مدرسه دقیقه

📹 ویدئوی آموزشی مبانی یادگیری ماشین و الگوریتم نزدیک‌ترین همسایه (KNN)

در دنیای امروز، یادگیری ماشین (Machine Learning) به یکی از مهارت‌های کلیدی و پرکاربرد در علوم داده، هوش مصنوعی و فناوری اطلاعات تبدیل شده است. یادگیری ماشین بر پایه الگوریتم‌هایی بنا شده است که با تحلیل داده‌ها، الگوها و روابط پنهان میان آن‌ها را کشف کرده و از این الگوها برای پیش‌بینی یا تصمیم‌گیری در مواجهه با داده‌های جدید استفاده می‌کنند.
در این پست، دو ویدئوی آموزشی #رایگان در این حوزه در دسترس شما قرار دارد:

👨‍🏫 مدرس: 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

🎬 ویدئوی اول: مقدمه‌ای بر یادگیری ماشین
این جلسه، به تعریف یادگیری ماشین، انواع روش‌های یادگیری (نظارت‌شده، بدون‌نظارت، تقویتی)، و کاربردهای متنوع آن در صنایع مختلف پرداخته شده است. همچنین مفاهیم کلیدی همچون داده، ویژگی‌ها (Features)، برچسب‌ها (Labels)، و مراحل کلی ساخت یک مدل یادگیری ماشین به زبان ساده توضیح داده می‌شوند. این ویدئو، دید جامعی از آنچه در مسیر یادگیری ماشین پیش رو دارید، ارائه می‌دهد.
🙂 d-learn.ir/courses/mlpyv/lesson/w1-p1-5/

🎬🎬 ویدئوی دوم: آشنایی با الگوریتم K-Nearest Neighbors (KNN)
سعید مجیدی در این ویدئو به معرفی یکی از ساده‌ترین و در عین حال کاربردی‌ترین الگوریتم‌های یادگیری ماشین، یعنی نزدیک‌ترین همسایه (KNN) می‌پردازد. این الگوریتم که در دسته یادگیری نظارت‌شده قرار دارد، بر اساس فاصله‌سنجی میان داده‌ها، به طبقه‌بندی یا پیش‌بینی مقادیر می‌پردازد. در این ویدئو، منطق این الگوریتم، نحوه انتخاب پارامتر K، اهمیت پیش‌پردازش داده‌ها، و چالش‌های معمول آن به شکلی کاربردی و قابل درک بیان شده است.
🙂 d-learn.ir/courses/mlpyv/lesson/w1-p2-3/

ـــــــــــــــــــــــ
✔️ ویدئوهای فوق نقطه آغاز مسیر یادگیری ماشین با رویکردی عملی و پروژه‌محور است. اگر به دنبال کسب مهارتی ارزشمند و آینده‌ساز در دنیای داده و هوش مصنوعی هستید، این دوره می‌تواند شروعی مطمئن برای شما باشد. در صورت تمایل به یادگیری و دسترسی به دوره کامل می‌توانید، از لینک زیر شروع کنید:
🔘 لینک ثبت نام:
d-learn.ir/mlpy

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

✈️ ویدئو و فایل ارائه وبینار «مسیر شغلی یادگیری ماشین و هوش مصنوعی» منتشر شد

در عصر حاضر، یادگیری ماشین و هوش مصنوعی به عنوان پیشران‌های اصلی تحولات فناورانه، نقش حیاتی در شکل‌دهی به آینده صنایع و جوامع ایفا می‌کنند. این حوزه‌های دانش، فراتر از مرزهای سنتی علوم کامپیوتر، با بهره‌گیری از داده‌های عظیم و الگوریتم‌های پیچیده، قابلیت‌های بی‌سابقه‌ای در تحلیل، پیش‌بینی و تصمیم‌گیری هوشمندانه فراهم می‌آورند.

توسعه و به‌کارگیری سیستم‌های مبتنی بر یادگیری ماشین و هوش مصنوعی، طیف وسیعی از فرصت‌های شغلی تخصصی را در سطح جهان ایجاد نموده است. این مشاغل، از تحقیق و توسعه الگوریتم‌های نوین گرفته تا پیاده‌سازی و استقرار راهکارهای هوشمند در کاربردهای متنوع، نیازمند دانش عمیق نظری و مهارت‌های عملی پیشرفته‌ای در زمینه علوم داده، برنامه‌نویسی و مدل‌سازی ریاضی می‌باشند.
با توجه به رشد فزاینده تقاضا برای متخصصان این حوزه و پتانسیل بالای آن در ایجاد ارزش افزوده و تحول‌آفرینی، شناخت دقیق مسیرهای شغلی موجود و مهارت‌های مورد نیاز برای ورود و پیشرفت در این عرصه، امری ضروری برای علاقه‌مندان و فعالان این حوزه محسوب می‌گردد.

با توجه به استقبال همراهان از وبینار، فیلم وبینار و فایل ارائه شده در سایت مدرسه دقیقه در دسترس مخاطبان قرار گرفت. برای دسترسی به آن از لینک زیر استفاده کنید:
d-learn.ir/crmlai


〰️🔽🔽〰️
اگر می‌خواهید از قدرت #هوش_مصنوعی در تحلیل داده و تحقیقات خود بهره‌مند شوید، یادگیری ماشین مهم‌ترین چیزی است که به آن نیاز دارید.
دوره جامع «یادگیری ماشین با پایتون» از مبانی یادگیری ماشین آغاز می‌شود و گام‌ به گام تا مباحث پیچیده‌تری مثل یادگیری گروهی، کاهش ابعاد داده و  شبکه‌های عصبی پیش ‌می‌رود. در این دوره آموزشی تمامی مباحث با رویکردی عملیاتی آموزش داده خواهند شد و تمامی مفاهیم و روش‌های دوره با پردازش داده‌های واقعی در محیط #پایتون پیاده‌سازی خواهند شد.

⭐️  کد تخفیف 30% برای پرداخت کامل: Fvxp30
💠  کد تخفیف 20% برای پرداخت قسطی: VxpF20

🔗 لینک ثبت نام:
d-learn.ir/mlpy


تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

مدرسه دقیقه pinned Deleted message

🙂 #فرصت_شغلی مسئول بازاریابی و فروش سازمانی
در مدرسه پردازش و تحلیل داده دقیقه

مدرسه پردازش و تحلیل داده دقیقه به‌دنبال جذب یک نیروی توانمند، خلاق و علاقه‌مند به حوزه‌های تحلیل داده و هوش مصنوعی برای موقعیت «مسئول بازاریابی و فروش سازمانی» است.


✅ شرح مسئولیت‌ها

▫ طراحی و اجرای استراتژی‌های بازاریابی دیجیتال (با تمرکز بر شبکه‌های اجتماعی، ایمیل مارکتینگ، تبلیغات آنلاین و سایر کانال‌های بازاریابی دیجیتال)
▫ توسعه بازار با برقراری ارتباط مؤثر با سازمان‌ها، شرکت‌ها و نهادهای آموزشی
▫ پاسخ‌گویی به سوالات متقاضیان و ارائه مشاوره جهت انتخاب دوره مناسب
▫ پیگیری و مدیریت فرایند فروش از مرحله جذب تا ثبت‌نام نهایی
▫ همکاری مستمر با تیم تولید محتوا برای معرفی مؤثر دوره‌ها
▫ طراحی و برگزاری رویدادهای تبلیغاتی، آموزشی یا معرفی دوره‌ها
▫ تحلیل رفتار مخاطبان و مشتریان بالقوه برای بهبود عملکرد فروش
▫ همکاری نزدیک با تیم آموزش جهت به‌روزرسانی اطلاعات دوره‌ها
▫ تهیه و ارائه گزارش‌های تحلیلی از عملکرد فروش


✅ شرایط احراز (الزامی)

▫ توانایی برقراری ارتباط مؤثر و مهارت‌های مذاکره
▫ روحیه تیمی، انعطاف‌پذیری و علاقه‌مندی به یادگیری مداوم
▫ آشنایی با مفاهیم بازاریابی دیجیتال و تجربه کار با ابزارهای مرتبط
▫ مهارت در مدیریت زمان و پیگیری امور به‌صورت منظم و دقیق


🌟 امتیاز محسوب می‌شود اگر

▫ با ابزارها و زبان‌های تحلیل داده آشنا باشید مانند Google spreadsheet Excel R Python PowerBI SQL
▫ علاقه‌ به یادگیری و رشد در مسیر تحلیل داده داشته باشید
▫ سابقه تولید محتوا (متن، گرافیک، ویدئو و انتشار در شبکه‌های اجتماعی) داشته باشید
▫ سابقه همکاری در پروژه‌های آموزشی داشته باشید
▫ تجربه کار در فروش یا بازاریابی در حوزه آموزش یا فناوری را داشته باشید


💼 شرایط همکاری

▫ امکان همکاری تمام‌وقت یا پاره‌وقت
▫ شیوه کار: ترکیبی از حضوری و دورکاری
▫ محل فعالیت: تهران، میدان هفت تیر، بلوار کریمخان، میدان سنایی
▫ حقوق توافقی + پاداش‌های عملکردی بر اساس میزان فروش


📩 ارسال رزومه

در صورت علاقه‌مندی، لطفاً رزومه خود را به آدرس زیر ارسال کنید:

📬 dlearn.jobs@gmail.com


تماس:
88349244
09103209837

@dlearn_ir

🔸 مسیر شغلی تحلیلگر و مهندس داده؛ همچنان محبوب و رو به رشد در بازار کار

مهارت‌های تحلیل داده با زبان برنامه‌نویسی پایتون در حال حاضر از جمله توانمندی‌های بسیار پرتقاضا در بازار کار به شمار می‌روند و با سرعت قابل توجهی در حال رشد هستند. بر اساس پیش‌بینی اداره آمار کار ایالات متحده، مشاغل مرتبط با علم داده تا سال ۲۰۳۳ با رشدی معادل ۳۶ درصد مواجه خواهند بود. طبق گزارش دانشگاه LSE انگلیس و سایت مشهور DeepLearning در گزارش‌های متفاوتی از آینده‌ی روبه‌رشد این مهارت تخصصی و نقش زبان پایتون در این میان نوشتند:

🔵 پایتون زبان اصلی غالب در حوزه تحلیل داده

سایت DeepLearning.ai در یادداشت خود نوشته که پایتون به زبان اصلی و غالب در حوزه تحلیل داده تبدیل شده است؛ به‌گونه‌ای که بیش از ۹۰ درصد از متخصصان علم داده از آن بهره می‌برند. این ابزار به دلیل کارایی بالا و جامعه کاربری گسترده، پرکاربردترین زبان در این زمینه به شمار می‌رود. در مقایسه با نرم‌افزارهای صفحه‌گسترده‌ای مانند اکسل، پایتون امکانات پیشرفته‌تری در زمینه مقیاس‌پذیری، خودکارسازی فرآیندها و اجرای تحلیل‌های پیچیده ارائه می‌دهد. این زبان توانایی مدیریت مجموعه‌داده‌های بزرگ، انجام خودکار وظایف تکراری و تولید تحلیل‌های قابل تکرار را دارد.
یادگیری پایتون برای تحلیل داده، اقدامی هوشمندانه در مسیر توسعه حرفه‌ای است. این مهارت نه‌تنها مسیر ورود به مشاغل نوظهور و پردرآمد را هموار می‌سازد، بلکه امکان حل مسائل واقعی با تکیه بر داده، افزایش بهره‌وری از طریق خودکارسازی، و تثبیت جایگاه شغلی در یک اقتصاد مبتنی بر داده را فراهم می‌آورد.
لینک گزارش deeplearning

🔵 مشاغل تخصصی حوزه داده در میان ۱۰ شغل پر تقاضا در ۲۰۲۵

در گزارش LSE از چشم‌انداز تکنولوژی سال ۲۰۲۵، تحلیلگران داده و دانشمندان داده به عنوان ستون فقرات تصمیم‌گیری داده‌محور معرفی شده‌اند. افزایش شدید حجم داده‌ها و نیاز روزافزون به بینش‌های تحلیلی باعث شده است که این حرفه‌ها در بسیاری از صنایع پرتقاضا باقی بمانند. وظیفه‌ی تحلیلگران داده، بررسی مجموعه داده‌های بزرگ و استخراج الگوها و بینش‌هایی است که به تصمیم‌گیری‌های کلان کسب‌وکار کمک می‌کنند.
تحلیلگران و دانشمندان داده، مشاغلی را راهبری می‌کنند که بر حل مسائل پیچیده با پتانسیل ایجاد تأثیر قابل توجه بر کسب و کار تمرکز دارند. این مسیر شغلی، فرصت‌های زیادی را برای پیشرفت و تخصص، تقریباً در هر صنعتی، ارائه می‌دهد.
لینک گزارش lse

محتوای این دو مقاله و بیشتر از آن در وبینار « مسیر شغلی تحلیل داده و مهندسی داده؛ و آینده آن‌ها در دوره رشد هوش مصنوعی» مورد بحث و گفتگو قرار خواهد گرفت. اگر سوالی درباره مسیرهای شغلی این حوزه دارید می‌توانید در این وبینار شرکت کنید.

🔗 لینک ثبت‌نام در وبینار (رایگان):

👆 d-learn.ir/crdn

🧑‍💻 حسام محمدحسینی | مدیر ارشد مهندسی داده و پلتفرم مدیریت ارزش مشتری (CVM) در ایرانسل، سابقه مدیریت محصول در پلتفرم کلان‌داده دیجیکالا، مدیر ارشد اسبق عملکرد شبکه در ایرانسل، کارشناسی ارشد مخابرات سیستم از دانشگاه تربیت مدرس

🗓 یکشنبه ۱۴ اردیبهشت ۱۴۰۴
⌚️ ساعت ۱۸:۳۰ تا ۱۹:۳۰


تماس:
t.me/dlearnsup
02188349244
09103209837

@dlearn_ir

🔈وبینار مسیر شغلی مدیریت محصول و نگاهی به ظرفیت‌های استفاده از هوش مصنوعی در آن (رایگان)

مدیریت محصول یکی از جذاب‌ترین، پویا‌ترین و در عین حال پرچالش‌ترین مسیرهای شغلی در دنیای فناوری است. طبق گزارش شغلی 1404 جاب‌ویژن، مدیریت محصول پردرآمدترین شغل ۱۴۰۴ و سال‌های پیش از این بوده است.
مدیر محصول، معمار تجربه کاربر، هماهنگ‌کننده تیم‌های فنی و تجاری، و راهبر مسیر رشد محصول است. این نقش نیازمند مهارتی میان‌رشته‌ای‌ست؛ کسی که هم بازار را می‌فهمد، هم زبان توسعه‌دهنده را، و هم با نگاه استراتژیک، تصمیم‌هایی دقیق و مبتنی بر داده می‌گیرد.

در این وبینار قصد داریم تصویری روشن و کاربردی از مسیر شغلی مدیر محصول ارائه دهیم. در این وبینار وظایف و مسئولیت‌های مدیر محصول را بر خواهیم شمرد به مهارت‌های مورد نیاز برای ورود به این مسیر شغلی اشاره خواهیم کرد. علاوه بر این تغییرات و چشم‌اندازهایی که هوش مصنوعی بر این شغل می‌گذارد را مرور می‌کنیم.

💡 عناوین ارائه:
🔸 این وبینار در ۳ بخش ارائه می‌شود؛
بخش اول مفاهیم اساسی مانند تحلیل نیاز کاربر، طراحی ارزش پیشنهادی، اولویت‌بندی ویژگی‌ها، مدیریت نقشه راه، آزمون‌های A/B و تفاوت نقش مدیر محصول با سایر نقش‌ها را پوشش می‌دهد.
🔸 بخش دوم مسیر شغلی از مدیر محصول آغازگر تا مدیر ارشد را بررسی می‌کند و به ویژگی‌های رزومه‌های موفق می‌پردازد.
🔸  بخش سوم به آینده این شغل در عصر هوش مصنوعی اختصاص دارد و نشان می‌دهد چگونه هوش مصنوعی در تحلیل داده، توسعه ویژگی‌ها و تصمیم‌گیری‌های محصول نقش ایفا می‌کند.
و در نهایت به  سوالات شرکت‌کنندگان درباره  پاسخ داده خواهد شد.
توضیحات بیشتر در لینک ثبت‌نام در دسترس است.

🎓  امیرخسرو بهادری | مدیر محصول شرکت استرالیایی Dirodi، مدیـر سـابق در تیم‌های برنامه‌ریزی و تحقیقات بازار پاکشوما، BAT و هولدینگ کوبل‌دارو، فارغ‌التحصیل کارشناسی ارشد مهندسی صنایع از دانشگاه صنعتی شریف

در پایان وبینار دوره «مدیریت محصول»  نیز به عنوان نقطه شروع برای یادگیری این مهارت تخصصی جذاب به علاقه‌مندان معرفی خواهد شد و به سوالات شرکت‌کنندگان درباره دوره نیز پاسخ داده خواهد شد.

🗓 سه‌شنبه ۱۶ اردیبهشت ۱۴۰۴
⌚️ ساعت ۱۹:۳۰ تا ۲۰:۳۰

🔗 لینک ثبت‌نام در وبینار :
👆 d-learn.ir/crpd

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

مدرسه دقیقه pinned Deleted message

🔴#آخرین_فرصت برای ثبت نام در ددره‌های آموزشی #هوش_مصنوعی و #توسعه_کسب‌کار در مدرسه دقیقه:

🔵 استفاده از هوش مصنوعی در زندگی حرفه‌ای

⏳ شروع از ۱۸ اردیبهشت ۱۴۰۴
⏰ ساعت ۹:۳۰ تا ۱۳:۰۰
💡سطح: مقدماتی

🙂 ثبت نام:
d-learn.ir/ai4p


🔵 مدیریت محصول

⏳ شروع از ۱۸ اردیبهشت ۱۴۰۴
⏰ ساعت ۹:۳۰ تا ۱۳:۰۰
💡سطح: مقدماتی


🙂 ثبت نام:
d-learn.ir/pdmn


🚨 افزایش بهره‌وری و رشد با یادگیری مهارت‌های جدید در بهار ۱۴۰۴

⭐ پرداخت یکجا با 30% تخفیف: Fvxp30
⭐ پرداخت قسطی با 20% تخفیف: VxpF20

🚨تماس:
t.me/dlearnsup
02188349244
09103209837

@dlearn_ir

🧑‍💻وبینار #مسیر_شغلی تحلیل داده و مهندسی داده؛
و آینده آن‌ها در دوره رشد هوش مصنوعی (#رایگان)

#تحلیلگر_داده و #مهندس_داده دو موقعیت شغلی محبوب در یک دهه اخیر بوده‌اند و که با دسترسی هرچه بیشتر به داده‌ها نقش به‌سزایی در ارزش‌افرینی با بهره‌برداری از آن‌ها ایفا کرده‌اند. اما به نظر می‌رسد با برآمدن #هوش_مصنوعی، این دو موقعیت شغلی نیز تغییراتی را تجربه می‌کنند.

به عنوان نمونه و تا پیش از این، معمولا بخش زیادی از زمان یک مهندس داده و همینطور تحلیلگر داده صرف پالایش داده و اطمینان از کیفیت آن می‌شده، اما احتمالا این فرایند و بسیاری از وظایف زمان‌بر و پرتکرارِ شبیه به آن، به هوش مصنوعی مولد یا Agentها واگذار می‌شوند. از طرف دیگر استفاده گسترده از انواع تکنولوژی‌ها و ابزارهای دیجیتال، سرعت تولید داده را هم بیشتر کرده است. به علاوه، هوش مصنوعی نیز همواره فزاینده‌ای نیازمند داده با کیفیت برای رشد و توسعه خود است.

این پویایی و دینامیسم احتمالا تقاضا برای تحلیل داده را افزایش خواهد داد و به همین خاطر بعید به نظر می‌رسد مشاغلی مانند تحلیلگر داده و مهندس داده با تهدید وجودی مواجه شوند. اما احتمالا نوع کارشان تفاوت‌های چشم‌گیری با گذشته خواهد داشت.
به عنوان نمونه، تحلیلگر و مهندس داده اگرچه با اصول کدنویسی صحیح آشنا هستند، اما بیشتر از آنکه کدنویسی کنند، پرامپت‌نویسی می‌کنند و باقی وقتشان را صرف امور سطح بالاتری مثل طراحی، نظارت و ارزیابی می‌کنند.

عناوین ارائه

🔸 تحولات بازار کار تحلیل داده و مهندسی داده با رشد هوش مصنوعی مولد
🔸 بهترین نقاط شروع برای ورود به بازار کار تحلیل داده و مهندسی داده
🔸 ابزارها، کتابخانه‌ها و دیگر مهارت‌های برنامه‌نویسی مورد نیاز
🔸 اهمیت پرامپت‌نویسی درست در تحلیل و مهندسی داده
🔸 نگاهی به وظایف تحلیلگر و مهندس داده تحلیل تحولات آتی این مشاغل
🔸 پرسش و پاسخ

🎓 حسام محمدحسینی | مدیر ارشد مهندسی داده و پلتفرم مدیریت ارزش مشتری (CVM) در ایرانسل، سابقه مدیریت محصول در پلتفرم کلان‌داده دیجیکالا و مدیر ارشد اسبق عملکرد شبکه در ایرانسل؛ کارشناسی مهندسی برق از دانشگاه خواجه نصیرالدین طوسی و کارشناسی ارشد مخابرات سیستم از دانشگاه تربیت مدرس

در پایان وبینار دوره «پردازش بهینه داده با کتابخانه‌های pandas و polars در پایتون» نیز به عنوان نقطه شروع برای یادگیری بخش مهمی از مهارت‌های مورد نیاز در حوزه‌های تحلیل و مهندسی داده به علاقه‌مندان معرفی خواهد شد و به سوالات شرکت‌کنندگان درباره دوره نیز پاسخ داده خواهد شد.

🗓 یکشنبه ۱۴ اردیبهشت ۱۴۰۴
⌚️ ساعت ۱۸:۳۰ تا ۱۹:۳۰

🔗 لینک ثبت‌نام در وبینار :
👆 d-learn.ir/crdn

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

🔸 داده‌های طرح نمونه‌گیری هزینه و درآمد خانوار مرکز آمار ایران (۱۴۰۲)

▫ مرکز آمار ایران هر سال با پرسش‌و‌پاسخ از حدود ۴۰ هزار خانوار که با نمونه‌گیری آماری و به صورت تصادفی از کل کشور انتخاب می‌شوند، داده‌های ارزشمندی درباره درآمدها و هزینه‌های آنان فراهم می‌کند.

📝 طرح درآمد و هزینه خانوار یکی از مهم‌ترین منابع داده برای تحلیل‌های اقتصادی، اجتماعی، سیاست‌گذاری عمومی و تحقیقات بازار است و اطلاعات متنوعی درباره خانوار مانند ویژگی‌های محل سکونت، سن، جنسیت، تحصیلات، وضعیت اشتغال اعضای خانوار و جزیئات درآمدی و هزینه‌ای آنان را در بر می‌گیرد.

✍️ این داده با کوشش محمدامین اخوت علویان از جداول مختلف مرکز آمار، پردازش و تجمیع شده و در یک جدول یکپارچه در وبسایت مدرسه پردازش و تحلیل داده دقیقه برای دانلود در دسترس است:

🔗 d-learn.ir/iran-hbs-1402

دسترسی به داده‌های دیگر:
🧑‍💻 d-learn.ir/data

@dlearn_ir

🔤 نمونه‌ای از استخراج داده از وب با روش API Interception

در این ویدئو، مجید پورکاشانی اطلاعات سایت بورسی کدال را با روش API Interception استخراج می‌کند و این فرایند را مرحله به مرحله آموزش می‌دهید.

🔸🔸🔸🔸

اگر علاقه‌مند به یادگیری گام به گام و پروژه‌محور وب‌اسکرپینگ هستید، کامل‌ترین دوره آموزشی استخراج داده از وب پیش روی شما است.


🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

🔗 لینک ثبت نام:
d-learn.ir/wbsp

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

🔎کاوشی در موارد کاربرد یادگیری ماشین

#یادگیری_ماشین با ترکیب آمار، ریاضیات و علوم کامپیوتر، الگوریتم‌هایی را توسعه می‌دهد که می‌توانند الگوها را شناسایی کرده و پیش‌بینی‌های دقیق انجام دهند. انواع مختلف آن شامل یادگیری با نظارت، بدون نظارت و یادگیری تقویتی است که هر کدام کاربردهای متفاوتی دارند.

اگر می‌خواهید از قدرت #هوش_مصنوعی در تحلیل داده و تحقیقات خود بهره‌مند شوید، یادگیری ماشین مهم‌ترین چیزی است که به آن نیاز دارید.
دوره جامع «یادگیری ماشین با پایتون» از مبانی یادگیری ماشین آغاز می‌شود و گام‌ به گام تا مباحث پیچیده‌تری مثل یادگیری گروهی، کاهش ابعاد داده و شبکه‌های عصبی پیش ‌می‌رود. در این دوره آموزشی تمامی مباحث با رویکردی عملیاتی آموزش داده خواهند شد و تمامی مفاهیم و روش‌های دوره با پردازش داده‌های واقعی در محیط #پایتون پیاده‌سازی خواهند شد.

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

💎 اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

🔗 لینک ثبت نام:

d-learn.ir/mlpy

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

📊 تحلیل داده با سرعت بالا؛ مقایسه Pandas 🆚 Polars

در این آزمایش، برای هر کتابخانه (pandas و polars)، یک جدول با ۱ میلیون ردیف و ۵۰ ستون عددی ساخته شده و سپس ۱۰۰ بار میانگین ستونی داده‌ها با تابع mean() محاسبه شده است. هدف، اندازه‌گیری و مقایسه زمان پردازش این عملیات در دو کتابخانه محبوب تحلیل داده در پایتون است.

درحالی‌که Pandas برای بسیاری از پروژه‌ها کفایت می‌کند، در پروژه‌های بزرگ‌تر، Polars می‌تواند با پردازش‌های موازی و طراحی بهینه‌اش مزیت چشم‌گیری ایجاد کند.

↗️ تحلیل داده فقط دانستن ابزار نیست؛ بلکه هنر استفاده هوشمندانه از آن‌ها در شرایط مختلف است.
کتابخانه‌های Pandas و Polars هر دو ابزارهای قدرتمند تحلیل داده در پایتون هستند؛ در این ویدئو تفاوت را دیدید اما واقعیت این است که: هیچ ابزاری همیشه بهترین نیست!

💡 در دوره‌ی «پردازش بهینه با Pandas و Polars» با مزایا، محدودیت‌ها و کاربردهای عملی هر دو ابزار آشنا می‌شوید و یاد می‌گیرید که چطور هر ابزار رو به‌درستی و در جای خودش استفاده کنید.
این دوره برای افرادی طراحی شده که می‌خواهند سریع‌تر، بهتر و حرفه‌ای‌تر کار کنند.

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

لینک ثبت‌نام:
🔗 d-learn.ir/pyps

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

🟡 روش CIRCLES برای حل مسائل پیچیده کسب‌وکار

در دنیای پر رقابت امروز، توانایی تحلیل منظم مشکلات و ارائه راه‌حل‌های مؤثر، تفاوت بین مدیران معمولی و رهبران استثنایی را رقم می‌زند.

متد CIRCLES با هفت مرحله ساختاریافته به شما کمک می‌کند تا تصمیمات استراتژیک بگیرید که منجر به نتایج قابل سنجش می‌شود.
آنهایی که این روش را به‌خوبی می‌آموزند، می‌توانند با اطمینان بیشتری چالش‌های پیچیده را مدیریت کنند و به نتایج بهتری دست یابند.
🟠🟠👇🟠🟠
موفقیت یک محصول تنها به ایده‌های خلاقانه بستگی ندارد. مدیریت درست محصول از مرحله ایده‌پردازی تا عرضه و توسعه، نقش حیاتی در موفقیت آن دارد. دوره آموزشی «مدیریت محصول» ✅ طراحی شده است تا شما را با اصول، ابزارها و تکنیک‌های کلیدی این حوزه آشنا کند و در یک دوره زمانی فشرده، شما را برای تبدیل‌شدن به یک مدیر محصول حرفه‌ای آماده سازد. اگر می‌خواهید محصولاتی بسازید که نیاز واقعی کاربران را برآورده کند و حضوری موثر در بازار داشته باشد، این دوره بهترین نقطه شروع برای شماست.

🔴 فراموش نکنید که فقط تا ۵ اردیبهشت ۱۴۰۴ فرصت دارید که با تخفیف در این دوره ثبت‌نام کنید.

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

🔗 لینک ثبت نام:
👆 d-learn.ir/pdmn

📞 تماس:

📲t.me/dlearnsup
📱 02188349244
📲 09103209837

@dlearn_ir

⌛ نگاهی به قابلیت‌های پانداس برای پردازش داده‌های حجیم

🧑‍💻 حسام محمدحسینی
مدرس دوره‌ آموزشی پردازش بهینه با pandas و polars

➖➖🔽➖➖

همچنین اگر علاقه‌مند به یادگیری مهارت‌های پردازش و تحلیل داده‌های حجیم در پایتون هستید، دوره آموزشی پردازش بهینه با pandas و polars برای شما طراحی شده‌است.

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

لینک ثبت‌نام:
🔗 d-learn,ir/pyps

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

🔍 آشنایی با الگوریتم درخت تصمیم
🌐 واژه‌نامه #هوش_مصنوعی

درخت تصمیم یک طبقه‌بندی‌کننده است که مجموعه‌ای از قوانین تصمیم‌گیری را در یک ساختار درختی سازماندهی می‌کند. این روش یکی از کاربردی‌ترین روش‌ها برای یادگیری نظارت‌شده غیرپارامتریک است.
درخت تصمیم یک مدل پیش‌بینی با ساختاری شبیه فلوچارت است که با استفاده از مشاهدات موجود درباره یک آیتم، به پیش‌بینی مقدار یا برچسب متغیر هدف کمک می‌کند.
این مدل از گره‌هایی تشکیل شده که نشان‌دهنده ویژگی‌های داده هستند، شاخه‌هایی که قوانین تصمیم‌گیری را مشخص می‌کنند و برگ‌هایی که نتایج نهایی یا کلاس‌های خروجی را نمایش می‌دهند.
ساختار درخت تصمیم در یادگیری ماشین
در درخت تصمیم، ویژگی‌های داده‌ها در گره‌های داخلی و خروجی یا نتیجه نهایی هر مسیر در برگ‌های درخت نمایش داده می‌شود.
این الگوریتم فرآیند تصمیم‌گیری را به‌صورت سلسله‌مراتبی مدل‌سازی می‌کند؛ داده‌ها را به‌طور بازگشتی به زیرمجموعه‌هایی تقسیم می‌کند، به‌طوری که در هر مرحله، تقسیم‌بندی بر اساس ویژگی‌ای انجام می‌شود که بیشترین اطلاعات را برای پیش‌بینی هدف فراهم می‌کند، تا زمانی که به تصمیم یا پیش‌بینی نهایی برسیم.

💡 مفاهیم اساسی درخت تصمیم

۱- گره (Node): هر نقطه در درخت که یک تصمیم‌گیری یا نتیجه را نمایش می‌دهد.
مثال: «آیا هوا آفتابی است؟»
۲- گره ریشه (Root Node): اولین گره درخت است که تصمیم‌گیری از آن آغاز می‌شود.
مثال: بررسی «وضعیت آب و هوا».
۳- گره داخلی (Internal Node): گره‌هایی که تصمیمات میانی را نمایش می‌دهند و به گره‌های دیگر متصل‌اند.
مثال: «آیا رطوبت بالا است؟»
۴- برگ یا گره پایانی (Leaf/Terminal Node): گره‌هایی که دیگر به هیچ گرهی متصل نیستند و نتیجه نهایی (مثل یک پیش‌بینی) را نشان می‌دهند.
مثال: «بازی کن» یا «بازی نکن».
۵- شاخه (Branch): مسیرهایی که گره‌ها را به هم وصل می‌کنند و بر اساس پاسخ‌ها (بله/خیر) حرکت می‌کنند.
۶- ویژگی ورودی (Input Attribute): اطلاعات یا متغیرهایی که بر اساس آن‌ها تصمیم‌گیری انجام می‌شود.
مثال: «رطوبت»، «باد»، «دمای هوا».
۷- تقسیم‌بندی (Splitting): فرآیند تقسیم یک گره بر اساس مقدار یک ویژگی.
در هر تقسیم، داده‌ها به زیرمجموعه‌هایی با ویژگی‌های خاص‌تر جدا می‌شوند.
۸- برش‌دهی (Pruning): حذف بخش‌هایی از درخت برای جلوگیری از پیچیدگی بیش از حد و بهبود عملکرد مدل.
مثل هرس کردن شاخه‌های اضافی.


➖➖⬇️➖➖

همچنین اگر علاقه‌مند به یادگیری هوش مصنوعی هستید، گام اول برای شما آموزش یادگیری ماشین هست.
دوره آموزشی «یادگیری ماشین با پایتون»  از مبانی یادگیری ماشین آغاز می‌شود و گام‌ به گام تا مباحث پیچیده‌تری مثل یادگیری گروهی، کاهش ابعاد داده و شبکه‌های عصبی پیش ‌می‌رود.

😈 این دوره به صورت عملیاتی و کاربردی طراحی شده است. برای اطلاعات بیشتر و مشاهده طرح درس و ثبت‌نام می‌توانید به سایت مدرسه دقیقه سر بزنید:

🔗 d-learn.ir/mlpy

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

📰 وب‌اسکرپینگ: ابزاری قدرتمند برای روزنامه‌نگاران و پژوهشگران

💻 وب‌اسکرپینگ (استخراج داده از وب) چیست؟

وب‌اسکرپینگ به فرآیند جمع‌آوری اطلاعات از وب‌سایت‌ها به صورت خودکار گفته می‌شود. این اطلاعات می‌توانند شامل قیمت‌ها، اخبار، مشخصات محصولات یا هر نوع داده قابل مشاهده در صفحات وب باشند. این تکنیک امکان تبدیل محتوای وب به داده‌های قابل تحلیل را فراهم می‌کند.

✅ اهمیت و مزایای وب‌اسکرپینگ

🔵گردآوری داده انبوه: امکان جمع‌آوری حجم وسیعی از داده‌ها از منابع متعدد وب که به صورت دستی بسیار زمان‌بر یا غیرممکن است.
🟢افزایش کارایی: صرفه‌جویی قابل توجه در زمان و منابع انسانی مورد نیاز برای جمع‌آوری داده‌ها.
🔴دستیابی به جزئیات: استخراج اطلاعات دقیق و مشخص از میان حجم بالای محتوای وب.
🟠تحلیل روندها: شناسایی الگوها، همبستگی‌ها و روندهای پنهان در داده‌های جمع‌آوری شده در طول زمان.
🔴مستندسازی گزارش‌ها: ارائه شواهد کمّی و دقیق برای پشتیبانی از یافته‌ها و تحلیل‌های روزنامه‌نگاری یا پژوهشی.
🟡رصد مداوم: قابلیت پایش مستمر تغییرات داده‌ها در وب‌سایت‌های مورد نظر (مانند قیمت‌ها، آمارها، شاخص‌ها).

📈 مثال: تحلیل نوسانات قیمت
روزنامه‌نگاران اقتصادی یا پژوهشگران بازار می‌توانند با استخراج دوره‌ای قیمت انواع کالا (مثلاً تجهیزات دیجیتال، خودرو، کالاهای اساسی) از وب‌سایت‌های فروش آنلاین متعدد یا نرخ ارز و طلا، به تحلیل دقیق نوسانات بازار، مقایسه قیمت‌ها و بررسی اثر سیاست‌گذاری‌ها بپردازند.

👩‍💻 مثال: پایش و تحلیل بازار کار
جمع‌آوری و تحلیل داده‌های مربوط به آگهی‌های شغلی از پلتفرم‌های کاریابی مطرح در ایران. این امر امکان شناسایی مهارت‌های پرتقاضا، توزیع جغرافیایی فرصت‌های شغلی، تحلیل روندهای استخدامی در صنایع مختلف و برآورد سطح دستمزدها را فراهم می‌کند.

🏠 مثال: رصد داده‌های عمومی و اجتماعی
استخراج داده‌های مرتبط با بازار مسکن (قیمت، متراژ، منطقه) از وب‌سایت‌های نیازمندی یا جمع‌آوری داده‌های مربوط به شاخص‌های عمومی مانند کیفیت هوا از پرتال‌های رسمی. این داده‌ها مبنای مناسبی برای تحلیل روندهای اجتماعی، اقتصادی و محیطی فراهم می‌آورند.

🔍مثال: پایش رخدادها از منابع خبری
در مواردی که آمار رسمی برای رخدادهای حساس اجتماعی (نظیر موارد خودکشی، قتل، یا آسیب‌های اجتماعی خاص) به صورت عمومی، دقیق یا به‌هنگام منتشر نمی‌شود، وب‌اسکرپینگ می‌تواند به عنوان ابزاری کمکی به کار گرفته شود.
با استخراج هدفمند اخبار مرتبط از وب‌سایت‌های خبری معتبر داخلی و تحلیل محتوای آن‌ها (بر اساس کلیدواژه‌ها، مناطق جغرافیایی و بازه‌های زمانی)، می‌توان به یک نمایه غیررسمی از فراوانی گزارش‌شده این رویدادها و توزیع جغرافیایی آنها دست یافت.

✅ جمع‌بندی

وب اسکرپینگ به عنوان یک مهارت کلیدی، امکان دستیابی به عمق تحلیلی بیشتر و ارائه گزارش‌های دقیق‌تر و مستندتر را فراهم می‌سازد که سریع‌تر و راحت‌تر به سرانجام رسیده‌اند. استفاده از این تکنیک می‌تواند به ارتقاء کیفیت پژوهش‌ها و اطلاع رسانی در جامعه کمک شایانی نماید.


⬇️⬇️⬇️
اگر علاقه‌مند به یادگیری گام به گام و پروژه‌محور وب‌اسکرپینگ هستید، دوره آموزشی استخراج داده از وب برای شما طراحی شده است.
اطلاعات بیشتر در:
🔗 d-learn.ir/wbsp

⏳ برای استفاده از تخفیف بیشتر زودتر ثبت‌نام کنید:

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

🔗 لینک ثبت نام:
d-learn.ir/wbsp

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

🎯 معرفی دوره استفاده از هوش مصنوعی (🔤🔤) در زندگی حرفه‌ای

#دوره_آموزشی_آنلاین

هوش مصنوعی در حال تغییر شیوه کار و زندگی ماست و بسیاری از مشاغل دگرگون کرده است. از انجام وظایف اداری و پشتیبانی مشتری گرفته تا تولید محتوا و تحلیل داده، هوش مصنوعی با افزایش سرعت و دقت، بهره‌وری را به سطحی جدید رسانده است.

اگر دوست دارید از این تحول برای رشد حرفه‌ای خود استفاده کنید، این دوره فرصت یادگیری و تمرین آن را برای شما فراهم می‌کند. در این کارگاه آموزشی از مفاهیم پایه هوش مصنوعی و کاربردهای روزمره آن گرفته تا مواردی مثل مانند نامه‌نگاری رسمی، تنظیم قرارداد، گردآوری اطلاعات، تهیه گزارش، انواع تولید محتوا و تحلیل داده‌ در کسب‌و‌کار با استفاده از هوش مصنوعی را به‌صورت عملی یاد می‌گیرید و تمرین می‌کنید.

🎓 مدرسان دوره: سعید مجیدی متخصص یادگیری ماشین و هوش مصنوعی در گروه صنعتی انتخاب | حسام محمدحسینی مدیر ارشد مهندسی داده و پلتفرم ارزش مشتری ایرانسل | علیرضا چمن‌زار تحلیلگر داده در شرکت پردازش و تحلیل داده دقیقه | مجید پورکاشانی مدیرعامل شرکت پردازش و تحلیل داده دقیقه

📆 پنج‌شنبه ۹:۳۰ تا ۱۳:۰۰
🗓 از ۱۸ اردیبهشت ۱۴۰۴
⏺️ ۱۸ ساعت (۶ هفته)
🎞 با دسترسی به ویدئوی جلسات
🏅 دارای پروژه پایانی و گواهی پایان دوره (قابل استعلام)

⏳ برای استفاده از تخفیف بیشتر زودتر ثبت‌نام کنید:

🙂 کد تخفیف 30% برای پرداخت کامل: NwA30
🙂 کد تخفیف 20% برای پرداخت قسطی: NpW20

🔴 اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

🔗 لینک ثبت نام:
d-learn.ir/ai4p?utm=ldp

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

🔍 آشنایی با الگوریتم K-means
🌐 واژه‌نامه #هوش_مصنوعی

الگوریتم K-means یکی از پرکاربردترین روش‌های خوشه‌بندی داده است. این الگوریتم در 1️⃣➕3️⃣ مرحله اصلی کار می‌کند:

1️⃣ گام اول: انتخاب مراکز اولیه
ابتدا به صورت تصادفی K نقطه داده (مثلاً 3 نقطه) از مجموعه داده را انتخاب می‌کنیم و آنها را به عنوان مراکز اولیه خوشه‌ها در نظر می‌گیریم. فرض کنید در یک نمودار دوبعدی، این سه نقطه اولیه با رنگ‌های متفاوت (قرمز، آبی و سبز) مشخص شده‌اند.

2️⃣ گام دوم: تخصیص نقاط به خوشه‌ها
در این مرحله، فاصله هر نقطه داده را با تمام مراکز خوشه‌ها محاسبه می‌کنیم. معمولاً از معیار فاصله اقلیدسی استفاده می‌شود (فرمول فیثاغورس). هر نقطه به خوشه‌ای تعلق می‌گیرد که مرکز آن نزدیک‌ترین فاصله را با نقطه دارد. در این مرحله، نمودار ما نقاط داده‌ای را نشان می‌دهد که به سه رنگ مختلف (متناسب با خوشه‌های متفاوت) رنگ‌آمیزی شده‌اند.

3️⃣ گام سوم: به‌روزرسانی مراکز خوشه‌ها
حالا مراکز جدید هر خوشه را با محاسبه میانگین تمام نقاط داده متعلق به آن خوشه به دست می‌آوریم. برای مثال، اگر خوشه قرمز شامل 20 نقطه داده باشد، مختصات x و y همه این نقاط را جمع کرده و بر 20 تقسیم می‌کنیم تا مرکز جدید خوشه به دست آید. مراکز جدید معمولاً با مراکز قبلی متفاوت هستند و در نمودار جابجا می‌شوند.

4️⃣ تکرار فرآیند تا همگرایی
گام‌های دوم و سوم را مرتباً تکرار می‌کنیم. در هر تکرار، نقاط داده دوباره به نزدیک‌ترین مرکز خوشه تخصیص می‌یابند و سپس مراکز خوشه‌ها مجدداً به‌روزرسانی می‌شوند. این فرآیند تا زمانی ادامه می‌یابد که مراکز خوشه‌ها دیگر تغییر نکنند یا تغییرات آنها کمتر از یک آستانه از پیش تعیین‌شده باشد.

🟠مثال کاربردی:

تصور کنید مجموعه داده‌ای از مشتریان فروشگاه دارید که شامل اطلاعاتی مانند میزان خرید سالانه و تعداد بازدید است. با استفاده از K-means می‌توانید این مشتریان را به گروه‌های مختلف (مثلاً مشتریان پرخرید و وفادار، مشتریان گاه‌به‌گاه، مشتریان کم‌خرید) دسته‌بندی کنید. هر خوشه نشان‌دهنده یک بخش از مشتریان با رفتار مشابه است و می‌توانید استراتژی‌های بازاریابی خاصی برای هر گروه طراحی کنید.

🟢 نکات مهم در استفاده از الگوریتم K-means:

انتخاب تعداد مناسب K (تعداد خوشه‌ها) بسیار مهم است و تأثیر زیادی بر نتایج دارد.
این الگوریتم ممکن است در مینیمم‌های محلی گیر کند، بنابراین اجرای آن با مراکز اولیه متفاوت توصیه می‌شود.
الگوریتم K-means برای خوشه‌های کروی (گرد) بهتر عمل می‌کند و برای اشکال پیچیده مناسب نیست.
مقیاس‌بندی داده‌ها قبل از اجرای الگوریتم اهمیت زیادی دارد.

💡 این الگوریتم در زمینه‌های متنوعی مانند بخش‌بندی بازار، فشرده‌سازی تصاویر، پردازش سیگنال، بیوانفورماتیک و تشخیص ناهنجاری کاربرد دارد.

➖➖⬇️➖➖

همچنین اگر علاقه‌مند به یادگیری هوش مصنوعی هستید، گام اول برای شما آموزش یادگیری ماشین هست.
دوره آموزشی «یادگیری ماشین با پایتون»  از مبانی یادگیری ماشین آغاز می‌شود و گام‌ به گام تا مباحث پیچیده‌تری مثل یادگیری گروهی، کاهش ابعاد داده و شبکه‌های عصبی پیش ‌می‌رود.

😈 این دوره به صورت عملیاتی و کاربردی طراحی شده است. برای اطلاعات بیشتر و مشاهده طرح درس و ثبت‌نام می‌توانید به سایت مدرسه دقیقه سر بزنید:

🔗 d-learn.ir/mlpy

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

↗️پاک‌سازی داده‌ها با پانداس (Pandas)

در فرایند تحلیل معمولا داده‌ها نیاز به پیش‌پردازش و پاکسازی دارند تا به قالب مناسبی برای تحلیل نهایی برسند.

فرایند پاکسازی معمولا این چند مرحله است:
+ تغییر نام ستون‌ها
+ تغییر جنس ستون‌ها
+ مشاهده و حذف داده‌های تکراری
+ حذف داده‌های حاوی NaN
+ حذف سطر و ستون

⬇️تغییر نام ستون‌ها

DataFrame.rename(columns = {dict}, inplace = True)

عبارت columns: یک دیکشنری که نام فعلی ستون‌ها Key و نام جدید آنها Valueهای این دیکشنری هستند.
عبارت inplace: بیان می‌کند که این تغییرات بلافاصله بر روی DataFrame فعلی و بدون نیاز به یک کپی از آن انجام شود (True) یا خیر (False).

🔴تغییر نوع ستون‌ها

#بررسی نوع ستون‌ها
print(provincesDF.dtypes)

'''
province      object
center        object
region        float64
population    float64
area          float64
dtype: object
'''
#تغییر نوع ستون انتخابی
provincesDF['region'] = provincesDF['region'].astype(str)

print(provincesDF.dtypes) #خروجی

'''
province      object
center        object
region        object
population    float64
area          float64
dtype: object
'''

🟡مشاهده داده‌های تکراری
برای پی‌بردن به اینکه آیا DataFrame حاوی سطری تکراری است، از تابع زیر استفاده می‌شود:

DataFrame.duplicated(keep = ['first', 'last'])

این تابع یک لیست حاوی مقادیر Boolean و به‌اندازه تعداد سطرها برمی‌گرداند. به هر‌سطری که تکراری باشد مقدار True نسبت داده می‌شود. دقت داشته باشید که دو سطر درصورتی تکرار هم درنظرگرفته می‌شوند، که در تمامی ستون‌ها مقادیر آنها دقیقا مشابه یکدیگر باشد.

عبارت keep: فرض کنید که دوسطر i و j تکراری باشند و i قبل از j قرار گرفته باشد. درصورتی‌که 'keep = 'first باشد، Pandas سطر i را نگه‌داشته و سطر j را تکراری اعلام می‌کند. درصورتی که 'keep = 'last باشد، برعکس این اتفاق رخ می‌دهد و سری i تکراری درنظر گرفته می‌شود.

🔵حذف داده‌های تکراری
پس از تشخیص وجود داده، سطر، تکراری می‌توانیم، درصورت نیاز، با استفاده از تابع زیر اقدام به حذف آن سطور کنیم :

DataFrame.drop_duplicates(inplace, keep = ['first','last'])

این تابع یک لیست حاوی مقادیر Boolean و به‌اندازه تعداد سطرها برمی‌گرداند. به هر‌سطری که تکراری باشد مقدار True نسبت داده می‌شود. دقت داشته باشید که دو سطر درصورتی تکرار هم درنظرگرفته می‌شوند، که در تمامی ستون‌ها مقادیر آنها دقیقا مشابه یکدیگر باشد.
عبارت inplace: یک مقدار Boolean که مشخص می‌کند که عمل حذف بر روی خود DataFrame انجام شود ('inplace = 'True) و یا DataFrame بدون تغییر مانده و عمل حذف بر روی یک کپی از آن اعمال شود ('inplace = 'False). مقدار پیش‌فرض برابر با False است.
عبارت keep: بیان می‌کند که از اعضای تکراری، مورد اول ('first') و یا مورد آخر('last') نگه‌داشته شوند.

🟠 کشف و مشاهده داده‌های ناموجود
در مرحله اول باید بررسی کنیم که آیا DataFrame حاوی مقدار Null است یا خیر. برای این‌ امر از تابع ()isnull استفاده می‌کنیم:

DataFrame.isnull()

خروجی این تابع یک DataFrame به اندازه‌ی DataFrame اصلی است که محتوای آن مقادیر True/False می‌باشد. اگر مقدار خانه‌ای برابر با True باشد، به این معنی است که خانه‌ی متناظر در DataFrame اصلی حاوی مقدار Null است.

🟢 حذف داده‌های ناموجود
ساده‌ترین رویکرد برخورد با داده‌های ناموجود، حذف سطرها و یا ستون هایی است که حداقل در یکی از خانه‌ها مقداری ندارند. Pandas برای این روش از تابع ()dropna استفاده می‌کند:

DataFrame.isnull(inplace, axis = {0,1})

عبارت inplace: یک مقدار Boolean که مشخص می‌کند که عمل حذف بر روی خود DataFrame انجام شود ('inplace = 'True) و یا DataFrame بدون تغییر مانده و عمل حذف بر روی یک کپی از آن اعمال شود ('inplace = 'False). مقدار پیش‌فرض برابر با False است.
عبارت axis: درصورتی که 0 باشد بیانگر حذف سطر و 1 بیانگر حذف ستون است. مقدار پیش‌فرض آن برابر با 0 (حذف سطر) است.

📷 به دلیل محدودیت تعداد کلمات در تلگرام می‌توانید ادامه بحث را در اینستاگرام مدرسه دقیقه دنبال کنید.

💡 این آموزش بخشی از درسنامه پردازش و تبدیل داده با پانداس pandas که از بخش درسنامه‌ها می‌توانید از آن استفاده کنید.

➖➖👇➖➖
همچنین اگر علاقه‌مند به یادگیری مهارت‌های پردازش و تحلیل داده‌های حجیم در پایتون هستید، دوره آموزشی پردازش بهینه با pandas و polars برای شما طراحی شده‌است.

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

لینک ثبت‌نام:
🔗 d-learn.ir/pyps

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir