اپلیکیشن اندرویدی فلشکارت آموزشی بصریسازی دادههای دادهکاوی و یادگیری ماشین
📚 کتاب آموزشی جامع
📚 اطلاعات کتاب
عنوان کتاب: کتاب بصریسازی دادههای دادهکاوی و یادگیری ماشین
موضوع کلی: برنامه نویسی
موضوع میانی: بصریسازی داده (Data Visualization)
📋 سرفصلهای کتاب (100 موضوع)
- 1. مقدمه و اصول بصریسازی دادهها
- 2. مبانی بصریسازی دادهها
- 3. چرایی بصریسازی دادهها در دادهکاوی و یادگیری ماشین
- 4. اهداف کلیدی بصریسازی دادهها
- 5. انواع بصریسازی دادهها
- 6. مفاهیم پایه بصریسازی (محورها، مقیاسها، رنگها)
- 7. شناخت انواع دادهها برای بصریسازی
- 8. دادههای عددی (کمی)
- 9. دادههای دستهای (کیفی)
- 10. دادههای ترتیبی
- 11. دادههای زمانسری
- 12. دادههای مکانی
- 13. دادههای متنی
- 14. انتخاب نمودار مناسب بر اساس نوع داده و هدف
- 15. اصول طراحی بصریسازی مؤثر
- 16. خوانایی و وضوح
- 17. سادگی و پرهیز از پیچیدگی غیرضروری
- 18. دقت و صداقت در نمایش دادهها
- 19. قابلیت مقایسه
- 20. قابلیت کشف الگوها
- 21. جذابیت بصری و اثرگذاری
- 22. نکات مهم در انتخاب رنگها
- 23. اهمیت انتخاب پالت رنگی مناسب
- 24. رنگهای ترتیبی، تفاضلی، کیفی
- 25. تأثیر رنگ بر ادراک
- 26. نکات مهم در انتخاب فونتها و برچسبها
- 27. خوانایی فونتها
- 28. وضوح برچسبها و عنوان نمودار
- 29. استفاده از حاشیهها و فضاهای سفید
- 30. ابزارها و کتابخانههای بصریسازی دادهها
- 31. معرفی ابزارهای رایج (Tableau، Power BI، Qlik Sense)
- 32. معرفی کتابخانههای پایتون (Matplotlib، Seaborn، Plotly، Bokeh)
- 33. معرفی کتابخانههای R (ggplot2، Lattice)
- 34. معرفی ابزارهای تحت وب (D3.js، Chart.js)
- 35. نصب و پیکربندی محیطهای توسعه
- 36. مقدمات کار با ابزارهای منتخب
- 37. بصریسازی دادههای اکتشافی (EDA)
- 38. نمودارهای توزیع تکمتغیره
- 39. هیستوگرام
- 40. نمودار چگالی (Kernel Density Estimation)
- 41. نمودار جعبهای (Box Plot)
- 42. نمودار ویولن (Violin Plot)
- 43. نمودارهای فراوانی (Frequency Plots)
- 44. نمودارهای توزیع چندمتغیره
- 45. نمودار پراکندگی (Scatter Plot)
- 46. نمودار ماتریس پراکندگی (Scatter Plot Matrix)
- 47. نمودار حبابی (Bubble Chart)
- 48. نمودار ماتریس همبستگی (Correlation Matrix Heatmap)
- 49. نمودارهای مقایسهای
- 50. نمودار میلهای (Bar Chart)
- 51. نمودار میلهای خوشهای (Grouped Bar Chart)
- 52. نمودار میلهای انباشته (Stacked Bar Chart)
- 53. نمودار خطی (Line Chart)
- 54. نمودارهای مقایسه توزیع
- 55. نمودار جعبهای چندگانه
- 56. نمودار ویولن چندگانه
- 57. نمودارهای مربوط به دادههای دستهای
- 58. نمودار پای (Pie Chart) - ملاحظات استفاده
- 59. نمودار دونات (Doughnut Chart)
- 60. نمودار میلهای دستهای
- 61. نمودار درختی (Treemap)
- 62. نمودار آبشاری (Waterfall Chart)
- 63. نمودار راداری (Radar Chart)
- 64. بصریسازی دادههای پیشپردازش شده
- 65. نمودارهای مقادیر گمشده (Missing Value Visualization)
- 66. نمودارهای شناسایی دادههای پرت (Outlier Detection Visualization)
- 67. نمودارهای مقیاسبندی و نرمالسازی
- 68. نمودارهای انتخاب ویژگی (Feature Selection Visualization)
- 69. بصریسازی مدلهای یادگیری ماشین
- 70. بصریسازی مدلهای رگرسیون
- 71. نمودار پیشبینی در مقابل مقادیر واقعی
- 72. نمودار باقیماندهها (Residual Plots)
- 73. نمودار خط رگرسیون بر روی دادهها
- 74. بصریسازی مدلهای طبقهبندی
- 75. ماتریس درهمریختگی (Confusion Matrix)
- 76. نمودار منحنی ROC و AUC
- 77. نمودار منحنی دقت-بازیابی (Precision-Recall Curve)
- 78. نمودار پیشبینی احتمالات
- 79. بصریسازی مدلهای خوشهبندی
- 80. نمودار پراکندگی خوشهها
- 81. نمودار دیسکriminant Analysis (LDA) برای نمایش خوشهها
- 82. نمودار t-SNE و UMAP برای نمایش خوشهها
- 83. نمودارهای تحلیل سلسله مراتبی (Hierarchical Clustering Dendrogram)
- 84. بصریسازی مدلهای درخت تصمیم و جنگل تصادفی
- 85. نمایش بصری درخت تصمیم
- 86. نمودار اهمیت ویژگیها (Feature Importance Plot)
- 87. بصریسازی مدلهای شبکههای عصبی
- 88. نمایش لایهها و اتصالات (برای مدلهای ساده)
- 89. بصریسازی وزنها و فعالسازیها (در صورت امکان)
- 90. بصریسازی مدلهای کاهش بعد (PCA, t-SNE, UMAP)
- 91. نمودار پراکندگی دادههای کاهش یافته بعد
- 92. نمودار نمایش تأثیر ابعاد اصلی بر ابعاد کاهش یافته
- 93. بصریسازی ارزیابی مدل
- 94. نمودارهای مقایسه عملکرد مدلها
- 95. نمودارهای معیارهای ارزیابی (Accuracy, Precision, Recall, F1-score)
- 96. نمودارهای اعتمادی (Confidence Intervals)
- 97. بصریسازی دادههای زمانسری
- 98. نمودار خطی سری زمانی
- 99. نمودار تجزیه سری زمانی (Trend, Seasonality, Residual)
- 100. نمودار خودهمبستگی (Autocorrelation Plot - ACF)
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.