🎓 دوره جامع علم داده با پایتون (Data Science with Python)

📖 درباره دوره

این مخزن شامل تمام مطالب، کدها، تمرین‌ها و پروژه‌های دوره جامع علم داده با پایتون است. دوره بر اساس کتاب مرجع "Data Science Essentials in Python" نوشته Dmitry Zinoviev طراحی شده و در ۱۲ جلسه آنلاین برگزار می‌شود.

🎯 هدف دوره

یادگیری عملی و پروژه‌محور علم داده از مفاهیم اولیه برنامه‌نویسی پایتون تا اجرای یک پروژه واقعی علم داده.

👨‍🏫 مدرس

آراز شاه کرمی - مدرس علم داده و پایتون

---

📚 سرفصل دوره

جلسه 1: مقدمه و مفاهیم پایه علم داده

• آشنایی با علم داده و جایگاه آن
• چرخه کامل پروژه علم داده
• انواع داده‌ها و Data Acquisition Pipeline
• معرفی محیط کاری (Python، Jupyter، Google Colab)
• اولین تحلیل داده عملی

جلسه 2: پایتون برای علم داده (Core Python)

• کار با رشته‌ها و ساختمان داده‌ها
• خواندن و نوشتن فایل‌ها
• دریافت داده از وب (urllib, requests)
• Regular Expressions
• Pickling & Unpickling

جلسه 3: کار با داده متنی (Text Data)

• پردازش HTML با BeautifulSoup
• کار با CSV و JSON
• مقدمه‌ای بر پردازش زبان طبیعی (NLTK)
• پروژه: جمع‌آوری و تحلیل اخبار

جلسه 4: کار با پایگاه داده‌ها (Databases)

• MySQL و اجرای کوئری‌ها
• MongoDB و داده‌های NoSQL
• اتصال Python به پایگاه‌داده

جلسه 5: داده عددی و NumPy

• ایجاد و دستکاری آرایه‌ها
• Broadcasting و ufuncs
• Aggregation و Set operations

جلسه 6: Pandas: Data Series & DataFrames

• کار با DataFrame و Series
• Reshaping, Pivot, Melt
• مدیریت داده‌های گمشده
• Merge/Join ترکیب داده‌ها

جلسه 7: تحلیل شبکه (Network Analysis)

• مفاهیم گراف و NetworkX
• سنجش‌های مرکزیت و خوشه‌بندی
• پروژه: تحلیل شبکه اجتماعی

جلسه 8: مصورسازی داده

• Matplotlib و انواع نمودار
• زیبا‌سازی و سفارشی‌سازی
• ترسیم مستقیم از Pandas

جلسه 9: آمار و احتمال با پایتون

• توزیع‌های آماری و شاخص‌ها
• آزمون‌های آماری
• تحلیل همبستگی

جلسه 10: یادگیری ماشین (Machine Learning)

• رگرسیون خطی (Linear Regression)
• K-Means Clustering
• Random Forest
• ارزیابی مدل

جلسه 11-12: پروژه نهایی

• انتخاب و تعریف پروژه
• پیاده‌سازی کامل
• ارائه نتایج

---

🛠️ ابزارها و تکنولوژی‌ها

زبان برنامه‌نویسی

• Python 3.8+

کتابخانه‌های اصلی

• NumPy - محاسبات عددی
• Pandas - تحلیل داده‌های جدولی
• Matplotlib - مصورسازی
• Scikit-learn - یادگیری ماشین
• BeautifulSoup - وب اسکرپینگ
• NetworkX - تحلیل شبکه
• Requests - HTTP requests

پایگاه داده

• MySQL - پایگاه داده رابطه‌ای
• MongoDB - پایگاه داده NoSQL

محیط‌های اجرایی

• Jupyter Notebook
• Google Colab

---

📁 ساختار مخزن

data-science-python-course/
│
├── sessions/                    # مطالب هر جلسه
│   ├── session-01/             # جلسه اول
│   │   ├── slides/             # اسلایدها
│   │   ├── notebooks/          # Jupyter Notebooks
│   │   ├── data/              # داده‌های نمونه
│   │   └── exercises/         # تمرین‌ها
│   ├── session-02/
│   └── ...
│
├── projects/                   # پروژه‌های دوره
│   ├── mini-projects/         # پروژه‌های کوچک
│   └── final-project/         # پروژه نهایی
│
├── datasets/                  # مجموعه داده‌های دوره
│   ├── raw/                   # داده‌های خام
│   ├── processed/             # داده‌های پردازش شده
│   └── external/              # داده‌های خارجی
│
├── resources/                 # منابع و مراجع
│   ├── books/                 # کتاب‌ها و مقالات
│   ├── cheatsheets/          # برگه‌های کمک سریع
│   └── links.md              # لینک‌های مفید
│
├── setup/                     # راه‌اندازی محیط
│   ├── installation.md       # راهنمای نصب
│   └── environment.yml       # محیط conda
│
├── requirements.txt           # کتابخانه‌های Python
├── LICENSE                    # مجوز استفاده
└── README.md                 # این فایل

---

🚀 نصب و راه‌اندازی

پیش‌نیازها

• Python 3.8 یا بالاتر
• Git (برای کلون کردن مخزن)

روش 1: استفاده از Conda (پیشنهادی)

# کلون کردن مخزن
git clone https://github.com/arazshah/Data-science-with-python.git
cd Data-science-with-python

# ایجاد محیط conda
conda env create -f setup/environment.yml
conda activate data-science-course

# راه‌اندازی Jupyter
jupyter notebook

روش 2: استفاده از pip

# کلون کردن مخزن
git clone https://github.com/arazshah/Data-science-with-python.git
cd Data-science-with-python

# ایجاد محیط مجازی
python -m venv venv
source venv/bin/activate  # در Windows: venv\Scripts\activate

# نصب کتابخانه‌ها
pip install -r requirements.txt

# راه‌اندازی Jupyter
jupyter notebook

روش 3: Google Colab

برای استفاده بدون نصب:

1. بروید به Google Colab
2. فایل‌های .ipynb را از مخزن آپلود کنید
3. کتابخانه‌های موردنیاز از قبل نصب شده‌اند

---

💻 نحوه استفاده

برای دانشجویان دوره:

1. هر جلسه، پوشه مربوطه را بررسی کنید
2. ابتدا اسلایدها را مطالعه کنید
3. Notebook های آموزشی را اجرا کنید
4. تمرین‌ها را انجام دهید
5. در صورت سوال، Issue ایجاد کنید

برای یادگیری خودآموز:

1. از جلسه اول شروع کنید
2. مطالب را به ترتیب دنبال کنید
3. تمرین‌ها را حتماً انجام دهید
4. پروژه‌های کوچک را پیاده‌سازی کنید

---

📊 پروژه‌های نمونه

پروژه‌های کوچک:

• تحلیل داده‌های فروش: آنالیز ترندهای فروش ماهانه
• اسکرپینگ اخبار: جمع‌آوری و دسته‌بندی اخبار
• تحلیل شبکه اجتماعی: بررسی روابط در شبکه‌های اجتماعی

پروژه نهایی:

"تحلیل الگوهای تردد شهری"

• جمع‌آوری داده‌های تردد
• پاک‌سازی و آماده‌سازی
• تحلیل الگوهای زمانی و مکانی
• مصورسازی تعاملی
• مدل پیش‌بینی تراکم

---

🤝 مشارکت

نحوه مشارکت:

1. مخزن را Fork کنید
2. شاخه جدید ایجاد کنید (git checkout -b feature/AmazingFeature)
3. تغییرات را Commit کنید (git commit -m 'Add some AmazingFeature')
4. به شاخه Push کنید (git push origin feature/AmazingFeature)
5. Pull Request ایجاد کنید

انواع مشارکت:

• گزارش باگ‌ها
• پیشنهاد بهبودها
• اضافه کردن مثال‌های جدید
• ترجمه مطالب
• بهبود مستندات

---

📞 ارتباط و پشتیبانی

راه‌های ارتباط:

• ایمیل: araz.shah@gmail.com
• تلگرام: @arazshah
• LinkedIn: https://www.linkedin.com/in/araz-shahkarami/

گزارش مشکلات:

برای گزارش مشکلات فنی یا پیشنهادات، لطفاً Issue جدید ایجاد کنید.

سوالات متداول:

قبل از سوال، لطفاً FAQ را بررسی کنید.

---

🙏 تشکر و قدردانی

منابع الهام:

• کتاب "Data Science Essentials in Python" - Dmitry Zinoviev
• دوره‌های Coursera و edX
• جامعه Python و کتابخانه‌های متن‌باز

تشکر ویژه از:

• تمام دانشجویان دوره برای بازخوردهای ارزشمند
• توسعه‌دهندگان کتابخانه‌های NumPy، Pandas، Matplotlib
• تیم Jupyter برای ایجاد محیط عالی تحلیل داده

---

📈 آمار مخزن

---

🔄 به‌روزرسانی‌ها

برای اطلاع از آخرین به‌روزرسانی‌ها:

• ⭐ مخزن را Star کنید
• 👀 Watch کنید تا از تغییرات مطلع شوید
• 📧 در لیست ایمیل دوره عضو شوید

---

موفق باشید در مسیر یادگیری علم داده! 🚀

---

آخرین به‌روزرسانی: [26/5/1404] | نسخه: 1.0.0

---

نکات تکمیلی برای README:

1. فایل‌های همراه که نیاز دارید:

• requirements.txt
• environment.yml
• LICENSE
• resources/faq.md