در این مطلب، ویدئو آموزش پایتون: برجسته کردن داده ها 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: 00:04:07
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,749 –> 00:00:03,629
خوش آمدید، در این دوره یاد خواهید گرفت که
2
00:00:03,629 –> 00:00:05,879
چگونه از پایتون برای ایجاد تجسم داده های قانع کننده
3
00:00:05,879 –> 00:00:09,270
و کارآمد استفاده کنید،
4
00:00:09,270 –> 00:00:11,640
ابتدا کمی درباره من، من
5
00:00:11,640 –> 00:00:13,470
از کار به عنوان دانشمند داده
6
00:00:13,470 –> 00:00:15,210
و تصویرساز در مکان هایی مانند
7
00:00:15,210 –> 00:00:17,640
آزمایشگاه علوم داده جانز هاپکینز، نیویورک
8
00:00:17,640 –> 00:00:20,699
تایمز و دانشگاه واندربیلت کار من
9
00:00:20,699 –> 00:00:23,400
بر روی ساختن تجسمسازی برای
10
00:00:23,400 –> 00:00:26,630
مجموعه دادههای پیچیده بزرگ و نتایج مدل تمرکز دارد
11
00:00:26,630 –> 00:00:29,369
که چرا تجسم دادهها جزء مهمی
12
00:00:29,369 –> 00:00:31,589
از علم داده است، اگر قبلاً
13
00:00:31,589 –> 00:00:33,420
تصمیم گرفتهاید این دوره را بگذرانید،
14
00:00:33,420 –> 00:00:35,160
احتمالاً نیازی به توضیح من
15
00:00:35,160 –> 00:00:37,740
درباره مزیت دادهها ندارید. بصری سازی، اما
16
00:00:37,740 –> 00:00:39,690
به خاطر کامل بودن،
17
00:00:39,690 –> 00:00:41,730
تجسم داده ها به شما کمک می کند داده ها
18
00:00:41,730 –> 00:00:43,440
و نتایج خام را از گردش کار علم داده خود دریافت کنید
19
00:00:43,440 –> 00:00:45,540
و آنها را به
20
00:00:45,540 –> 00:00:47,610
21
00:00:47,610 –> 00:00:50,790
نمایش های فیزیکی لمسی و
22
00:00:50,790 –> 00:00:52,650
23
00:00:52,650 –> 00:00:55,020
شهودی تبدیل کنید.
24
00:00:55,020 –> 00:00:56,670
به نموداری زیباتر
25
00:00:56,670 –> 00:00:59,970
یا کاملاً ضروری برای
26
00:00:59,970 –> 00:01:01,680
درک داده ها مانند
27
00:01:01,680 –> 00:01:03,600
ویژوالی zing الگوهای
28
00:01:03,600 –> 00:01:06,900
جغرافیایی و هزاران نقطه داده در موقعیت جغرافیایی برای
29
00:01:06,900 –> 00:01:08,490
ایجاد تجسم در این دوره
30
00:01:08,490 –> 00:01:10,470
ما از ترکیبی از matplotlib
31
00:01:10,470 –> 00:01:13,440
و Seabourn استفاده خواهیم کرد تا بیشترین بهره را از این
32
00:01:13,440 –> 00:01:13,770
دوره
33
00:01:13,770 –> 00:01:14,909
ببرید.
34
00:01:14,909 –> 00:01:16,650
35
00:01:16,650 –> 00:01:19,409
36
00:01:19,409 –> 00:01:21,270
دورههای پیشنیاز این دوره
37
00:01:21,270 –> 00:01:23,280
منابع فوقالعادهای برای به دست آوردن این
38
00:01:23,280 –> 00:01:26,030
مهارتها هستند، اگر قبلاً آنها را ندارید،
39
00:01:26,030 –> 00:01:28,260
فقط به این دلیل که این دوره با چند بسته خاص تدریس میشود، به
40
00:01:28,260 –> 00:01:30,540
این معنا نیست که
41
00:01:30,540 –> 00:01:32,250
درسها برای کاربران ابزارهای دیگر ارزشمند نیستند.
42
00:01:32,250 –> 00:01:35,250
43
00:01:35,250 –> 00:01:37,380
انجام برخی اقدامات تکنیک ها و
44
00:01:37,380 –> 00:01:39,810
بهترین شیوه های آموزش داده شده در این دوره را می
45
00:01:39,810 –> 00:01:41,820
توان در پلتفرم علم داده انتخابی شما
46
00:01:41,820 –> 00:01:45,119
مانند صفحات گسترده ما یا
47
00:01:45,119 –> 00:01:47,630
هر بی شمار ابزار دیگری که
48
00:01:47,630 –> 00:01:50,159
در سه فصل اول موجود است در
49
00:01:50,159 –> 00:01:52,530
این دوره به کار برد. ما از مجموعه داده های جذابی استفاده خواهیم کرد.
50
00:01:52,530 –> 00:01:54,750
EPA در مورد
51
00:01:54,750 –> 00:01:58,380
سطوح آلودگی در سراسر ایالات متحده، هر ردیف
52
00:01:58,380 –> 00:02:00,720
از داده ها حاوی حداکثر میزان آلودگی هوای مشاهده شده است.
53
00:02:00,720 –> 00:02:03,270
برای چهار
54
00:02:03,270 –> 00:02:06,63