اپلیکیشن اندرویدی فلش‌کارت آموزشی پردازش و تحلیل داده‌های حجیم علمی با اتوماسیون پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش و تحلیل داده‌های حجیم علمی با اتوماسیون پایتون

موضوع کلی: اتوماسیون با پایتون

موضوع میانی: اتوماسیون در حوزه جمع‌آوری داده‌های علمی

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه‌ای بر داده‌های حجیم علمی
• 2. فصل ۲: مفاهیم کلیدی در پردازش داده‌های حجیم
• 3. فصل ۳: آشنایی با اکوسیستم علمی پایتون
• 4. فصل ۴: نصب و پیکربندی محیط پایتون
• 5. فصل ۵: کتابخانه‌های اصلی: NumPy و Pandas
• 6. فصل ۶: کار با آرایه‌های NumPy
• 7. فصل ۷: سری‌ها و دیتافریم‌های Pandas
• 8. فصل ۸: بارگذاری و ذخیره‌سازی داده‌ها
• 9. فصل ۹: پاکسازی و پیش‌پردازش داده‌ها
• 10. فصل ۱۰: مدیریت داده‌های گمشده
• 11. فصل ۱۱: حذف داده‌های پرت
• 12. فصل ۱۲: تبدیل و نرمال‌سازی داده‌ها
• 13. فصل ۱۳: ادغام و اتصال دیتافریم‌ها
• 14. فصل ۱۴: عملیات گروه بندی و تجمیع
• 15. فصل ۱۵: کار با داده‌های زمانی
• 16. فصل ۱۶: فیلتر کردن و انتخاب داده‌ها
• 17. فصل ۱۷: مرتب‌سازی و شاخص‌گذاری
• 18. فصل ۱۸: مقدمه‌ای بر مصورسازی داده‌ها
• 19. فصل ۱۹: کتابخانه Matplotlib
• 20. فصل ۲۰: نمودارهای خطی و پراکندگی
• 21. فصل ۲۱: نمودارهای میله‌ای و هیستوگرام
• 22. فصل ۲۲: نمودارهای جعبه‌ای و ویولن
• 23. فصل ۲۳: کتابخانه Seaborn
• 24. فصل ۲۴: مصورسازی پیشرفته با Seaborn
• 25. فصل ۲۵: مقدمه‌ای بر اتوماسیون
• 26. فصل ۲۶: اسکریپت‌نویسی در پایتون
• 27. فصل ۲۷: حلقه‌ها و شرط‌ها
• 28. فصل ۲۸: توابع و ماژول‌ها
• 29. فصل ۲۹: مدیریت خطاها و استثناها
• 30. فصل ۳۰: استفاده از خط فرمان
• 31. فصل ۳۱: اتوماسیون وظایف تکراری
• 32. فصل ۳۲: خودکارسازی پردازش داده‌ها
• 33. فصل ۳۳: پردازش دسته‌ای داده‌ها
• 34. فصل ۳۴: اجرای اسکریپت‌های پایتون از ترمینال
• 35. فصل ۳۵: مدیریت پارامترهای ورودی
• 36. فصل ۳۶: استفاده از `argparse`
• 37. فصل ۳۷: ابزارهای مدیریت پروژه
• 38. فصل ۳۸: محیط‌های مجازی پایتون
• 39. فصل ۳۹: آشنایی با `venv`
• 40. فصل ۴۰: استفاده از `conda`
• 41. فصل ۴۱: مدیریت وابستگی‌ها
• 42. فصل ۴۲: مقدمه‌ای بر پایگاه‌های داده علمی
• 43. فصل ۴۳: کار با فایل‌های CSV و JSON
• 44. فصل ۴۴: پایگاه‌های داده رابطه‌ای
• 45. فصل ۴۵: کتابخانه `sqlite3`
• 46. فصل ۴۶: کوئری‌نویسی SQL در پایتون
• 47. فصل ۴۷: پایگاه‌های داده NoSQL
• 48. فصل ۴۸: معرفی MongoDB
• 49. فصل ۴۹: کار با PyMongo
• 50. فصل ۵۰: ذخیره‌سازی داده‌های حجیم
• 51. فصل ۵۱: مفاهیم ذخیره‌سازی توزیع شده
• 52. فصل ۵۲: معرفی Hadoop
• 53. فصل ۵۳: HDFS (Hadoop Distributed File System)
• 54. فصل ۵۴: MapReduce
• 55. فصل ۵۵: مقدمه‌ای بر Spark
• 56. فصل ۵۶: Spark Core
• 57. فصل ۵۷: Spark SQL
• 58. فصل ۵۸: Spark Streaming
• 59. فصل ۵۹: Spark MLlib
• 60. فصل ۶۰: PySpark
• 61. فصل ۶۱: بارگذاری داده در Spark
• 62. فصل ۶۲: عملیات تبدیل داده در Spark
• 63. فصل ۶۳: تجمیع و گروه‌بندی در Spark
• 64. فصل ۶۴: مصورسازی داده‌های Spark
• 65. فصل ۶۵: ادغام Spark و Pandas
• 66. فصل ۶۶: مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 67. فصل ۶۷: مفاهیم اساسی یادگیری ماشین
• 68. فصل ۶۸: یادگیری تحت نظارت
• 69. فصل ۶۹: الگوریتم‌های رگرسیون
• 70. فصل ۷۰: الگوریتم‌های طبقه‌بندی
• 71. فصل ۷۱: یادگیری بدون نظارت
• 72. فصل ۷۲: خوشه‌بندی
• 73. فصل ۷۳: کاهش ابعاد
• 74. فصل ۷۴: کتابخانه Scikit-learn
• 75. فصل ۷۵: آماده‌سازی داده‌ها برای مدل‌سازی
• 76. فصل ۷۶: تقسیم داده‌ها به آموزشی و آزمون
• 77. فصل ۷۷: آموزش مدل‌های یادگیری ماشین
• 78. فصل ۷۸: ارزیابی مدل‌ها
• 79. فصل ۷۹: تنظیم هایپرپارامترها
• 80. فصل ۸۰: مقدمه‌ای بر یادگیری عمیق
• 81. فصل ۸۱: شبکه‌های عصبی مصنوعی
• 82. فصل ۸۲: شبکه‌های عصبی کانولوشنال (CNN)
• 83. فصل ۸۳: شبکه‌های عصبی بازگشتی (RNN)
• 84. فصل ۸۴: کتابخانه‌های یادگیری عمیق
• 85. فصل ۸۵: TensorFlow
• 86. فصل ۸۶: Keras
• 87. فصل ۸۷: PyTorch
• 88. فصل ۸۸: ساخت مدل‌های یادگیری عمیق
• 89. فصل ۸۹: آموزش مدل‌های یادگیری عمیق
• 90. فصل ۹۰: بهینه‌سازی و تنظیم مدل‌ها
• 91. فصل ۹۱: مقدمه‌ای بر مهندسی ویژگی
• 92. فصل ۹۲: تکنیک‌های مهندسی ویژگی
• 93. فصل ۹۳: ارتقاء کیفیت ویژگی‌ها
• 94. فصل ۹۴: انتخاب ویژگی
• 95. فصل ۹۵: اتوماسیون پردازش داده‌های علمی با پایتون
• 96. فصل ۹۶: ساخت پایپ‌لاین‌های پردازش داده
• 97. فصل ۹۷: ادغام ابزارها و کتابخانه‌ها
• 98. فصل ۹۸: مدیریت و اجرای پروژه‌های بزرگ
• 99. فصل ۹۹: کاربردهای عملی در پژوهش علمی
• 100. فصل ۱۰۰: روندهای آینده در پردازش داده‌های حجیم