دانلود کتاب آموزشی Python for Data Science and Machine Learning Bootcamp جلد اول

فهرست کتاب آموزشی Python for Data Science and Machine Learning Bootcamp . این فهرست شامل سرفصل‌ها و بخش‌های اصلی است و بر اساس استانداردهای آموزش Python برای داده‌کاوی و یادگیری ماشین طراحی شده است.

بخش 1. مقدمه و آشنایی اولیه

فصل 1. معرفی دوره و اهداف

• هدف اصلی دوره و اهمیت Python در Data Science و Machine Learning

• مروری بر مهارت‌هایی که در پایان دوره کسب خواهید کرد

• کاربردهای عملی Python در صنعت، تحقیق و پروژه‌های واقعی

• نحوه استفاده از منابع آموزشی و تمرین‌ها

فصل 2. نصب و راه‌اندازی محیط‌های توسعه

• معرفی محیط‌های توسعه و IDEهای مناسب برای Data Science

• نصب Anaconda و مدیریت محیط‌های Python

• کار با Jupyter Notebook و ساخت اولین نوت‌بوک

• معرفی VS Code و مزایای استفاده برای پروژه‌های بزرگ

• تنظیم محیط برای اجرای کتابخانه‌های Data Science

فصل 3. آشنایی با مفاهیم پایه Data Science و Machine Learning

• تعریف Data Science و چرخه زندگی داده (Data Life Cycle)

• مراحل جمع‌آوری، پاکسازی، تحلیل و مدل‌سازی داده

• تفاوت بین Supervised، Unsupervised و Reinforcement Learning

• مثال‌های کاربردی از پروژه‌های Data Science در کسب‌وکار و صنعت

• معرفی مفاهیم کلیدی Machine Learning: ویژگی، برچسب، مدل، الگوریتم

فصل 4. مرور اجمالی Python و تاریخچه آن

• تاریخچه Python و رشد آن در علوم داده و یادگیری ماشین

• ویژگی‌های Python که آن را برای Data Science مناسب می‌کند

• تفاوت Python با سایر زبان‌های برنامه‌نویسی در حوزه داده

• معرفی اکوسیستم Python شامل کتابخانه‌ها و ابزارهای محبوب

فصل 5. اولین تجربه با Python

• اجرای اولین برنامه‌های ساده Python

• کار با متغیرها و چاپ خروجی‌ها

• ساختار ساده یک برنامه Python و مفهوم اجرای خط به خط

• ایجاد پروژه کوچک تمرینی برای آشنایی با محیط توسعه

بخش 2. مبانی برنامه‌نویسی Python

فصل 1. آشنایی با Python و محیط برنامه‌نویسی

• تاریخچه Python و کاربردهای آن در علم داده و یادگیری ماشین

• تفاوت نسخه‌های Python (2.x و 3.x)

• معرفی محیط‌های توسعه: Jupyter Notebook، Anaconda، VS Code

• ساختار کلی برنامه‌های Python

فصل 2. متغیرها و انواع داده‌ها

• تعریف متغیر و قواعد نام‌گذاری

• انواع داده‌های پایه: عددی (int, float)، رشته‌ای (string)، منطقی (Boolean)

• تبدیل انواع داده‌ها

• عملیات ریاضی و منطقی روی داده‌ها

فصل 3. شرط‌ها و ساختارهای تصمیم‌گیری

• استفاده از شرط‌ها: if، elif، else

• ترکیب شرط‌ها با عملگرهای منطقی (and, or, not)

• شرط‌های تو در تو

• کاربردهای عملی در داده‌کاوی

فصل 4. حلقه‌ها و تکرار

• حلقه‌های for و while

• استفاده از حلقه‌ها برای پیمایش داده‌ها

• کاربرد break و continue

• حلقه‌های تو در تو

فصل 5. توابع و ماژول‌ها

• تعریف و فراخوانی توابع

• پارامترها و مقادیر بازگشتی

• ماژول‌ها و نحوه استفاده از آن‌ها

• کاربرد توابع در پردازش داده‌ها

فصل 6. ساختارهای داده پیچیده

• لیست‌ها و عملیات روی آن‌ها

• تاپل‌ها و تفاوت با لیست‌ها

• دیکشنری‌ها و کاربردهای کلید-مقدار

• مجموعه‌ها و عملیات روی آن‌ها

فصل 7. مدیریت خطا و استثناها

• شناسایی خطاهای رایج در Python

• استفاده از try، except، finally

• ایجاد استثناهای سفارشی

فصل 8. فایل‌ها و ورودی/خروجی

• خواندن و نوشتن فایل‌های متنی و CSV

• مدیریت فایل‌ها با دستورات باز و بسته کردن

• پردازش داده‌ها از فایل‌ها برای تحلیل

بخش 3. کار با داده‌ها و کتابخانه‌های پایه

فصل 1: آشنایی با NumPy

• معرفی کتابخانه NumPy و کاربردهای آن در محاسبات علمی

• آرایه‌ها و تفاوت آن‌ها با لیست‌های Python

• ایجاد آرایه‌ها و عملیات پایه روی آن‌ها

• عملیات ریاضی، آماری و ماتریسی روی آرایه‌ها

• Indexing و Slicing در آرایه‌ها

• ترکیب و تقسیم آرایه‌ها

فصل 2: پیش‌پردازش داده‌ها با NumPy

• مدیریت داده‌های گمشده و ناهمگن در آرایه‌ها

• تغییر شکل (reshape) و انتقال (transpose) آرایه‌ها

• محاسبات برداری و عملیات شرطی

• کار با آرایه‌های تصادفی و توزیع‌های آماری

فصل 3: آشنایی با Pandas

• معرفی سری‌ها (Series) و دیتافریم‌ها (DataFrame)

• ساخت و مشاهده داده‌ها در Pandas

• دسترسی به داده‌ها با Indexing و Selection

• فیلتر کردن و مرتب‌سازی داده‌ها

• انجام عملیات آماری و توصیفی روی دیتافریم‌ها

فصل 4: مدیریت داده‌ها در Pandas

• خواندن داده‌ها از فایل‌های CSV، Excel و SQL

• نوشتن داده‌ها به فایل‌های مختلف

• ادغام و پیوستن دیتافریم‌ها

• گروه‌بندی داده‌ها (GroupBy) و محاسبات تجمعی

• ایجاد ستون‌ها و محاسبات سفارشی

فصل 5: پاکسازی و آماده‌سازی داده‌ها

• شناسایی و مدیریت داده‌های گمشده

• تغییر نام ستون‌ها و ایندکس‌ها

• حذف داده‌های تکراری و اصلاح داده‌های ناهماهنگ

• اعمال توابع سفارشی روی ستون‌ها و ردیف‌ها

• آماده‌سازی داده‌ها برای مصورسازی و مدل‌سازی

فصل 6: دستکاری و تحلیل داده‌ها

• ترکیب، تقسیم و تغییر شکل داده‌ها

• استفاده از Pivot Tables و Crosstab

• محاسبه همبستگی و بررسی روابط بین ستون‌ها

• شناسایی الگوها و روندهای پنهان در داده‌ها

بخش 4. مصورسازی داده‌ها (Data Visualization)

فصل 1: مقدمه‌ای بر مصورسازی داده‌ها

• اهمیت مصورسازی داده‌ها در تحلیل و تصمیم‌گیری

• تفاوت بین نمودارهای توصیفی و تحلیلی

• معرفی ابزارها و کتابخانه‌های Python برای مصورسازی

فصل 2: Matplotlib – کتابخانه پایه مصورسازی

• آشنایی با ساختار و مفاهیم پایه Matplotlib

• رسم نمودارهای خطی و پراکندگی (Line & Scatter Plots)

• نمودارهای میله‌ای و ستونی (Bar & Horizontal Bar Charts)

• نمودارهای دایره‌ای و چندبعدی (Pie & Stacked Charts)

• شخصی‌سازی نمودارها: رنگ، سبک خطوط، عناوین و برچسب‌ها

فصل 3: Seaborn – نمودارهای آماری پیشرفته

• آشنایی با کتابخانه Seaborn و تفاوت آن با Matplotlib

• نمودارهای توزیع داده‌ها (Histograms, KDE, Distribution Plots)

• نمودارهای مقایسه‌ای و گروه‌بندی شده (Box, Violin, Swarm Plots)

• تحلیل همبستگی با Heatmap

• ترکیب نمودارها برای نمایش چند بعد

فصل 4: مصورسازی تعاملی و پیشرفته

• اهمیت نمودارهای تعاملی در ارائه داده‌ها

• نمودارهای چندبعدی و Matrix Plots

• استفاده از رنگ و اندازه برای نمایش اطلاعات اضافه

• طراحی داشبوردهای ساده با نمودارهای تعاملی

فصل 5: تحلیل روندها و الگوهای داده‌ها با نمودارها

• شناسایی الگوهای زمانی و روندهای رشد

• بررسی نوسانات و نقاط پرت

• مصورسازی داده‌های سری زمانی

• ترکیب نمودارها برای تحلیل جامع و گزارش‌دهی