دوره‌های آموزش رایگان پایتون ۱۴۰۴

آموزش رایگان پایتون ۱۴۰۴

پایتون^{آموزش رایگان پایتون ۱۴۰۴}، زبانی که در سه دهه اخیر به یکی از محبوب‌ترین و پرکاربردترین زبان‌های برنامه‌نویسی تبدیل شده، ابزاری قدرتمند برای شروع مسیر شغلی در حوزه‌های مختلف از جمله علم داده (Data Science)، هوش مصنوعی (AI)، یادگیری ماشین (Machine Learning)، توسعه وب، اتوماسیون و حتی رباتیک است. انعطاف‌پذیری، سادگی در یادگیری و جامعه کاربری بزرگ آن، پایتون را به گزینه‌ای ایده‌آل برای مبتدیان و متخصصان تبدیل کرده است. در این مقاله جامع، شما را با مسیر یادگیری پایتون، از مفاهیم پایه تا کاربردهای پیشرفته در علم داده، آشنا خواهیم کرد. همچنین، بهترین منابع آنلاین رایگان برای تسلط بر این زبان را به شما معرفی می‌کنیم.

---

چرا پایتون را یاد بگیریم؟ قدرتی که برنامه‌نویسی به شما می‌دهد

در عصر اطلاعات کنونی، توانایی تحلیل و دستکاری داده‌ها، و همچنین ساخت اتوماسیون‌ها، ارزشی بی‌اندازه در سازمان‌ها ایجاد می‌کند. تسلط بر پایتون نه تنها رزومه شما را جذاب‌تر می‌کند، بلکه درهای دنیایی از پروژه‌های جذاب و تاثیرگذار را به روی شما می‌گشاید. تقاضا برای دانشمندان داده مسلط به پایتون در اوج خود قرار دارد و این زبان به افراد کمک کرده تا در زمینه‌هایی مانند امور مالی، مشاوره، تحقیقات، فناوری نرم‌افزار و رباتیک پیشرفت کنند.

پایتون به دلیل موارد استفاده بی‌شمار، از جمله برنامه‌نویسی خانه هوشمند، APIهای REST، وب اسکرپینگ و رباتیک، زبان انتخابی برای بسیاری از برنامه‌نویسان است. یادگیری پایتون یک سرمایه‌گذاری ارزشمند در رشد شخصی و حرفه‌ای شماست.

---

نقشه راه یادگیری پایتون: از پایه تا تخصص

مسیر یادگیری پایتون شامل مراحل مختلفی است که می‌توانید بسته به اهداف خود، آن‌ها را دنبال کنید. در ادامه، حوزه‌های کلیدی که باید بر آن‌ها مسلط شوید، آورده شده است:

۱. مبانی برنامه‌نویسی و پایتون (Python Fundamentals)

این بخش نقطه شروع هر برنامه‌نویسی است. شما با ساختار پایه زبان، نحوه تفکر الگوریتمی و اصول اولیه کدنویسی آشنا می‌شوید.

• مفاهیم اصلی: متغیرها، انواع داده (اعداد، رشته‌ها، لیست‌ها، تاپل‌ها، مجموعه‌ها، دیکشنری‌ها)، عملگرها، ورودی و خروجی کاربر.
• ساختارهای کنترلی: شرطی‌ها (if/else)، حلقه‌ها (for/while)، و عملگرهای منطقی.
• توابع: تعریف و استفاده از توابع، مفهوم دامنه (scope)، توابع بازگشتی (recursion) و توابع لامبدا (lambda).
• کار با فایل‌ها: خواندن و نوشتن فایل‌ها، مدیریت مسیرها.
• مدیریت خطا: استفاده از try/except برای مدیریت استثناها.
• برنامه‌نویسی شیءگرا (OOP): کلاس‌ها، اشیاء، ارث‌بری، چندریختی (polymorphism)، و متدهای جادویی (magic methods).

نکات کلیدی: این مرحله، ستون فقرات هر نوع برنامه‌نویسی است. بدون درک عمیق این مبانی، پیشرفت در حوزه‌های پیشرفته‌تر دشوار خواهد بود. تمرین عملی و حل مسائل کوچک در این بخش بسیار مهم است.

۲. سازماندهی و پیش‌پردازش داده (Data Wrangling)

Data Wrangling یا Data Munging، فرآیند حیاتی آماده‌سازی داده‌های خام برای تحلیل است. این مرحله بخش قابل توجهی از زمان متخصصان داده را به خود اختصاص می‌دهد.

• جمع‌آوری داده (Data Collection): گردآوری داده از منابع مختلف مانند پایگاه‌های داده، APIها، صفحات گسترده، فایل‌های CSV و وب اسکرپینگ. این شامل داده‌های ساختاریافته، نیمه‌ساختاریافته و بدون ساختار می‌شود.
• پاکسازی داده (Data Cleaning): هدف در این بخش تضمین قابلیت اطمینان مجموعه داده است. این شامل:
  • مدیریت مقادیر گمشده: (Imputing or removing missing values) جایگزینی یا حذف داده‌های از دست رفته.
  • تصحیح خطاها: (Correcting errors) اصلاح اشتباهات در داده‌ها.
  • استانداردسازی فرمت‌ها: (Standardizing formats) یکسان‌سازی فرمت‌های داده (مانند تاریخ‌ها یا واحدها).
  • حذف داده‌های پرت (Outliers): شناسایی و مدیریت نقاط داده‌ای که به طور غیرمعمولی از بقیه داده‌ها فاصله دارند.
• ساختاردهی داده (Data Structuring): این کار با سازماندهی داده‌ها در قالب‌های یکنواخت، کارایی تحلیل را افزایش می‌دهد؛ به عنوان مثال، با استفاده از عملیات pivot یا melt بر روی جداول.
• تبدیل داده (Data Transformation): این مرحله شامل مناسب‌تر کردن داده‌ها برای یک تحلیل خاص است، از جمله:
  • اعمال عملیات ریاضی: (Applying mathematical operations) مانند لگاریتم یا ریشه‌گیری.
  • تبدیل انواع داده: (Converting data types) مثلاً از رشته به عدد صحیح.
  • نرمال‌سازی مقادیر: (Normalizing values) مقیاس‌بندی داده‌ها به یک محدوده استاندارد.
  • ایجاد ویژگی‌های جدید: (Creating new features) ساخت ستون‌های جدید از ستون‌های موجود.
  • ترکیب یا تقسیم ستون‌ها: (Combining or splitting columns) ادغام چند ستون یا تفکیک یک ستون به چند ستون.
• غنی‌سازی داده (Data Enrichment): در این مرحله، داده‌های خارجی به مجموعه داده موجود اضافه می‌شود تا ارزش و بستر اطلاعاتی آن افزایش یابد. برای مثال، افزودن داده‌های جمعیتی به اطلاعات خرید مشتری برای درک بهتر الگوهای خرید.
• اعتبارسنجی داده (Data Validation): در این بخش، دقت و سازگاری داده‌ها بررسی می‌شود؛ به عنوان مثال، اطمینان از اینکه تبدیل‌ داده‌ها به درستی اعمال شده‌اند یا هیچ ناهنجاری در داده‌ها باقی نمانده است.
• کتابخانه‌های کلیدی: Pandas و NumPy ابزارهای اصلی برای این عملیات هستند.

نکات کلیدی: Data Wrangling مهارتی اساسی برای هر متخصص داده است. تسلط بر کتابخانه‌های Pandas و NumPy برای پاکسازی، ساختاردهی و تبدیل داده‌ها ضروری است. این مرحله نه تنها داده‌ها را برای تحلیل آماده می‌کند، بلکه کیفیت و اعتبار نتایج نهایی را نیز تضمین می‌کند.

۳. تحلیل داده و بصری‌سازی (Data Analysis & Visualization)

پس از آماده‌سازی داده، نوبت به تحلیل و استخراج بینش از آن‌ها می‌رسد.

• کتابخانه‌های تحلیل داده:
  • Pandas: برای دستکاری و تحلیل داده‌ها، از جمله فیلتر کردن، مرتب‌سازی، گروه‌بندی (groupby) و ادغام DataFrames.
  • NumPy: برای انجام محاسبات عددی و آرایه‌ای کارآمد.
• ویژوال‌سازی:
  • Matplotlib: یک کتابخانه قدرتمند برای ایجاد انواع نمودارها و گراف‌ها به صورت سفارشی.
  • Seaborn: بر پایه Matplotlib ساخته شده و نمودارهای آماری زیبا و اطلاعاتی را با کد کمتر فراهم می‌کند.
• آمار و احتمال: درک مفاهیم آماری برای تحلیل صحیح داده‌ها و استخراج الگوها. این شامل مفاهیمی مانند رگرسیون خطی، طبقه‌بندی، روش‌های بازنمونه‌گیری، و مدل‌های درختی می‌شود.
• کاربردها: خواندن داده‌ها از منابع مختلف مانند CSV، SQL، و Excel، و همچنین توانایی ساخت داشبوردهای تعاملی و گزارش‌های بصری.

نکات کلیدی: تحلیل داده‌ها بدون ویژوال‌سازی کارآمد نیست. توانایی نمایش بصری داده‌ها به شما کمک می‌کند تا الگوها، روندها و بینش‌ها را به سرعت شناسایی کرده و آن‌ها را به شیوه ای قابل فهم به دیگران منتقل کنید.

۴. یادگیری ماشین (Machine Learning)

یادگیری ماشین به شما امکان می‌دهد مدل‌هایی بسازید که از داده‌ها یاد می‌گیرند و پیش‌بینی یا تصمیم‌گیری می‌کنند.

• مفاهیم:
  • رگرسیون خطی و لجستیک: برای پیش‌بینی مقادیر پیوسته و طبقه‌بندی باینری.
  • درخت‌های تصمیم و جنگل‌های تصادفی: مدل‌های قدرتمند و قابل تفسیر برای طبقه‌بندی و رگرسیون.
  • تقویت گرادیان (XGBoost): یک الگوریتم تقویت‌کننده قوی برای مسائل پیچیده.
  • مدل‌های طبقه‌بندی: SVM (ماشین‌های بردار پشتیبان)، K-Means (خوشه‌بندی).
  • یادگیری نظارت‌شده (Supervised Learning): آموزش مدل‌ها با داده‌های برچسب‌دار.
  • یادگیری نظارت‌نشده (Unsupervised Learning): کشف الگوها در داده‌های بدون برچسب (مانند خوشه‌بندی و کاهش ابعاد).
• کتابخانه‌ها: Scikit-learn کتابخانه اصلی برای پیاده‌سازی الگوریتم‌های یادگیری ماشین است.
• کاربردها: رویکرد به پروژه‌های یادگیری ماشین، برنامه‌ریزی و ساخت مدل‌ها، و استقرار (Deployment) آن‌ها در محیط واقعی.
• مهندسی ویژگی (Feature Engineering): هنر و علم ایجاد ویژگی‌های جدید از داده‌های موجود برای بهبود عملکرد مدل‌های یادگیری ماشین.
  • Mutual Information: سنجش میزان وابستگی بین دو متغیر.
  • Clustering with k-means: استفاده از خوشه‌بندی برای ایجاد ویژگی‌های جدید.
  • Principal Component Analysis (PCA): کاهش ابعاد داده‌ها و استخراج ویژگی‌های مهم.
  • Target Encoding: رمزگذاری متغیرهای دسته‌بندی با استفاده از متغیر هدف.
• یادگیری عمیق (Deep Learning): زیرمجموعه‌ای از یادگیری ماشین که از شبکه‌های عصبی عمیق استفاده می‌کند.
  • مقدمه‌ای بر شبکه‌های عصبی: (Introduction to neural networks) ساختار و عملکرد آن‌ها.
  • توابع فعال‌سازی (Activation Functions): نقش آن‌ها در شبکه‌های عصبی.
  • توابع زیان (Loss Functions): ارزیابی عملکرد مدل.
  • تنظیم (Regularization): جلوگیری از بیش‌برازش (overfitting).
  • شبکه‌های عصبی پیچشی (Convolutional Neural Networks – CNNs): برای تحلیل تصاویر.

نکات کلیدی: یادگیری ماشین یک حوزه وسیع است. تمرکز بر درک مفاهیم اساسی و توانایی پیاده‌سازی مدل‌ها با استفاده از scikit-learn، گام‌های اولیه مهمی هستند. مهندسی ویژگی می‌تواند به طور چشمگیری عملکرد مدل‌های شما را بهبود بخشد.

۵. ساختار داده و الگوریتم‌ها (Data Structures & Algorithms)

این بخش برای مصاحبه‌های شغلی در حوزه داده و برنامه‌نویسی بسیار حیاتی است و به شما کمک می‌کند تا کدهای بهینه‌تر و کارآمدتری بنویسید.

• ساختارهای داده:
  • جستجوی دودویی (Binary Search): الگوریتم کارآمد برای یافتن عناصر در لیست‌های مرتب شده.
  • لیست پیوندی (Linked Lists): ساختاری پویا برای ذخیره داده‌ها.
  • درخت‌های جستجوی دودویی (Binary Search Trees): ساختار داده‌ای سلسله‌مراتبی برای جستجو و مرتب‌سازی.
  • جداول هش (Hash Tables) و دیکشنری‌های پایتون: برای ذخیره‌سازی و بازیابی سریع داده‌ها.
• الگوریتم‌ها:
  • مرتب‌سازی (Sorting Algorithms): (مانند Bubble Sort, Merge Sort, Quick Sort)
  • تقسیم و غلبه (Divide and Conquer): رویکرد حل مسئله با تقسیم آن به زیرمسائل کوچکتر.
  • بازگشتی (Recursion): توابعی که خود را فراخوانی می‌کنند.
  • برنامه‌نویسی پویا (Dynamic Programming): حل مسائل با شکستن آن‌ها به زیرمسائل همپوشان.
  • الگوریتم‌های گراف (Graph Algorithms): (مانند BFS, DFS, Dijkstra’s Algorithm) برای کار با داده‌های شبکه‌ای.
• پیچیدگی زمانی و فضایی (Time and Space Complexity): ارزیابی کارایی کد از نظر زمان اجرا و مصرف حافظه.
• نکات مصاحبه پایتون: (Python interview questions, tips, and advice) آماده‌سازی برای سوالات فنی در مصاحبه‌ها.

نکات کلیدی: درک ساختار داده‌ها و الگوریتم‌ها نه تنها برای قبولی در مصاحبه‌های کدنویسی ضروری است، بلکه به شما کمک می‌کند تا کدهای کارآمدتر، مقیاس‌پذیرتر و با کیفیت‌تری بنویسید.

۶. پایگاه‌های داده و SQL

درک پایگاه‌های داده و زبان SQL برای هر کسی که با داده‌ها سروکار دارد، حیاتی است.

• SQL (Structured Query Language): زبان استاندارد برای مدیریت و دستکاری پایگاه‌های داده رابطه‌ای.
  • پرس و جو از پایگاه‌های داده: (Querying databases) انتخاب، فیلتر کردن و مرتب‌سازی داده‌ها.
  • طراحی Schema: (Design schemas) ساختاردهی جداول و روابط.
  • بهینه‌سازی پرس و جو: (Query optimization) نوشتن کوئری‌های کارآمد.
• انواع پایگاه داده:
  • پایگاه‌های داده رابطه‌ای: (Relational Databases) مانند MySQL.
  • سیستم‌های NoSQL: (No SQL Systems) مانند MongoDB.
• مدیریت داده: (Data Management) مفاهیم مرتبط با نحوه ذخیره، بازیابی و مدیریت داده‌ها.

نکات کلیدی: SQL ستون فقرات کار با داده‌ها در بسیاری از سازمان‌ها است. تسلط بر آن به شما امکان می‌دهد تا به داده‌ها دسترسی پیدا کرده، آن‌ها را مدیریت و استخراج کنید.

---

منابع آموزشی رایگان برتر برای تسلط بر پایتون و علم داده

خوشبختانه، منابع آموزشی رایگان و باکیفیت بسیاری برای یادگیری پایتون و علم داده وجود دارد. در اینجا برخی از بهترین‌ها را معرفی می‌کنیم:

الف) دوره‌های جامع پایتون برای مبتدیان و متوسط:

1. یوتیوب – Python Full Course for Beginners (Dave Gray) :
   • پلتفرم: YouTube
   • سطح: مبتدی
   • چرا این دوره؟: ایده‌آل اگر از صفر شروع می‌کنید و یک ویدیوی جامع برای ساخت یک پایه قوی می‌خواهید.
   • موضوعات کلیدی: سینتکس اصلی پایتون (متغیرها، انواع داده، عملگرها، شرطی‌ها، حلقه‌ها)، توابع، ساختارهای داده (لیست‌ها، دیکشنری‌ها، تاپل‌ها، مجموعه‌ها)، کار با فایل و ماژول، برنامه‌نویسی شیءگرا (OOP) و تمرینات عملی. در پایان، یک پروژه ساخت اپلیکیشن وب با Flask نیز دارد.
2. یوتیوب – Learn Python – Full Course for Beginners (freeCodeCamp):
   • پلتفرم: YouTube
   • سطح: مبتدی
   • چرا این دوره؟: یک دوره فشرده ۴ ساعته و بدون حاشیه، با توضیحات مستقیم و کاربردی برای مبتدیان.
   • موضوعات کلیدی: اصول پایتون (متغیرها، انواع داده، رشته‌ها، اعداد، ورودی کاربر)، ساختارهای داده و توابع، پروژه‌ها و بازی‌های تعاملی (ماشین‌حساب، Mad Libs، بازی حدس کلمات)، کار با فایل‌ها و ماژول‌ها، و برنامه‌نویسی شیءگرا.
3. یوتیوب – Python Full Course (Bro Code):
   • پلتفرم: YouTube
   • سطح: مبتدی
   • چرا این دوره؟: پوشش سریع و بدون حاشیه مبانی پایتون با مثال‌های بصری و تمرینات کوتاه.
   • موضوعات کلیدی: برنامه‌نویسی هسته پایتون (متغیرها، تبدیل نوع، ورودی کاربر، عملیات ریاضی، متدهای رشته)، توابع و سینتکس پیشرفته (decorators, list comprehensions)، برنامه‌نویسی شیءگرا (وراثت، چندریختی)، ساختارهای داده و کنترل جریان، کار با فایل‌ها و استثناها، Multithreading و APIها، و توسعه GUI با PyQt5.
4. CS50’s Introduction to Programming With Python (Harvard) – edX:
   • پلتفرم: edX
   • سطح: مبتدی تا متوسط
   • چرا این دوره؟: تاکید بر حل مسئله و نوشتن کد تمیز؛ فراتر از فقط آموزش سینتکس.
   • موضوعات کلیدی: اصول برنامه‌نویسی (توابع، متغیرها، شرطی‌ها، حلقه‌ها، مدیریت استثناها)، کار با فایل‌ها و متن (عبارات با قاعده)، کدنویسی ماژولار و قابل تست، برنامه‌نویسی شیءگرا. شامل مجموعه‌مسائل و پروژه نهایی.
5. Automate the Boring Stuff With Python (Al Sweigart) – کتاب:
   • پلتفرم: وبسایت اختصاصی (کتاب رایگان)
   • سطح: مبتدی تا متوسط
   • چرا این منبع؟: پایتون را با خودکارسازی وظایف تکراری کامپیوتر آموزش می‌دهد که آن را کاربردی و قابل استفاده در زندگی واقعی می‌کند.
   • موضوعات کلیدی: مهارت‌های برنامه‌نویسی هسته (پایتون، کنترل جریان، حلقه‌ها، توابع، اشکال‌زدایی)، پردازش متن و فایل، اتوماسیون و اسکریپت‌نویسی، کار با داده از منابع خارجی (وب اسکرپینگ، Google Sheets, Excel)، و ساخت برنامه‌های تعاملی.
6. Learn Python (Kaggle):
   • پلتفرم: Kaggle
   • سطح: مبتدی تا متوسط
   • چرا این دوره؟: درس‌های تعاملی کوتاه با داده‌های واقعی. به خصوص اگر به سمت علم داده یا یادگیری ماشین می‌روید، مفید است.
   • موضوعات کلیدی: اصول پایتون (سینتکس، انواع داده اصلی)، کنترل جریان و منطق، توابع و کدهای ماژولار، کار با کتابخانه‌ها.
7. Scientific Computing With Python (freeCodeCamp):
   • پلتفرم: freeCodeCamp
   • سطح: مبتدی تا متوسط
   • چرا این دوره؟: بخشی از مسیر گواهینامه اصلی freeCodeCamp. تعاملی، مبتنی بر مرورگر، و یادگیری از طریق انجام پروژه‌ها.
   • موضوعات کلیدی: مفاهیم برنامه‌نویسی هسته (رشته‌ها، اعداد، شرطی‌ها، توابع) از طریق پروژه‌های عملی (مانند حل‌کننده سودوکو)، الگوریتم‌ها و منطق‌سازی، ساختارهای داده و comprehension، برنامه‌نویسی شیءگرا، عبارات با قاعده (RegEx).
8. Python Tutorial (W3Schools):
   • پلتفرم: W3Schools
   • سطح: مبتدی تا پیشرفته
   • چرا این منبع؟: تعاملی، سریع و آسان برای دنبال کردن، پوشش طیف وسیعی از مباحث پایتون.
   • موضوعات کلیدی: سینتکس اصلی پایتون، ساختارهای داده، برنامه‌نویسی شیءگرا، ابزارهای عملی و جریان‌های کاری (مدیریت فایل، فرمت‌بندی رشته، ورودی کاربر، محیط‌های مجازی، مدیریت استثناها)، کتابخانه‌ها و فریم‌ورک‌های محبوب (NumPy, pandas, SciPy, Matplotlib, Django)، پایگاه‌های داده (MySQL, MongoDB)، و مبانی علوم کامپیوتر.
9. Google’s Python Class (Google for Education):
   • پلتفرم: Google for Education
   • سطح: متوسط
   • چرا این دوره؟: دوره‌ای عملی با یادداشت‌های سخنرانی و تمرینات قابل دانلود که توسط مهندسان گوگل ایجاد شده است.
   • موضوعات کلیدی: مدیریت داده‌های هسته (رشته‌ها، لیست‌ها، تاپل‌ها، دیکشنری‌ها، تکنیک‌های مرتب‌سازی)، پردازش فایل و متن (عبارات با قاعده)، ابزارهای سیستمی و وب.
10. Introduction to Computer Science and Programming in Python (MIT OpenCourseWare):
    • پلتفرم: MIT OpenCourseWare
    • سطح: متوسط تا پیشرفته
    • چرا این دوره؟: یک دوره بسیار معتبر از سه استاد MIT. شامل ۱۲ درس ویدیویی، اسلایدهای سخنرانی و کد، و مسائل.
    • موضوعات کلیدی: مبانی محاسبات، مهارت‌های برنامه‌نویسی هسته (دستکاری رشته، توابع، بازگشتی)، طراحی و ساختار برنامه (تجزیه، انتزاع، تغییرپذیری، کپی‌سازی، برنامه‌نویسی شیءگرا)، تکنیک‌های حل مسئله، نوشتن کدهای قابل اعتماد.

ب) دوره‌های تخصصی پایتون برای علم داده:

1. Python for Data Science (Mosh):
   • لینک: Python for Beginners
   • موضوعات: مبانی برنامه‌نویسی پایتون، متغیرها، ورودی‌ها، تبدیل نوع، رشته‌ها، عملگرها، دستورات شرطی، حلقه‌ها، لیست‌ها و تاپل‌ها.
2. Intermediate Python Programming:
   • لینک: Intermediate Python Programming
   • موضوعات: ساختارهای داده داخلی پایتون، Collections, Itertools، توابع لامبدا، استثناها و خطاها، Logging، کار با JSON، تولید اعداد تصادفی، Decorators، Generators، Multithreading و Multiprocessing.
3. Data Analysis with Python (freeCodeCamp):
   • لینک: Data Analysis with Python Certification
   • موضوعات: کتابخانه‌های NumPy, Pandas, Matplotlib, Seaborn. شامل پروژه‌های عملی تحلیل داده.
4. Machine Learning with Python and Scikit-Learn:
   • لینک: Machine Learning with Python and Scikit-Learn
   • موضوعات: تئوری و پیاده‌سازی الگوریتم‌های یادگیری ماشین (رگرسیون خطی، رگرسیون لجستیک، درخت‌های تصمیم، جنگل‌های تصادفی، XGBoost)، رویکرد به پروژه‌های یادگیری ماشین، استقرار (Deployment) مدل‌ها.
5. Data Structures and Algorithms in Python:
   • لینک: Data Structures and Algorithms in Python
   • موضوعات: جستجوی دودویی، لیست پیوندی، درخت‌های جستجوی دودویی، جداول هش و دیکشنری‌ها، الگوریتم‌های مرتب‌سازی، بازگشتی، برنامه‌نویسی پویا، الگوریتم‌های گراف، نکات مصاحبه پایتون.
6. Python Data Science Toolbox (DataCamp):
   • لینک: Python Data Science Toolbox
   • موضوعات: تحلیل و ویژوال‌سازی موثر داده‌ها با پایتون، دستکاری داده و رسم نمودار با Matplotlib.
7. Data Science Fundamentals with Python and SQL Specialization (Coursera/IBM):
   • لینک: Data Science Fundamentals with Python and SQL Specialization
   • موضوعات: این تخصص شامل ۵ دوره خودآموز آنلاین است که مهارت‌های اساسی لازم برای علم داده را فراهم می‌کند. شامل تمرینات عملی با مجموعه‌داده‌های واقعی.

پ) دوره‌های تخصصی Data Wrangling با پایتون:

1. Basics of Python Data Wrangling (Great Learning):
   • لینک: Basics of Python Data Wrangling
   • سطح: مبتدی
   • موضوعات: مفاهیم Data Wrangling با پایتون، با تمرکز بر pandas و NumPy، RegEx، وب اسکرپینگ، خواندن، اسکرپینگ و ذخیره داده‌ها.
2. Python Pandas For Your Grandpa (GormAnalysis):
   • لینک: Python Pandas For Your Grandpa
   • سطح: مبتدی تا متوسط
   • موضوعات: کار با Series و DataFrame در pandas (ایجاد، ایندکس‌گذاری، عملیات پایه، مقادیر گمشده، vectorize، apply(), merge(), groupby())، مباحث پیشرفته (رشته‌ها، تاریخ و زمان، Categorical، MultiIndex، تغییر شکل DataFrame).
3. Data Analysis with Python (freeCodeCamp):
   • لینک: Data Analysis with Python
   • سطح: مبتدی تا متوسط
   • موضوعات: فرآیند تحلیل داده، خواندن داده از CSV, SQL, Excel، پاکسازی و تبدیل داده با pandas و NumPy، ویژوال‌سازی با Matplotlib و seaborn. شامل ۵ پروژه تحلیل داده.
4. Data Wrangling With Python Pandas (The Analytics Professor) – YouTube:
   • لینک: Data Wrangling With Python Pandas
   • سطح: متوسط
   • موضوعات: استفاده از Series و DataFrame در pandas، انتخاب، فیلتر کردن و مرتب‌سازی، کار با تاریخ و زمان، حذف رکوردهای تکراری، گروه‌بندی و جمع‌آوری داده‌ها.
5. Machine Learning Data Pre-Processing & Data Wrangling Using Python (The AI University) – YouTube:
   • لینک: Machine Learning Data Pre-Processing & Data Wrangling Using Python
   • سطح: متوسط
   • موضوعات: مدیریت مقادیر گمشده و جایگزینی، One-hot encoding برای متغیرهای دسته‌بندی، تقسیم داده به مجموعه‌های آموزش و تست، مقیاس‌بندی ویژگی، شناسایی و درمان داده‌های پرت، افزودن و حذف ستون‌ها، ساخت Pivot Table، RegEx برای تقسیم رشته‌ها، استفاده از map(), apply(), applymap()، ادغام DataFrames.

ت) دوره‌های جامع علم داده (بدون تمرکز صرف بر پایتون):

1. Understanding Data Science (DataCamp):
   • لینک: Understanding Data Science
   • موضوعات: تعریف علم داده، گردش کار علم داده، کاربردهای واقعی علم داده، و نقش‌های مختلف در این حوزه. بدون نیاز به کدنویسی.
2. Data Science: R Basics (Harvard University):
   • لینک: Data Science: R Basics
   • موضوعات: مبانی زبان برنامه‌نویسی R برای Data Wrangling، تحلیل و ویژوال‌سازی داده. (امکان دریافت گواهینامه با پرداخت هزینه).
3. Statistical Learning (edX/Stanford Online):
   • لینک: Statistical Learning
   • موضوعات: ابزارهای اصلی مدل‌سازی آماری و علم داده (رگرسیون خطی، طبقه‌بندی، روش‌های بازنمونه‌گیری، مدل‌های درختی، ماشین‌های بردار پشتیبان، یادگیری عمیق، خوشه‌بندی نظارت‌نشده).
4. Statistics Fundamentals (Josh Starmer) – YouTube:
   • لینک: Statistics Fundamentals
   • موضوعات: مبانی آمار و احتمال با توضیحات واضح و مثال‌های کاربردی در حوزه علم داده.
5. Machine Learning Specialization (Coursera/Andrew Ng):
   • لینک: Machine Learning Specialization
   • موضوعات: تخصصی شامل ۳ دوره (یادگیری ماشین نظارت‌شده: رگرسیون و طبقه‌بندی، الگوریتم‌های یادگیری پیشرفته، یادگیری نظارت‌نشده، سیستم‌های توصیه‌گر، یادگیری تقویتی). (امکان دریافت گواهینامه با پرداخت هزینه).
6. Applied Machine Learning (Andreas Mueller) – YouTube:
   • لینک: Applied Machine Learning
   • موضوعات: ۲۲ ویدئو در مورد کاربرد یادگیری ماشین (ویژوال‌سازی با Matplotlib، مدل‌های خطی برای رگرسیون، تقویت گرادیان، بازرسی مدل، انتخاب ویژگی).
7. Feature Engineering (Kaggle):
   • لینک: Feature Engineering
   • موضوعات: چگونگی به حداکثر رساندن بهره‌وری از داده‌ها با استفاده از مهندسی ویژگی برای بهبود مدل (Mutual Information, Clustering with k-means, Principal Component Analysis, Target Encoding).
8. Deep Learning Crash Course (freeCodeCamp):
   • لینک: Deep Learning Crash Course
   • موضوعات: مقدمه‌ای خوب بر یادگیری عمیق و عناصر بنیادی آن (شبکه‌های عصبی، توابع فعال‌سازی، توابع زیان، تنظیم، شبکه‌های عصبی پیچشی).
9. Data Management with Data Science (The University of Wisconsin-Madison):
   • لینک: Data Management with Data Science
   • موضوعات: مقدمه‌ای بر علم داده، پایگاه‌های داده رابطه‌ای و جبر رابطه‌ای، مدل MapReduce و سیستم‌های NoSQL، تحلیل پیش‌بینی‌کننده، استخراج اطلاعات و یکپارچه‌سازی داده‌ها، و انتقال بینش‌ها.
10. Introduction to Data Analytics (IBM):
    • لینک: Introduction to Data Analytics Course by IBM
    • موضوعات: مقدمه‌ای عملی بر تحلیل داده، از پاکسازی و آماده‌سازی داده تا ویژوال‌سازی و تفسیر. استفاده از صفحات گسترده، SQL و برنامه‌نویسی R.

---

جمع‌بندی و گام‌های بعدی

با این منابع رایگان و باکیفیت، شما می‌توانید دانش پایتون خود را به میزان قابل توجهی ارتقا دهید. خوشبختانه، برای این کار نیازی به صرف هزینه زیاد نیست – تنها زمان و تلاش کافی است. یادگیری Data Wrangling نیز مهارت‌های عمومی پایتون و به ویژه دانش شما را در کتابخانه‌های pandas و NumPy بهبود می‌بخشد.

برخی از این دوره‌ها حتی می‌توانند شما را به سمت حوزه‌های جدیدی مانند تحلیل داده یا یادگیری ماشین هدایت کنند. این خوب است، زیرا Data Wrangling به ندرت هدف نهایی است؛ بنابراین، یادگیری در مورد مراحل دیگری که داده‌های آماده شده در آن استفاده می‌شوند، فقط به نفع شما خواهد بود.

به یاد داشته باشید که مهم‌ترین چیز، شروع کردن و ادامه دادن است. با تمرین مداوم و استفاده از این منابع ارزشمند، به زودی به یک متخصص پایتون و علم داده تبدیل خواهید شد!