History

leestott 57edd69619 🌐 Update translations via Co-op Translator		3 months ago
..
README.md	🌐 Update translations via Co-op Translator	3 months ago

README.md

مثال‌های مقدماتی علم داده

به دایرکتوری مثال‌ها خوش آمدید! این مجموعه از مثال‌های ساده و با توضیحات کامل طراحی شده است تا به شما کمک کند حتی اگر کاملاً مبتدی هستید، با علم داده شروع کنید.

📚 آنچه در اینجا پیدا خواهید کرد

هر مثال به صورت مستقل بوده و شامل موارد زیر است:

توضیحات واضح که هر مرحله را توضیح می‌دهد
کد ساده و خوانا که هر بار یک مفهوم را نشان می‌دهد
زمینه واقعی برای کمک به درک زمان و دلیل استفاده از این تکنیک‌ها
خروجی مورد انتظار تا بدانید چه چیزی را باید مشاهده کنید

🚀 شروع به کار

پیش‌نیازها

قبل از اجرای این مثال‌ها، مطمئن شوید که:

پایتون نسخه 3.7 یا بالاتر نصب شده باشد
درک پایه‌ای از نحوه اجرای اسکریپت‌های پایتون داشته باشید

نصب کتابخانه‌های مورد نیاز

pip install pandas numpy matplotlib

📖 مرور مثال‌ها

1. سلام دنیا - به سبک علم داده

فایل: 01_hello_world_data_science.py

اولین برنامه علم داده شما! یاد بگیرید چگونه:

یک مجموعه داده ساده بارگذاری کنید
اطلاعات اولیه درباره داده‌های خود نمایش دهید
اولین خروجی علم داده خود را چاپ کنید

این مثال برای مبتدیانی که می‌خواهند اولین برنامه علم داده خود را ببینند عالی است.

2. بارگذاری و بررسی داده‌ها

فایل: 02_loading_data.py

اصول کار با داده‌ها را یاد بگیرید:

خواندن داده‌ها از فایل‌های CSV
مشاهده چند ردیف اول مجموعه داده
دریافت آمار اولیه درباره داده‌ها
درک انواع داده‌ها

این معمولاً اولین قدم در هر پروژه علم داده است!

3. تحلیل ساده داده‌ها

فایل: 03_simple_analysis.py

اولین تحلیل داده‌های خود را انجام دهید:

محاسبه آمار اولیه (میانگین، میانه، مد)
یافتن مقادیر حداکثر و حداقل
شمارش تعداد وقوع مقادیر
فیلتر کردن داده‌ها بر اساس شرایط

ببینید چگونه می‌توان به سوالات ساده درباره داده‌ها پاسخ داد.

4. اصول بصری‌سازی داده‌ها

فایل: 04_basic_visualization.py

اولین بصری‌سازی‌های خود را ایجاد کنید:

ساخت نمودار میله‌ای ساده
ایجاد نمودار خطی
تولید نمودار دایره‌ای
ذخیره بصری‌سازی‌ها به عنوان تصاویر

یاد بگیرید چگونه یافته‌های خود را به صورت بصری منتقل کنید!

5. کار با داده‌های واقعی

فایل: 05_real_world_example.py

همه چیز را با یک مثال کامل ترکیب کنید:

بارگذاری داده‌های واقعی از مخزن
پاکسازی و آماده‌سازی داده‌ها
انجام تحلیل
ایجاد بصری‌سازی‌های معنادار
نتیجه‌گیری

این مثال یک جریان کاری کامل از ابتدا تا انتها را نشان می‌دهد.

🎯 نحوه استفاده از این مثال‌ها

از ابتدا شروع کنید: مثال‌ها به ترتیب سختی شماره‌گذاری شده‌اند. با 01_hello_world_data_science.py شروع کنید و به ترتیب ادامه دهید.
توضیحات را بخوانید: هر فایل دارای توضیحات دقیقی است که توضیح می‌دهد کد چه کاری انجام می‌دهد و چرا. آن‌ها را با دقت بخوانید!
آزمایش کنید: سعی کنید کد را تغییر دهید. اگر یک مقدار را تغییر دهید چه اتفاقی می‌افتد؟ چیزها را خراب کنید و دوباره درست کنید - این روش یادگیری است!
کد را اجرا کنید: هر مثال را اجرا کنید و خروجی را مشاهده کنید. آن را با چیزی که انتظار داشتید مقایسه کنید.
آن را گسترش دهید: وقتی یک مثال را فهمیدید، سعی کنید آن را با ایده‌های خود گسترش دهید.

💡 نکات برای مبتدیان

عجله نکنید: برای درک هر مثال قبل از رفتن به مثال بعدی وقت بگذارید
کد را خودتان تایپ کنید: فقط کپی-پیست نکنید. تایپ کردن به شما کمک می‌کند یاد بگیرید و به خاطر بسپارید
مفاهیم ناآشنا را جستجو کنید: اگر چیزی را دیدید که نمی‌فهمید، آن را آنلاین یا در درس‌های اصلی جستجو کنید
سوال بپرسید: اگر نیاز به کمک دارید، به فروم بحث بپیوندید
به طور منظم تمرین کنید: سعی کنید هر روز کمی کدنویسی کنید به جای جلسات طولانی یک بار در هفته

🔗 مراحل بعدی

پس از تکمیل این مثال‌ها، آماده هستید:

درس‌های اصلی برنامه درسی را مرور کنید
تکالیف موجود در هر پوشه درس را امتحان کنید
نوت‌بوک‌های Jupyter را برای یادگیری عمیق‌تر بررسی کنید
پروژه‌های علم داده خود را ایجاد کنید

📚 منابع اضافی

برنامه درسی اصلی - دوره کامل 20 درس
برای معلمان - استفاده از این برنامه درسی در کلاس درس
Microsoft Learn - منابع یادگیری آنلاین رایگان
مستندات پایتون - مرجع رسمی پایتون

🤝 مشارکت

آیا باگی پیدا کرده‌اید یا ایده‌ای برای یک مثال جدید دارید؟ ما از مشارکت‌ها استقبال می‌کنیم! لطفاً راهنمای مشارکت را ببینید.

یادگیری خوشایند! 🎉

به یاد داشته باشید: هر متخصص زمانی مبتدی بوده است. قدم به قدم پیش بروید و از اشتباه کردن نترسید - اشتباهات بخشی از فرآیند یادگیری هستند!

سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را رعایت کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه انسانی حرفه‌ای توصیه می‌شود. ما هیچ مسئولیتی در قبال سوءتفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.