- عنوان کتاب: Python in Excel Step-by-Step
- نویسنده: David Langer
- حوزه: برنامهنویسی پایتون
- سال انتشار: 2026
- تعداد صفحه: 275
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 8.67 مگابایت
در زمان نگارش این متن، من ۲۸ سال است که در حوزه فناوری فعالیت دارم و ۱۴ سال گذشته را به تحلیل داده مشغول بودهام. در طول دوران حرفهایام، شاهد چرخههای تبلیغاتی زیادی بودهام که میآیند و میروند (مثلاً «کلان داده»). این را فقط برای تأکید بر اینکه چقدر عمیقاً تحت تأثیر آنچه در ماه مه ۲۰۲۳ دیدم قرار گرفتم – نسخه اولیه پایتون در اکسل – ذکر میکنم. به عنوان یک مشاور و مربی تحلیلی، از چشمانداز مایکروسافت برای اکسل شگفتزده شدم. تنها یک دلیل وجود داشت که چرا مایکروسافت این همه زمان و تلاش را صرف ساخت پایتون در اکسل کرد: مایکروسافت اکسل را به پرکاربردترین پلتفرم علم داده «خودت انجام بده» (DIY) در جهان میبیند. انجام علم داده با اکسل چیز جدیدی نیست. با استفاده از Solver، میتوانید تجزیه و تحلیلهای پیشرفتهای مانند تجزیه و تحلیل سبد بازار، رگرسیون لجستیک، شبیهسازیها و غیره را پیادهسازی کنید. با این حال، استفاده از اکسل به این روش اغلب نیاز به تنظیم قالبهای برگه کاری پیچیدهای دارد که مستعد خطا هستند. اگر این مانع به اندازه کافی بزرگ نبود، بسیاری از قدرتمندترین تکنیکهای تجزیه و تحلیل (مثلاً تجزیه و تحلیل خوشهای) را نمیتوان با استفاده از Solver پیادهسازی کرد. پایتون را در اکسل وارد کنید. همانطور که در این کتاب خواهید آموخت، پایتون نه تنها پایه و اساس دیدگاه مایکروسافت از اکسل به عنوان یک پلتفرم علم داده است، بلکه دانش پایتون برای بهرهبرداری حداکثری از فناوری هوش مصنوعی (AI) کوپایلوت مایکروسافت نیز ضروری است. مایکروسافت اکسل همیشه، در درجه اول، ابزاری برای تجزیه و تحلیل دادهها بوده است. برای متخصصانی که میخواهند با استفاده از دادهها تأثیر بیشتری در محل کار داشته باشند، پایتون جواهر تاج تجزیه و تحلیل اکسل است. در حالی که این کتاب کلمه “پایتون” را در عنوان خود دارد، مخاطب مورد نظر مهندسان نرمافزار یا دانشمندان داده نیستند. چشمانداز مایکروسافت برای اکسل واضح است – توانمندسازی هر متخصصی برای انجام تجزیه و تحلیل پیشرفته سلف سرویس. یا چیزی که من آن را “علم داده DIY” مینامم. این کتاب برای هر متخصصی که میخواهد مهارتهای لازم برای موفقیت در اکسل در عصر هوش مصنوعی را ایجاد کند، طراحی شده است. مثالها شامل (اما مطمئناً محدود به) موارد زیر است:
➤ یک مدیر بازاریابی که میخواهد یک مدل امتیازدهی به سرنخها بسازد.
➤ یک مدیر محصول که میخواهد یک تجزیه و تحلیل تقسیمبندی کاربر را برای ایجاد شخصیتهای دادهمحور انجام دهد.
➤ یک تحلیلگر مالی که میخواهد با استفاده از یادگیری ماشینی، پیشبینیهای دقیقتری ایجاد کند.
At the time of this writing, I’ve been in the technology field for 28 years and have been doing analytics for the last 14. Over my career, I’ve seen many hype cycles come and go (e.g., “Big Data”). I mention this only to emphasize how profoundly I was impacted by what I saw in May of 2023 – an early version of Python in Excel. As an analytics consultant and educator, I was blown away by Microsoft’s vision for Excel. There was only one reason why Microsoft would spend so much time and effort into building Python in Excel: Microsoft sees Excel becoming the world’s most used do-it-yourself (DIY) data science platform. Doing data science with Excel is not new. Using Solver, you can implement advanced analytics like market basket analysis, logistic regression, simulations, and so on. However, using Excel in this way often requires setting up complex worksheet templates that are error prone. If this wasn’t a big enough hurdle, many of the most powerful analytics techniques (e.g., cluster analysis) cannot be implemented using Solver. Enter Python in Excel. As you will learn in this book, Python is not only foundational for Microsoft’s vision of Excel as a data science platform, but knowledge of Python is also required to make the most of Microsoft’s Copilot artificial intelligence (AI) technology. Microsoft Excel has always been, first and foremost, a tool for analyzing data. For professionals wanting to have more impact at work using data, Python is the jewel in Excel’s analytics crown. While this book has the word “Python” in the title, the intended audience is not software engineers or data scientists. Microsoft’s vision for Excel is clear – empowering any professional to perform self-service advanced analytics. Or what I call “DIY data science.” This book is designed for any professional wanting to build the skills required to be successful with Excel in the age of AI. Examples include (but are certainly not limited to):
➤ A marketing manager who wants to build a lead-scoring model.
➤ A product manager who wants to perform a user segmentation analysis to create data-driven personas.
➤ A financial analyst who wants to create more accurate forecasts using machine learning.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: Python in Excel Step-by-Step
نظرات کاربران