستون را مشخص می‌کند.

وارد کردن فایل‌های اکسل (چند شیتی)

خواندن فایل‌های Excel که شامل چندین Sheet (برگه) هستند، تفاوت چندانی با فایل‌های دیگر ندارد. تنها تفاوت این است که باید یک آرگومان اضافه به نام sheet_name را مشخص کنید.

  • می‌توانید یک رشته متنی (برای نام برگه) یا یک عدد صحیح (برای موقعیت برگه) به این آرگومان بدهید.
  • نکته: پایتون از ایندکس صفر (۰) استفاده می‌کند، یعنی اولین برگه در فایل Excel را می‌توان با مقدار sheet_name = 0 مشخص کرد.
				
					# Extracting the second sheet since Python uses 0-indexing
df = pd.read_excel('example_data_multi.xlsx', sheet_name=1)

وارد کردن داده از پایگاه داده‌های SQL

برای بارگذاری داده از یک پایگاه داده رابطه‌ای (Relational Database)، از pd.read_sql همراه با یک اتصال به پایگاه داده استفاده کنید:

				
					import sqlite3

# Establish a connection to an SQLite database
conn = sqlite3.connect("my_database.db")

# Read data from a table
df = pd.read_sql("SELECT * FROM my_table", conn)

نکته: اگر مجموعه داده بسیار بزرگی دارید، توصیه می‌شود از SQLAlchemy برای بهینه‌سازی پرس‌وجوها (queries) استفاده کنید.

وارد کردن داده از یک API (فرمت JSON)

اگر داده‌های شما از یک API تحت وب دریافت می‌شوند، pandas می‌تواند مستقیماً آن را با pd.read_json بخواند:

				
					df = pd.read_json("https://api.example.com/data.json")

خروجی گرفتن از داده‌ها

همان‌طور که pandas می‌تواند داده‌ها را از انواع فایل‌ها وارد کند، امکان ذخیره داده‌ها در فرمت‌های مختلف را نیز فراهم می‌کند. این قابلیت زمانی مفید است که داده‌ها پس از پردازش نیاز به ذخیره‌سازی محلی داشته باشند. در ادامه نحوه ذخیره DataFrameها در فرمت‌های مختلف آورده شده است.

ذخیره یک DataFrame در فایل CSV
برای ذخیره یک DataFrame در فایل CSV، از متد to_csv استفاده کنید. این متد نام فایل و مسیر ذخیره را دریافت می‌کند.

				
					df.to_csv("output.csv", index=False)

نکته: آرگومان index=True تعیین می‌کند که ایندکس‌های DataFrame نیز در فایل CSV ذخیره شوند.

ذخیره یک DataFrame در فایل متنی (TXT)
برای ذخیره یک DataFrame در فایل متنی، مانند CSV، از متد to_csv استفاده کنید. تنها تفاوت این است که باید فرمت فایل را txt قرار دهید و یک جداکننده (separator) مشخص کنید:

				
					df.to_csv("output.txt", sep="\t")

ذخیره یک DataFrame در فایل اکسل
برای ذخیره DataFrame در یک فایل اکسل، از متد to_excel استفاده کنید. این متد از فرمت‌های xls و xlsx پشتیبانی می‌کند:

				
					df.to_excel("output.xlsx")

مشاهده DataFrameها در pandas

پس از خواندن داده‌های جدولی در قالب DataFrame، ممکن است نیاز داشته باشید یک نمای کلی از داده‌ها داشته باشید. می‌توانید با نمایش نمونه‌ای کوچک از مجموعه داده یا مشاهده خلاصه‌ای از داده‌ها، اطلاعات لازم را به‌دست آورید.

مشاهده داده‌ها با .head() و .tail()

برای مشاهده چند سطر ابتدایی یا چند سطر انتهایی یک DataFrame، می‌توانید به ترتیب از متدهای .head() و .tail() استفاده کنید. تعداد سطرها را می‌توان با آرگومان n مشخص کرد (مقدار پیش‌فرض 5 است).

				
					df.head(10)  # نمایش ۱۰ سطر اول  
df.tail(5)   # نمایش ۵ سطر آخر

Pandas (df.head())

همانطور که در دستورات بالا دیدید، شروع کار با پانداس بسیار ساده و سریع است. تنها با چند خط کد می‌توان آن را نصب کرد، داده‌ها را از فرمت‌های مختلف مانند CSV، اکسل یا پایگاه‌های داده وارد کرد و پس از پردازش، در قالب‌های موردنظر استخراج نمود. از امکانات متنوع این کتابخانه، مانند فیلتر کردن داده‌ها، مرتب‌سازی، ترکیب جداول و تبدیل داده‌ها، می‌توان برای تحلیل‌های پیچیده و مصورسازی استفاده کرد.

جمع‌بندی

پانداس یکی از قدرتمندترین ابزارهای تحلیل داده در پایتون است که به دلیل سادگی، انعطاف‌پذیری و کارایی بالا، به انتخاب اول متخصصان داده، پژوهشگران و حتی مدیران کسب‌وکار تبدیل شده است. این کتابخانه امکان پردازش، تمیزسازی و تحلیل سریع داده‌ها را فراهم می‌کند و در کنار دیگر ابزارهای پایتون، جریان کاری تحلیل داده را به شکل چشمگیری بهبود می‌بخشد.

با توجه به کاربرد گسترده پانداس در صنایع مختلف، از تحلیل مالی و علوم پزشکی گرفته تا یادگیری ماشین و مدیریت کسب‌وکار، تسلط بر آن می‌تواند یک مزیت رقابتی مهم در مسیر حرفه‌ای شما باشد. اگر به دنبال یادگیری عملی این مهارت کلیدی هستید، در دوره‌ای که برگزار می‌کنیم شرکت کنید و با استفاده از پانداس، قدرت داده را در دستان خود بگیرید!

منابع:

Nvidia: What Is pandas?
datacamp: Python pandas Tutorial: The Ultimate Guide for Beginners

پردازش بهینه با pandas و polars

آموزش اصولی پانداس، تمیزکاری و پردازش داده‌ها، کار با داده‌های حجیم و پردازش موازی داده‌ها با polars
اطلاعات بیشتر
دوره آموزشی

The post پانداس (Pandas) چیست؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> https://d-learn.ir/what-is-pandas/feed/ 1 نقش اساسی بهینه‌سازی در یادگیری ماشین و هوش مصنوعی https://d-learn.ir/p/opt-in-ml/ https://d-learn.ir/p/opt-in-ml/#respond Mon, 23 Dec 2024 15:14:23 +0000 https://d-learn.ir/?p=74758 بهینه‌سازی قلب تپنده یادگیری ماشین و به صورت پیوسته برای بهبود و پالایش مدل‌های هوش مصنوعی مورد استفاده قرار می‌گیرد. بهینه‌سازی خطا در مسائل یادگیری ماشین نیازمند درکی عمیق از نحوهٔ ارتباط اجزای مسئله، الگوهای درون‌داده‌ای و عملکرد روش‌های بهینه‌سازی است. با توجه به پیشرفت‌های سریع در حوزهٔ یادگیری ماشین، محققان دائماً در حال توسعهٔ الگوریتم‌های این حوزه و پیشنهاد تکنیک‌ها و استراتژی‌های پیشرفته‌تری برای بهینه‌سازی خطا و استفادهٔ حداکثری از ظرفیت مدل‌های یادگیری ماشین هستند.

The post نقش اساسی بهینه‌سازی در یادگیری ماشین و هوش مصنوعی appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]>

بهینه‌سازی یک مفهوم اساسی در یادگیری ماشین و هوش مصنوعی (AI) است. چهارچوب‌های بهینه‌سازی در طراحی قریب به اتفاق الگوریتم‌های یادگیری ماشین، بهینه‌سازی نقشی اساسی ایفا می‌کنند. در اصل، بهینه‌سازی فرآیند یافتن بهترین پاسخ ممکن برای یک مسئله با توجه به محدودیت‌ها و اهداف معین است. “بهترین” پاسخ اغلب شامل به حداقل رساندن معیارهای خطا یا به حداکثر رساندن برخی معیارهای عملکرد در پیش‌بینی مقدارهای درست است.

بهینه‌سازی چیست؟

بهینه‌سازی در یادگیری ماشین به دنبال یافتن مجموعه بهینه پارامترها برای یک مدل پیش‌بینی است که به آن اجازه می‌دهد حدس‌های دقیق‌تری روی داده‌های ندیده انجام دهد. این فرآیند شامل به حداقل رساندن تابعی است که از آن به نام تابع هدف (Objective Function) یا تابع هزینه (Cost Function) یاد می‌شود. این تابع اختلاف بین پیش‌بینی‌های مدل و مقادیر واقعی را محاسبه و در قالب یک کمیت ارائه می‌کند. هرچه مقدار تابع هزینه کمتر باشد، مطابقت خروجی مدل بهتر با داده‌ها دارد.

به بیان کلی‌تر ساختار مدل و مقدار بهینه‌ پارامترها و هایپر پارامترهای مدل (تنظیماتی که رفتار الگوریتم را کنترل می‌کنند) همگی در چهارچوب بهینه‌سازی تعریف و تعیین می‌شوند.

به عنوان نمونه، در یادگیری بانظارت‌ مثل مدل‌های رگرسیون فرآیند برازش مدل و تعیین ضرایب مدل با کمینه‌سازی مقدار مربعات خطا یا به بیان کلی‌تر بهینه‌سازی تابع هدف انجام می‌شود. در ادبیات یادگیری ماشین هدف اصلی معمولا کمینه‌سازی مقدار خطاست تا بیشینه‌سازی میزان دقت، به همین دلیل معمولا از آن با عنوان «تابع هزینه» یاد می‌شود.

 

چرا بهینه‌سازی در یادگیری ماشین بسیار مهم است؟

بهینه‌سازی در یادگیری ماشین به چند دلیل حیاتی است:

  • دقت و عملکرد: هدف اصلی یادگیری ماشینی ساختن مدل‌هایی است که به خوبی تعمیم داده شوند و روی مقادیر گوناگون عملکرد قابل قبولی ارائه دهند. بهینه‌سازی کلید دستیابی تنظیم پارامترهای مدل برای رسیدن به این هدف است.
  • کارایی و مقیاس‌پذیری: روش‌های بهینه‌سازی رویکردی ریاضیاتی و روشمند برای حل مسئله دارند و به مدل‌‌های احتمالاتی اجازه می‌دهند تا از مجموعه داده‌های بزرگ به‌ صورت کارآمد یاد بگیرند و آموزش مدل‌های پیچیده بر روی مقادیر زیادی از داده را امکان‌پذیر می‌سازند.
  • استحکام و تعمیم: بهینه‌سازی چهارچوب کارآمدی برای تشویق عمکلرد مناسب مدل روی داده‌های دیده‌نشده و مقابله با بیش‌برازش (Overfitting) دارد و قابلیت تعمیم مدل را حفظ می‌کند.
 

چالش‌های بهینه‌سازی در یادگیری ماشین

علیرغم اهمیت بهینه‌سازی در یادگیری ماشین، استفاده از آن با چالش‌هایی نیز همراه است که لزوما ممکن است در دیگر مسائل بهینه‌سازی تا این اندازه وجود نداشته باشد.

 

    • حداقل‌های محلی (local minimum): برخی از الگوریتم‌ها می‌توانند در حداقل‌های محلی متوقف می‌شوند، نقاطی که تابع هزینه کمتر از محیط پیرامون آن است اما لزوما کمینه مطلق نیست. این وضعیت از رسیدن مدل به پتانسیل کامل خود جلوگیری کند و به علت ماهیت پیچیده مدل‌های یادگیری ماشین معمولا زیاد در آن رخ می‌دهد.

 

    • ناپدید شدن و انفجار گرادیان‌ها (Vanishing and Exploding Gradients): در بهینه‌سازی شبکه‌های عصبی بزرگ در یادگیری عمیق، گرادیان‌ها می‌توانند در مراحل میانی بهینه‌سازی با شیوه انتشار پس‌زمینه (Backpropagation)، بسیار کوچک (ناپدید) یا بسیار بزرگ (انفجار) شوند و بهینه‌سازی به سرانجام نرسد.

  • تنظیم هایپرپارامتر (Hyperparameter): الگوریتم‌های بهینه‌سازی دارای هایپرپارامترهایی هستند که رفتار آن‌ها را کنترل می‌کنند. یافتن بهترین مجموعه هایپرپارامترها اغلب نیاز به آزمایش‌های گسترده دارد و می‌تواند از نظر محاسباتی پرهزینه باشد.
 

استراتژی‌های مختلف بهینه‌سازی در یادگیری ماشین

استراتژی‌های مختلف بهینه‌سازی نقش مهمی در ساخت مدل‌های یادگیری ماشین در سناریوهای متنوع ایفا می‌کنند. این استراتژی‌ها فراتر از انتخاب یک الگوریتم هستند و شامل درکی عمیق‌تر از مسئله و الگوهای درون‌داده‌ای را شامل می‌شوند. به عنوان نمونه به موارد زیر توجه کنید:

  • هرس درخت تصمیم (Decision Tree): این تکنیک شامل محدود کردن رشد درختان تصمیم برای جلوگیری از بیش‌برازش است، پدیده‌ای که باعث می‌شود مدل روی داده‌های آموزشی عملکرد خوبی داشته باشد اما روی داده‌های ندیده عملکرد ضعیفی پیدا کند. هرس را می‌توان با تنظیم پارامترهایی مانند min_samples_split (حداقل تعداد نمونه‌های مورد نیاز برای تقسیم یک گره داخلی) و min_samples_leaf (حداقل تعداد نمونه‌های مورد نیاز برای قرار گرفتن در یک گره برگ) انجام داد، و اطمینان حاصل کرد که درخت بیش از حد پیچیده نشده و داده‌های آموزشی را حفظ نمی‌کند.
  • مدیریت کلاس‌های نامتعادل (Imbalanced datasets): مدل‌های یادگیری ماشین می‌توانند به طور قابل‌توجهی تحت تأثیر مجموعه داده‌های نامتعادل قرار گیرند. هنگام برخورد با مجموعه‌داده‌هایی که در آن‌ها یک کلاس به طور قابل‌توجهی بیشتر از سایرین کلاس‌هاست، تکنیک‌های بهینه‌سازیِ استاندارد ممکن است منجر به مدل‌هایی شوند که به سمت کلاس اکثریت تعصب داشته باشند. برای رویارویی با مسئله، یک رویکرد این است که تابع هزینه را با وزن‌دهی اصلاح کنیم تا خطاهای طبقه‌بندی کلاس اقلیت را بیشتر از خطاهای طبقه‌بندی کلاس اکثریت جریمه کند. این مدل را تشویق می‌کند تا در طول آموزش بیشتر به کلاس اقلیت توجه کند. رویکرد دیگر این است که با استفاده از نمونه‌برداری از کلاس ‌اکثریت، داده‌ها را متعادل کنیم. روش‌های بهینه‌سازی انعطاف کافی برای حل این مسئله را دارند.
  • تنظیم هایپر پارامتر Hyperparameter: این فرآیند شامل پیدا کردن بهترین تنظیمات برای پارامترهایی است که عملکرد مدل را کنترل می‌کنند. روش‌هایی مانند جستجوی شبکه‌ای، جستجوی تصادفی و روش‌های پیشرفته‌تر وجود دارند. در روش جستجوی شبکه‌ای، همه ترکیب‌های ممکن از تنظیمات بررسی می‌شوند که دقیق است اما ممکن است زمان‌بر باشد. روش جستجوی تصادفی، به جای بررسی همه موارد، به‌صورت تصادفی چند ترکیب را امتحان می‌کند که سریع‌تر است. روش‌های پیشرفته‌تر از مدل‌هایی استفاده می‌کنند که فرآیند جستجو را هدایت کرده و سریع‌تر به بهترین تنظیمات می‌رسند. هدف همه این روش‌ها، پیدا کردن بهترین تنظیمات با کمترین تلاش ممکن است.
 

نگاهی فراتر از الگوریتم‌ها: سایر استراتژی‌های بهینه‌سازی

در حالی که الگوریتم‌های بهینه‌سازی ضروری هستند، استراتژی‌ها و ملاحظات دیگر به دستیابی به عملکرد بهینه مدل بسیار کمک می‌کنند:

 

    • مهندسی ویژگی‌ها (Feature Engineering): انتخاب دقیق و تبدیل ویژگی‌ها (متغیرهای ورودی) می‌تواند به طور قابل توجهی بر عملکرد مدل تأثیر بگذارد و به آن اجازه می‌دهد تا به صورت مؤثرتری از داده‌ها یاد بگیرد.

    • کیفیت داده‌ها و پیش پردازش: اطمینان از کیفیت بالای داده‌ها و به کارگیری مراحل پیش پردازش مناسب (تمیز کردن داده‌ها، عادی‌سازی، مدیریت مقادیر از دست رفته) برای بهینه‌سازی موثر بسیار مهم است.

    • انتخاب و ارزیابی مدل: انتخاب معماری مدل مناسب و معیارهای ارزیابی همسو با اهداف کار برای بهینه‌سازی موفقیت آمیز اساسی است.

  • دانش و تخصص دامنه: ترکیب دانش دامنه در طراحی مدل و فرآیند انتخاب ویژگی اغلب می‌تواند منجر به بهبود عملکرد قابل توجهی شود.
 

جمع‌بندی: بهینه‌سازی یک نیاز مداوم در یادگیری ماشین

بهینه‌سازی قلب تپنده یادگیری ماشین و به صورت پیوسته برای بهبود و پالایش مدل‌های هوش مصنوعی مورد استفاده قرار می‌گیرد. بهینه‌سازی خطا در مسائل یادگیری ماشین نیازمند درکی عمیق از نحوهٔ ارتباط اجزای مسئله، الگوهای درون‌داده‌ای و عملکرد روش‌های بهینه‌سازی است. با توجه به پیشرفت‌های سریع در حوزهٔ یادگیری ماشین، محققان دائماً در حال توسعهٔ الگوریتم‌های این حوزه و پیشنهاد تکنیک‌ها و استراتژی‌های پیشرفته‌تری برای بهینه‌سازی خطا و استفادهٔ حداکثری از ظرفیت مدل‌های یادگیری ماشین هستند. 

متخصصان یادگیری ماشین تلاش می‌کنند تا با درک اصول بنیادینِ بهینه‌سازی مانند شرایط KKT، مدل‌های قدرتمند و با کارایی بالا بسازند که پاسخگوی چالش‌های جدید مدل‌های یادگیری ماشین باشند و نوآوری را در عرصه‌های گوناگون رقم بزنند. 

اگر دوست دارید آمادگی خود را برای به روز بودن در حوزه یادگیری ماشین بالا ببرید، آن را با عینک بهینه‌سازی یاد بگیرید.

منابع:

Optimization for Machine Learning, MIT Press, by Suvrit Sra, Sebastian Nowozin and Stephen J. Wright (+)
Understanding Optimization Algorithms in Machine Learning, Supriya Secherla, Towards Data Science (+)

دوره آموزشی مرتبط:

یادگیری ماشین با رویکرد بهینه‌سازی در پایتون

An Optimization Approach to Machine Learning in Python
اطلاعات بیشتر
دوره آموزشی

The post نقش اساسی بهینه‌سازی در یادگیری ماشین و هوش مصنوعی appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> https://d-learn.ir/p/opt-in-ml/feed/ 0 یادگیری ماشین با رویکرد بهینه‌سازی در پایتون https://d-learn.ir/mlopt/ https://d-learn.ir/mlopt/#comments Thu, 31 Oct 2024 13:06:39 +0000 https://d-learn.ir/?p=72380 در لایه زیرین تمامی الگوریتم‌های یادگیری ماشین یک مسئله بهینه‌سازی وجود دارد. در واقع بهینه‌سازی یکی از پایه‌های فهم عمیق‌تر یادگیری ماشین است. این دوره آموزشی فرصتی منحصر به فرد برای شماست تا روش‌های یادگیری ماشین را با تمرکز بر حل مسائل بهینه‌سازیِ درون آن‌ها فرا بگیرید و به این ترتیب دانش و مهارت خود را در این حوزه تقویت کنید. در این دوره آموزشی برخی از مهم‌ترین روش‌های یادگیری ماشین با تمرکز بر چگونگی مینیمم‌سازی خطا با توجه به قیود ریاضی موجود در آن‌ها ارائه خواهند شد.

The post یادگیری ماشین با رویکرد بهینه‌سازی در پایتون appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]>

بهینه‌سازی یکی از پایه‌های فهم عمیق‌تر الگوریتم‌های یادگیری ماشین است. دوره آموزشی «یادگیری ماشین با رویکرد بهینه‌سازی» فرصتی منحصر به فرد برای شماست تا روش‌های متداول یادگیری ماشین را با تمرکز بر حل مسائل بهینه‌سازیِ درون آن‌ها فرا بگیرید و به این ترتیب دانش و مهارت خود در این حوزه را تقویت کنید.

فیلم‌های معرفی دوره

در این دوره با رویکردی عملگرایانه، بحث را از موضوع پیش‌پردازش و پاکسازی داده‌ها آغاز خواهیم کرد و قبل از هر چیزی سراغ روش‌های مواجهه با مقادیر گمشده، شناسایی و حذف داده‌های پرت، نرمال‌سازی و مقیاس‌بندی داده‌ها و کدگذاری متغیرهای دسته‌ای خواهیم رفت. سپس با مرور مبانی ریاضی بهینه‌سازی، روی روش‌های KKT متمرکز خواهیم شد و با اهمیت شرایط KKT در بهینه‌سازی غیرخطی و همینطور بهینه‌سازی تک‌سطحی و دوسطحی آشنا می‌شویم. در این بخش علاوه بر ریاضیات بهینه‌سازی، با آشنایی با مفاهیمی مثل ماتریس کوواریانس، مقادیر ویژه و بردارهای ویژه توانایی خود برای تحلیل داده گسترش خواهیم داد.

پس از فراگیری مبانی بهینه‌سازی و ریاضیات مورد نیاز به روش‌های یادگیری ماشین می‌رسیم و بر مدل‌های پیش‌بینی متمرکز خواهیم شد. مدل‌های رگرسیون خطی و لجستیک، ماشین بردار پشتیبان (SVM) و مفهوم Kernel و همچنین الگوریتم نزدیک‌ترین k-همسایه (KNN) روش‌ها و مفاهیمی هستند که آن‌ها را با استفاده از ریاضیات بهینه‌سازی و حل‌کننده‌های LP، MILP و NLP فرا خواهیم گرفت. در بخش بعدی، روش‌های K-means و K-medoids در خوشه‌بندی را یاد می‌گیریم و با حل‌کننده‌های LP، MILP و NLP و پیاده‌سازی آن‌ها با استفاده کتابخانه Pyomo در محیط پایتون آشنا می‌شویم.

در نهایت، با تحلیل مؤلفه‌های اصلی (PCA) آشنا خواهیم شد و تاثیر استفاده از آن را در برخی از مسائل قبلی مورد بررسی قرار خواهیم داد. تحلیل مولفه‌های اصلی یک ابزار چندکاره در علوم داده است که در ساده‌سازی داده‌ها، کشف الگوها و بهبود عملکرد مدل‌های تحلیلی در حوزه‌های مختلف نقشی موثر و قابل توجه دارد. توانایی این شیوه در کاهش ابعاد داده بدون از دست دادن قابل توجه اطلاعات، آن را برای متخصصین علوم داده و پژوهشگرانی که با داده‌های بزرگ و پیچیده سروکار دارند، بی‌نهایت ارزشمند می‌سازد. 

در انتهای دوره با انجام پروژه پایانی، آموخته‌های خود در دوره را با دست و پنجه نرم کردن با داده‌های واقعی به کار خواهیم گرفت و آنچه یاد گرفتیم را تثبیت خواهیم کرد. 

این دوره برای تحلیلگران داده، پژوهشگران، دانشجویان و همه علاقه‌مندان به یادگیری ماشین و بهینه‌سازی طراحی شده است و به آن‌ها کمک می‌کند تا مهارت‌ و دانش خود در دنیای علوم داده‌ به صورت ویژه گسترش دهند.

معرفی مدرس

علیرضا سرودی

علیرضا سرودی

علیرضا سرودی متخصص ارشد علوم داده و راهبر پروژه‌های بهینه‌سازی و تحقیق در عملیات در شرکت EirGrid و عضو ارشد موسسه مهندسان برق و الکترونیک (Senior Member IEEE) است.
علیرضا نزدیک به یک دهه استاد دانشگاه دوبلین‌کالج ایرلند بوده و تحقیقاتش بر بهینه‌سازی سیستم‌های قدرت و زنجیره تامین متمرکز است و در آن‌ها از ابزارهای مختلفی مثل ORTools، Pyomo و GAMS بهره‌ می‌گیرد.
او تحصیلات خود را در مقاطع کارشناسی و کارشناسی ارشد در رشته مهندسی برق در دانشگاه صنعتی شریف به پایان رسانده و مدرک دکترای خود را در همین رشته از دانشگاه صنعتی گرونوبل در فرانسه دریافت کرده است. علیرضا سرودی برنده جایزه محقق جوان INFORM در سال 2013 و برگزیده گرنت تحقیقاتی بنیاد علوم ایرلند در سال 2017 است. انتشارات Springer کتاب Power System Optimization Modeling in GAMS به قلم علیرضا سرودی را در سال 2017 به چاپ رسانده است.

linkedin | یادگیری ماشین با رویکرد بهینه‌سازی در پایتون
alireza soroudi linkedin | یادگیری ماشین با رویکرد بهینه‌سازی در پایتون
springer | یادگیری ماشین با رویکرد بهینه‌سازی در پایتون
alireza soroudi optimization springer | یادگیری ماشین با رویکرد بهینه‌سازی در پایتون
gschlr | یادگیری ماشین با رویکرد بهینه‌سازی در پایتون
alireza soroudi google scholar | یادگیری ماشین با رویکرد بهینه‌سازی در پایتون

برنامه آموزشی

۱ – پردازش و پاک‌سازی داده‌ها
  • مدیریت مقادیر گمشده (Missing Values)
  • شناسایی و حذف داده‌های پرت (Outliers)
  • نرمال‌سازی (Normalization) و مقیاس‌بندی (Scaling)
  • کدگذاری متغیرهای دسته‌ای

۲ – مبانی ریاضی
  • مرور مفاهیم اصلی در بهینه‌سازی ریاضی
  • آشنایی با روش‌های KKT در بهینه‌سازی ریاضی 
    اهمیت شرایط KKT برای بهینگی در برنامه‌ریزی غیرخطی و بهینه‌سازی تک‌سطحی و دوسطحی
  • ماتریس کوواریانس (Covariance matrix)
  • مقادیر ویژه و بردارهای ویژه (Eigenvalues, Eigenvectors)

۳ – مدل‌های پیش‌بینی 
  • مدل‌های رگرسیون و دسته‌بندی
  • رگرسیون خطی و رگرسیون لجستیک 
    با استفاده از حل‌کننده‌های LP، MILP و NLP در کتابخانه Pyomo
  • ماشین بردار پشتیبان (SVM) و مفهوم Kernel
  • نزدیک‌ترین k-همسایه (KNN) 

۴ – مدل‌های خوشه‌بندی (Clustering)
  • خوشه‌بندی با روش K-means و K-medoids
    با استفاده از حل‌کننده‌های LP، MILP و NLP در Pyomo

۵ – تحلیل مؤلفه‌های اصلی (PCA)

روش تحلیل مولفه‌های اصلی یکی از روش های مهم و پرکاربرد در یادگیری ماشین است که در حوزه‌های مختلفی مثل کاهش ابعاد، بصری‌سازی داده‌ها، استخراج ویژگی‌ها، شناسایی الگو، فشرده‌سازی داده‌ها، پردازش گفتار و صدا و سیستم‌های توصیه‌گر به کار می‌رود. در این بخش از دوره ابتدا به مبانی ریاضی این تکنیک پرداخته خواهد شد و سپس برای یک مساله عملی کاربرد آن بررسی و در محیط پایتون کدنویسی خواهد شد.

۶ – پروژه پایانی

python logo circle | یادگیری ماشین با رویکرد بهینه‌سازی در پایتون

پیش‌نیازها

برای شرکت در این دوره آشنایی با پایتون و کتابخانه‌های numpy و pandas و matplotlib لازم است. اگر با این موارد آشنایی ندارید قبل از شروع دوره، منابعی برای مطالعه و آشنایی با این موضوعات در اختیار شما قرار می‌گیرد.

مخاطبین دوره

  • تحلیلگران داده در کسب‌وکار
  • پژوهشگران و محققین
  • دانش‌آموختگان و دانشجویان رشته‌های مهندسی صنایع، علوم ریاضی، اقتصاد، مدیریت، مالی، آمار، مهندسی برق و کامپیوتر و …

اطلاعات دوره

  • طول دوره: ۱۸ ساعت (۶ هفته)
  • سطح: متوسط و پیشرفته
  • شیوه برگزاری: آنلاین (google meet)
  • تاریخ شروع: ۲۸ دی ۱۴۰۳ (جمعه‌ها ۱۷:۳۰ تا ۲۰:۴۵)
    برای دسترسی به نسخه آفلاین دوره به این صفحه مراجعه کنید. 

* محتوای کامل این دوره آموزشی شامل ویدئوی ضبط شده جلسات و کلیه فایل‌ها پس از اتمام دوره، به صورت یک دوره آفلاین در صفحه «ویدئوهای آموزشی» عرضه خواهد شد. 

mlopt icn | یادگیری ماشین با رویکرد بهینه‌سازی در پایتون

در لایه زیرین تمامی الگوریتم‌ها و کتابخانه‌های یادگیری ماشین یک مسئله بهینه‌سازی وجود دارد. در این دوره آموزشی برخی از مهم‌ترین روش‌های یادگیری ماشین با تمرکز بر چگونگی مینیمم‌سازی خطا با توجه به قیود ریاضی موجود در آن‌ها ارائه خواهد شد.

ویژگی‌های دوره

  • پرداختن به لایه‌های زیرین الگوریتم‌های یادگیری ماشین و اشراف بیشتر بر آن‌ها
  • تجربه رویارویی با چالش‌های واقعی مسائل بهینه‌سازی و یادگیری ماشین
  • دسترسی به محتوای آموزشی و تمرین‌ها علاوه بر محتوایی که در کلاس ارائه می‌شود
  • دریافت ویدئوی ضبط‌شده هر جلسه ۲۴ ساعت بعد از برگزاری آن
  • امکان پرسش‌و‌پاسخ و دریافت پشتیبانی و مشاوره آموزشی در طول مدت دوره
  • ایجاد ارتباط با مدرس و دیگر شرکت‌کنندگان و تقویت شبکه ارتباطی
  • امکان پرداخت قسطی
  • صدور گواهی دو زبانه در پایان دوره
  • امکان ثبت نام جداگانه در بخش‌های مختلف دوره
    (در صورت نیاز، پیش از ثبت نام به پشتیبانی اطلاع دهید) 

خرید نسخه آفلاین دوره

برای دسترسی به ویدئوی ضبط‌شده دوره، درسنامه‌ها، تمرین‌ها، پروژه و سایر فایل‌های آن به صفحه زیر مراجعه کنید. 

یادگیری ماشین با رویکرد بهینه‌سازی با پایتون

ویدئوی آموزشی، درسنامه، تمرین، پروژه و سایر فایل‌ها
نسخه آفلاین

تقویم برگزاری

هفته ۱ جمعه  ۲۸ دی ۱۴۰۳
هفته ۲ جمعه  ۵ بهمن ۱۴۰۳
هفته ۳ جمعه  ۱۲ بهمن ۱۴۰۳
هفته ۴ جمعه  ۱۹ بهمن ۱۴۰۳
هفته ۵ جمعه  ۲۶ بهمن ۱۴۰۳
هفته ۶ جمعه  ۳ اسفند ۱۴۰۳

برگزارکننده

مدرسه پردازش و تحلیل داده دقیقه

d-learn.ir

پشتیبان دوره

شماره تماس: 09103209837

شناسه تلگرام: 

@dlearnsup

تماس با مدرسه پردازش و تحلیل داده دقیقه: 02188349244

The post یادگیری ماشین با رویکرد بهینه‌سازی در پایتون appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> https://d-learn.ir/mlopt/feed/ 12 پنج ابزار کاربردی برای تحلیل داده در کسب‌وکار  https://d-learn.ir/p/tools-for-business-analysis/ https://d-learn.ir/p/tools-for-business-analysis/#respond Sun, 13 Oct 2024 13:26:38 +0000 https://d-learn.ir/?p=71658 این یادداشت دو گروه مخاطب دارد؛ گروه اول شرکت‌ها و مدیران شرکتی که به دنبال ایجاد دپارتمان تحلیل داده در مجموعه خود هستند و گروه دوم افرادی که به دنبال آشنایی و یادگیری هستند که یا در مسیر تحلیل داده قدم بگذارند یا مهارت‌های خود را در این حوزه افزایش دهند.

The post پنج ابزار کاربردی برای تحلیل داده در کسب‌وکار  appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]>

در دنیای رقابتی و پرتلاطم کسب و کار، تحلیل داده‌ها به یکی از مهم‌ترین ابزارهای رقابتی تبدیل شده است. شرکت‌هایی که توانایی استخراج بینش‌های ارزشمند از حجم عظیم داده‌های خود را دارند، می‌توانند تصمیمات آگاهانه‌تری اتخاذ کنند، عملکرد خود را بهبود بخشند و در نهایت، مزیت رقابتی قابل توجهی به دست آورند. از بهینه‌سازی زنجیره تأمین گرفته تا پیش‌بینی رفتار مشتریان و شناسایی فرصت‌های جدید بازار، تحلیل داده‌ها در تمام جنبه‌های کسب و کار نقش حیاتی ایفا می‌کند.

با این حال، صرف داشتن داده‌های زیاد کافی نیست. توانایی تبدیل این داده‌ها به اطلاعات قابل اجرا، نیازمند ابزارها و نرم‌افزارهای تخصصی است که می‌توانند حجم عظیمی از داده‌ها را پردازش کرده و الگوها و روندهای پنهان را آشکار سازند. این نرم‌افزارها نه تنها به تحلیلگران داده اجازه می‌دهند تا به سرعت به سؤالات کلیدی کسب و کار پاسخ دهند، بلکه به مدیران نیز امکان می‌دهند تا با استفاده از داشبوردهای تعاملی و گزارش‌های بصری، درک عمیق‌تری از وضعیت کسب و کار خود به دست آورند.

این یادداشت دو گروه مخاطب دارد؛ گروه اول شرکت‌ها و مدیران شرکتی که به دنبال ایجاد دپارتمان تحلیل داده در مجموعه خود هستند  و گروه دوم افرادی که به دنبال آشنایی و یادگیری هستند که یا در مسیر تحلیل داده قدم بگذارند یا مهارت‌های خود را در این حوزه افزایش دهند.

معرفی نرم‌افزارها و زبان‌های برنامه‌نویسی تحلیل داده

| پنج ابزار کاربردی برای تحلیل داده در کسب‌وکار 

۱. مایکروسافت اکسل (Microsoft Excel)

مایکروسافت اکسل یکی از محبوب‌ترین ابزارها برای مدیریت و تحلیل داده‌هاست. این نرم‌افزار علاوه بر فراهم کردن امکانات پیشرفته برای انجام محاسبات و تحلیل داده، به کاربران اجازه می‌دهد داده‌ها را به صورت گرافیکی نمایش دهند و داشبوردهای تعاملی با آن ایجاد کنند. 

مزایا:

  • کاربرپسند بودن: فضای کاربری آشنا و کاربردی اکسل برای عموم کاربران
  • رابط کاربری ساده: Excel دارای رابط کاربری بسیار ساده و قابل درکی است که به کاربران اجازه می‌دهد به راحتی و بدون نیاز به برنامه‌نویسی داده‌ها را تحلیل کنند.
  • فرمول‌ها و توابع متنوع: شامل توابع پیشرفته مالی، آماری و ریاضی.
  • اتوماسیون: قابلیت استفاده از ماکروها برای خودکارسازی وظایف.
  • یک‌پارچگی: یک‌پارچگی اکسل با دیگر نرم‌افزارهای مجموعه آفیس مثل ورد و پاورپوینت
  •  

معایب:

  • محدودیت در مدیریت کلان‌داده (Big Data): در صورت وجود حجم عظیمی از داده‌ها، اکسل دچار کندی می‌شود.
  • خطای انسانی: احتمال خطای کاربری در وارد کردن فرمول‌ها و محاسبات پیچیده

دوره آموزشی اکسل برای تحلیل داده‌های کسب‌وکار

از ۱ آذر ۱۴۰۳ پنج‌شنبه‌ها۹:۳۰ تا ۱۳ (۶ هفته، ۱۲ جلسه، ۱۸ ساعت)
اطلاعات بیشتر
دوره آموزشی

power BI | پنج ابزار کاربردی برای تحلیل داده در کسب‌وکار 

۲. مایکروسافت پاور بی‌آی (Microsoft Power BI)

پاور بی‌آی یکی از قدرتمندترین ابزارهای هوش تجاری است که به کاربران کمک می‌کند داده‌ها را از منابع مختلف جمع‌آوری کرده و به صورت داشبوردهای تعاملی و گزارش‌های تصویری نمایش دهند.

مزایا:

  • بصری‌سازی قدرتمند: قابلیت ایجاد نمودارهای پیشرفته و داشبوردهای تعاملی.
  • اتصال به منابع مختلف: امکان اتصال به انواع پایگاه‌های داده و فایل‌ها.
  • ادغام با اکسل و سایر ابزارها: انتقال آسان داده‌ها از اکسل به پاور بی‌آی.

معایب:

  • نیاز به دانش فنی : کاربران برای استفاده کامل از تمامی امکانات نیاز به آشنایی با ابزارها دارند.
  • هزینه: برخی از ویژگی‌های پیشرفته پاور بی‌آی نیاز به خرید نسخه‌های پولی دارد.
  • چالش با کلان داده‌ها: در مدیریت با داده‌های بسیار بزرگ، چالش‌‌های خاص خود را دارد.
 

R | پنج ابزار کاربردی برای تحلیل داده در کسب‌وکار 

۳. زبان R

زبان R یک ابزار قدرتمند و تخصصی برای تحلیل داده‌های آماری و مصورسازی است که به‌ویژه در میان متخصصان علوم داده و تحلیل‌گران آماری بسیار محبوب است. این زبان با داشتن کتابخانه‌های زیاد در حوزه‌های مختلف و جامعه بزرگی از کاربران متعهد در دهه‌ی گذشته همواره به عنوان یکی از کاربردی‌ترین ابزارهای تحلیل داده معرفی شده‌است.

مزایا:

  • قدرتمند برای تحلیل داده: یکی از قدرتمندترین زبان‌های برنامه‌نویسی برای تحلیل داده
  • ابزارهای پیشرفته آماری: مناسب برای تحلیل‌های پیچیده آماری.
  • کتابخانه‌های گسترده: تعداد زیادی از کتابخانه‌های تخصصی برای انواع تحلیل‌های آمار
  • مصورسازی قدرتمند: کتابخانه‌های اختصاصی برای مصورسازی ایستا و پویا در انواع پلتفرم‌ها
  • متن‌باز و رایگان: بدون نیاز به خرید لایسنس.

معایب:

  • نیاز به برنامه‌نویسی: به عنوان زبان برنامه‌نویسی نیازمند یادگیری آموزش‌های لازم است.
  • عملکرد پایین در داده‌های بزرگ: در برخی موارد، R در مدیریت داده‌های بسیار بزرگ کارایی پایینی دارد.
 

py | پنج ابزار کاربردی برای تحلیل داده در کسب‌وکار 

۴. زبان برنامه‌نویسی پایتون (Python)

امروزه پایتون یکی از محبوب‌ترین زبان‌های برنامه‌نویسی برای تحلیل داده، یادگیری ماشین و اتوماسیون است. این زبان به دلیل سادگی و قابلیت‌های گسترده، به طور گسترده توسط تحلیل‌گران داده و توسعه‌دهندگان استفاده می‌شود.

مزایا:

  • سادگی و قابلیت استفاده: یادگیری آسان برای مبتدیان و مناسب برای تحلیل‌گران حرفه‌ای.
  • کتابخانه‌های غنی: شامل کتابخانه‌هایی مانند pandas، NumPy و matplotlib برای تحلیل و مصورسازی داده‌ها.
  • انعطاف‌پذیری بالا: کاربردهای متنوع پایتون از تحلیل داده تا هوش مصنوعی و برنامه‌نویسی وب و …

معایب:

  • نیاز به برنامه‌نویسی: به عنوان زبان برنامه‌نویسی نیازمند یادگیری آموزش‌های لازم است.
  • سرعت پایین‌تر نسبت به زبان‌های دیگر: پایتون ممکن است در برخی پروژه‌های بزرگ کندتر عمل کند.
 

SQL | پنج ابزار کاربردی برای تحلیل داده در کسب‌وکار 

۵.  SQL

زبان SQL که مخفف Structured Query Language یکی از پرکاربردترین زبان‌های برنامه‌نویسی برای استخراج و دستکاری داده‌ها از پایگاه‌های داده است. این زبان به ویژه در تحلیل داده بسیار مفید است زیرا به کاربران اجازه می‌دهد تا داده‌ها را به صورت ساختاریافته و کارآمد استخراج کنند. با استفاده از SQL، کاربران می‌توانند پرس‌وجوهای پیچیده‌ای را بر روی داده‌ها اجرا کنند و اطلاعات مفیدی برای تحلیل کسب و کار بدست آورند. اگرچه SQL به خودی خود یک زبان برنامه‌نویسی است، اما در ترکیب با سایر ابزارهای تحلیل داده می‌تواند قدرت تحلیل داده را به شدت افزایش دهد.

مزایا:

  • مدیریت مستقیم داده‌ها: امکان دسترسی و تحلیل داده‌ها به طور مستقیم از پایگاه‌های داده.
  • سازگاری با سیستم‌های مختلف: SQL با اکثر سیستم‌های پایگاه داده مانند MySQL، PostgreSQL و Oracle سازگار است.
  • سرعت بالا: برای تحلیل سریع داده‌های بزرگ بسیار موثر است.

معایب:

  • محدودیت در مصورسازی داده‌ها: SQL ابزارهای محدودتری برای بصری‌سازی داده‌ها دارد.
  • نیاز به کدنویسی: برای استفاده از SQL باید با سینتکس و ساختار آن آشنا بود.
 

دوره آموزشی مرتبط:

thumbnail

دوره آموزشی تحلیل داده با پایتون

ثبت نام کنید

 

جمع‌بندی

انتخاب بهترین ابزار برای تحلیل داده‌ها به نیازهای خاص هر کسب‌وکار و میزان پیچیدگی داده‌های آن بستگی دارد. برای کسب‌وکارهایی که به دنبال راه‌حل‌های سریع و ساده هستند، نرم‌افزارهایی مانند اکسل و پاور بی‌آی انتخاب‌های مناسبی هستند، زیرا کاربری آسان و قابلیت‌های بصری قوی را فراهم می‌کنند. اما برای تحلیل‌های پیچیده‌تر آماری یا زمانی که نیاز به مدل‌سازی پیشرفته دارید، زبان‌های برنامه‌نویسی مانند R و پایتون ابزارهای قدرتمندتری محسوب می‌شوند. اگر داده‌های شما در پایگاه‌های داده بزرگ و رابطه‌ای ذخیره می‌شوند، SQL به عنوان یک ابزار ضروری برای مدیریت و استخراج داده‌ها پیشنهاد می‌شود.

با این حال، برای انتخاب مناسب‌ترین ابزار، شرکت‌ها باید ابتدا داده‌های خود را به‌خوبی شناسایی کنند تا بهترین رویکرد تحلیل را براساس حجم، نوع و اهداف خود مشخص نمایند. این شناخت دقیق از داده‌ها، کلید استخراج بینش‌های ارزشمند و تصمیم‌گیری‌های هوشمندانه و استراتژیک است.

The post پنج ابزار کاربردی برای تحلیل داده در کسب‌وکار  appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> https://d-learn.ir/p/tools-for-business-analysis/feed/ 0 پایتون و تفکر الگوریتمی ویژه نوجوانان https://d-learn.ir/pytn/ https://d-learn.ir/pytn/#respond Mon, 24 Jun 2024 10:06:20 +0000 https://d-learn.ir/?p=66789 در این دوره آموزشی مقدمات برنامه‌نویسی با زبان پایتون شامل تعریف و کار با متغیرها و نوشتن دستورات ساده تا ایجاد توابع و یادگیری اصول طراحی و پیاده‌سازی الگوریتم به زبان ساده تدریس می‌شود. تلاش بر این است تا مفاهیم با حل تمرین و توضیحات کافی برای دانش‌آموزان تشریح شود.

The post پایتون و تفکر الگوریتمی ویژه نوجوانان appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]>

معرفی دوره

پایتون یکی از محبوب‌ترین زبان‌های برنامه‌نویسی در دنیا است و در میان نوجوانان علاقه‌مند به برنامه‌نویسی  و علوم کامپیوتر نیز دوست‌داران زیادی پیدا کرده است. پایتون در حوزه ‌های گوناگونی مثل توسعه نرم‌افزار، تحلیل داده‌، ساخت برنامه‌های وب، ساخت بازی‌های رایانه‌ای و طراحی برنامه‌های موبایل استفاده می‌شود. پایتون و برنامه‌نویسی به صورت کلی توانایی تفکر الگوریتمی و حل مسأله را در افراد بالا می‌برد. 

در این دوره آموزشی مقدمات برنامه‌نویسی با زبان پایتون شامل تعریف و کار با متغیرها و نوشتن دستورات ساده تا ایجاد توابع و یادگیری اصول طراحی و پیاده‌سازی الگوریتم به زبان ساده تدریس می‌شود. تلاش بر این است تا مفاهیم با حل تمرین و توضیحات کافی برای دانش‌آموزان تشریح شود. در این رویداد آموزشی، دانش‌آموزان روش استفاده از کتابخانه‌های پایتون را نیز فرا خواهند گرفت و دریچه‌های جدیدی به روی آن‌ها باز خواهد شد.

در آینده نزدیک کسانی که می‌خوانند و می‌نویسند لزوما باسواد نیستند بلکه کسانی با سواد محسوب می‌شوند که بتوانند با ماشین‌ها هم ارتباط برقرار کنند و درک عمیق‌تری از مقوله‌هایی مثل هوش مصنوعی داشته باشند. بخش قابل توجهی از سواد در آینده نه چندان دور، قابلیت گردآوری اطلاعات، دسته‌بندی آنها و استخراج مفاهیم و دانش از میان داده‌های پراکنده است.

زبان پایتون به عنوان یکی از قوی‌ترین، انعطاف‌پذیر‌ترین زبان‌های چند‌منظوره و متن‌باز دنیا در دهه‌های اخیر به صورت ویژه در صنایع و مشاغل گوناگون مورد استقبال قرار گرفته و جامعه بسیار بزرگی از توسعه‌دهندگان و کابران دارد. همچنین کتابخانه‌های وسیعی در کاربرد های گوناگون را دارا می باشد که اکثرا مجانی هستند.

اهداف دوره

  • آشنایی دانش‌آموزان با مقدمات برنامه‌نویسی کامپیوتر
  • ارایه تمرین‌های مختلف برای فهم مسائل آموخته‌شده با تمرین
  • معرفی و آموزش  الگوریتم و منطق برنامه‌نویسی

مدرس و تسهیلگر

بابک ایزدپناه

بابک ایزدپناه

کارشناس مهندسی مخابرات، کارشناسی ارشد هوش مصنوعی و روباتیک از دانشگاه صنعتی اصفهان که مدت ۲۲ سال کارشناسی و مدیریت طراحی و بهینه سازی شبکه سلولی مخابراتی در نسل های مختلف را بر عهداه داشته است. سیستم های مختلف نرم افزاری تحلیل داده و اتوماسیون داده و Data Pipeline را پیاده سازی نموده است. از سال‌ها پیش تدریس زبان برنامه نویسی را به نوجوانان آغاز نموده است و سابقه تدریس زبان برنامه نویسی پایتون مقدماتی و پیشرفته و بانکهای اطلاعاتی را به گروه سنی نوجوانان تا بزرگسالان و همچنین پایتون برای مهندسین مخابرات را داشته است.

چرا پایتون برای نوجوانان؟

۱. اهمیت آموزش برنامه‌نویسی

در دنیای امروز، آموزش برنامه‌نویسی و علوم کامپیوتر در سنین کمتری نسبت به گذشته آغاز می‌شود. کامپیوتر و نرم‌افزار جزئی اجتناب‌ناپذیر از صنایع و خدمات مختلف هستند و مهارت‌های مرتبط با آن‌ها اعتماد به نفس افراد را بالا می‌برد و برای آن‌ها مزیت رقابتی ایجاد می‌کند. با یادگیری پایتون، کودکان و نوجوانان اصول فناوری را فهمیده و قادر به مشارکت فعال در شکل‌دهی به زیست دیجیتال خود می‌شوند.

۲. پایتون، زبانی مناسب برای کودکان و نوجوانان

پایتون به عنوان یک زبان عالی برای کودکان و نوجوانان به دلیل سادگی و قابلیت خوانایی آن شناخته می‌شود. ساختار شبیه به زبان طبیعی پایتون سردرگمی را کم می‌کند و امکان دریافت مفاهیم اصلی برنامه‌نویسی را ساده می‌کند. آسانی استفاده از پایتون باعث می‌شود که انتخاب مناسبی برای نوآموزان باشد.

۳. تقویت تفکر الگوریتمی

برنامه‌نویسی شامل تجزیه مشکلات پیچیده به مسائل کوچک‌تر است. با ساخت توالی‌های منطقی از قطعات کوچک‌تر و الگوریتم‌ها، کودکان و نوجوانان توانایی تفکر تحلیلی خود را تقویت می‌کنند و توانایی‌شان را در حل مسائل ارتقا می‌بخشند. این مهارت‌ها علاوه بر برنامه‌نویسی، در زندگی روزمره نیز به عنوان دارایی‌های ارزشمندی تبدیل می‌شوند.

۴. تقویت توانایی خلاقیت و نوآوری

پایتون برای کودکان و نوجوانان محیطی فراهم می‌کند تا شکلی از خلاقیت بروز دهند. با کتابخانه‌ها و منابع گسترده‌ای که در اختیار قرار می‌دهند، برنامه‌نویسان جوان می‌توانند بازی‌ها بسازند، وب‌سایت‌های تعاملی طراحی کنند، انیمیشن‌ها را طراحی کنند و پروژه‌های نوآورانه ایجاد کنند. قابلیت‌های چندوجهی پایتون، زمینه‌ای برای کشف خلاقیت و ساخت چیزهای جدید و جذاب برای کودکان و نوجوانان فراهم می‌کند.

ویدیوی معرفی محتوای دوره

مخاطبین دوره:

  • دانش آموزان کلاس ششم تا یازدهم، علاقمند به یادگیری برنامه‌نویسی، تفکر الگوریتمی و حل مسائل ریاضی
تجهیزات مورد نیاز و انتظارات از دانش آموزان:
  • داشتن laptop جهت کلاسهای حضوری و جهت کلاس های آنلاین کامپیوتر خانگی هم جوابگو است.
  • آشنایی اولیه با زبان انگلیسی
پس از پایان دوره انتظار می رود دانش آموز موارد زیر را آموخته باشد:
  • برنامه نویسی و حل مسائل ساده با زبان پایتون
  • آشنایی با طراحی الگوریتم برای حل مساله
  • ساختار داده های اصلی پایتون و نحوه استفاده از آنها  

اطلاعات ثبت نام و برگزاری:

  • دوشنبه ها و چهارشنبه ها ساعت ۱۸:۰۰ تا ۲۱:۰۰
    (همراه با ۱۵ الی ۲۰ دقیقه زمان استراحت)
  • شروع: ۱۵ مرداد ۱۴۰۳
  • پایان: ۲۸ شهریور ۱۴۰۳
  • طول دوره: ۲۶ ساعت شامل ۲۰ ساعت آموزش، حل تمرین و رفع اشکال آنلاین و ۶ ساعت رویداد حضوری – آنلاین

تقویم آموزشی

شمارهروز تاریخشیوه برگزاری
جلسه ۱دوشنبه۱۵ مرداد ۱۴۰۳حضوری – آنلاین
جلسه ۲چهارشنبه۱۷ مرداد ۱۴۰۳آنلاین
جلسه ۳دوشنبه۲۲ مرداد ۱۴۰۳آنلاین
جلسه ۴چهارشنبه۲۴ مرداد ۱۴۰۳آنلاین
جلسه ۵دوشنبه۲۹ مرداد ۱۴۰۳آنلاین
جلسه ۶چهارشنبه۳۱ مرداد ۱۴۰۳آنلاین
جلسه ۷دوشنبه۵ شهریور ۱۴۰۳آنلاین
جلسه ۸چهارشنبه۷ شهریور ۱۴۰۳آنلاین
جلسه ۹دوشنبه۱۹ شهریور ۱۴۰۳آنلاین
جلسه ۱۰چهارشنبه۲۱ شهریور ۱۴۰۳آنلاین
جلسه ۱۱دوشنبه۲۶ شهریور ۱۴۰۳آنلاین
جلسه ۱۲چهارشنبه۲۸ شهریور ۱۴۰۳حضوری – آنلاین

آدرس محل برگزاری حضوری: تهران، میدان هفت تیر، بلوار کریمخان، خیابان حسینی، جنب میدان سنایی

* محتوای کامل این دوره آموزشی شامل ویدئوی ضبط شده جلسات و کلیه فایل‌ها پس از اتمام دوره، به صورت یک دوره آفلاین در صفحه «ویدئوهای آموزشی» عرضه خواهد شد. 

python logo circle | پایتون و تفکر الگوریتمی ویژه نوجوانان

سرفصل‌های آموزشی

  •  مقدمه
  •  برنامه نویسی چیست
  •  نصب
  •  عملگرها
  •  انواع داده
  • متغیرها و انواع آن
  • اعداد
  • رشته‌ها
  • لیست
  • تاپل
  • دیکشنری
  • مجموعه ها
  • تفاوت لیست و مجموعه ها
  • گزاره‌های منطقی (درست و نادرست)
  • گزاره‌های شرطی
  • الگوریتم
  • حلقه‌ها
  • توابع پیش‌ساخته و جدید
  • توابع و انواع آن
  • GUI, Turtle graphics
  • چارت و نمودار
  • متدهای لیست، تاپل، دیکشنری و مجموعه‌

ثبت‌نام

شهریه:  ۴,۵۰۰,۰۰۰ تومان

با ۲۰% تخفیف تا یک شنبه 14 مرداد 

کد تخفیف: pytn1nce

ظرفیت ثبت نام: ۲۰ نفر

پرداخت کامل

پرداخت در دو قسط

درصورتی که مایل هستید بصورت اقساط پرداخت کنید از این قسمت استفاده کنید:

قسط اول: ۲,۲۵۰,۰۰۰ تومان 

کد تخفیف تا ۱۰ مرداد: pyfp10p

در صورت پرداخت قسط اول تا 14 مرداد می توانید از ۱۰% تخفیف برای قسط دوم نیز بهره‌مند شوید.

قسط دوم: ۲,۲۵۰,۰۰۰ تومان

محل برگزاری:
جلسات آنلاین: google meet
جلسات حضوری-آنلاین: میدان هفت تیر، بلوار کریمخان، میدان سنایی

** در صورت عدم رسیدن تعداد ثبت نام‌ها به 12 دوره تشکیل نخواهد شد و مبالغ بازگردانده خواهد شد.

برگزارکننده

مدرسه پردازش و تحلیل داده دقیقه

d-learn.ir

پشتیبان دوره

شماره تماس: 09103209837

شناسه تلگرام: 

@dlearnsup

تماس با مدرسه پردازش و تحلیل داده دقیقه: 02188349244

The post پایتون و تفکر الگوریتمی ویژه نوجوانان appeared first on مدرسه پردازش و تحلیل داده دقیقه.

]]> https://d-learn.ir/pytn/feed/ 0