Skip to content
SRTTU: Labs for python
Jupyter Notebook
Branch: master
Clone or download
Fetching latest commit…
Cannot retrieve the latest commit at this time.
Permalink
Type Name Latest commit message Commit time
Failed to load latest commit information.
01-Intro.ipynb
02-print.ipynb
03-String operations.ipynb
5-1_Dictionaries_v5.ipynb
6-1_Numpy_1D.ipynb
6-2_Numpy_2D.ipynb
6-3_Numpy_review.ipynb
7-1-Pandas_review.ipynb
7-2_Intro_Data_Analysis.ipynb
7-3_Data_Wrangling.ipynb
8-Exploratory_Data_Analysis.ipynb
9-1-Data_Viz_review.ipynb
9-2_SciKit-Learn-Overview.ipynb
9-3-Model_Development.ipynb
DPS-transmission.ipynb
README.md
clean_df.csv
final-Review-Exercises.ipynb
salaries.csv
speech.wav

README.md

python-labs

SRTTU: Labs for python

این صفحه متعلق به درس آزمایشگاه پایتون دانشگاه تربیت دبیر شهید رجایی در ترم بهمن ماه سال تحصیلی 96-97 است.

شماره و گروه درس زمان
۰۱-۰۲۷-۹۸-۹۰ سه شنبه ۱۷:۳۰-۱۹:۳۰
۰۲-۰۲۷-۹۸-۹۰ چهار شنبه ۱۷:۳۰-۱۹:۳۰

چه نسخه ای از پایتون استفاده می‌کنیم؟
در حال حاضر دو نسخه‌ی 2و 3 رواج دارد. کدهای این ترم بر اساس پایتون 3 خواهد بود.

چه مباحثی را میخوانیم؟
در زیر سیلابس پیشنهادی برای این ترم لیست شده است.
امید است تا انتهای ماژول 7 حتما پوشش داده شود، مابقی مباحث بر اساس روند کلاس و علاقه دانشجویان خواهد بود.

Course Syllabus:

Module 1 - Python Basics

How to install Python?
Your first program
Input and output
Variables
Operators
Types
Expressions and Variables
String Operations

Module 2 - Python Data Structures & Containers

Lists
Tuples
Sets
Dictionaries

Module 3 - Python Programming Fundamentals

Conditions and Branching
Loops
Functions
Objects and Classes
Functions and Packages

Module 4 - Numpy

Vectorization
Arrays
Array indexing
Datatypes
Array math
Broadcasting

Module 5 - Visualization with Matplotlib

Plotting
Subplots
Images

Module 6 - Working with Data in Python

Reading files with open
Writing files with open
Loading data with Pandas
Working with and Saving data with Pandas

Module 7 - Importing Datasets

Learning Objectives
Understanding the Domain
Understanding the  Dataset
Python package for data science
Importing and Exporting Data in Python
Basic Insights from Datasets

Module 8 - Cleaning the Data

Identify and Handle Missing Values
Data Formatting
Data NormalizationSets
Binning
Indicator variables

Module 9 - Summarizing the Data Frame

Descriptive Statistics
Basic of Grouping
ANOVA
Correlation
More on Correlation

Module 10 - Model Development

Simple and Multiple Linear Regression
Model Evaluation Using Visualization
Polynomial Regression and Pipelines
R-squared and MSE for In-Sample Evaluation
Prediction and Decision Making

Module 11 - Model Evaluation

Model  Evaluation
Over-fitting, Under-fitting and Model Selection
Ridge Regression
Grid Search
Model Refinement

Module 12 - More about Visualization Tools

Introduction to Data Visualization
Introduction to Matplotlib
Basic Plotting with Matplotlib
Dataset on Immigration to Canada
Line Plots
Area Plots
Histograms
Bar Charts
Pie Charts
Box Plots
Scatter Plots
Bubble Plots

Module 13 - Advanced Visualization Tools

Waffle Charts
Word Clouds
Seaborn and Regression Plots

Module 14 - SciPy

Image operations
MATLAB files
Distance between points

Module 15 - Intro to Unit Testing and Test Driven Development in Python

Overview of Unit Testing and Test Driven Development
XUnit
Assert Statements and Exceptions
Test Fixtures
PyTest Command Line Arguments 
You can’t perform that action at this time.