اپلیکیشن اندرویدی فلش‌کارت آموزشی کاربردهای عملی Jupyter Notebooks در دنیای واقعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربردهای عملی Jupyter Notebooks در دنیای واقعی

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Jupyter Notebooks

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Jupyter Notebook و محیط آن
• 2. نصب و راه‌اندازی Jupyter Notebook
• 3. آشنایی با رابط کاربری Jupyter Notebook
• 4. ایجاد و مدیریت نوت‌بوک‌های جدید
• 5. سلول‌های کد و متن در Jupyter Notebook
• 6. اجرای کد پایتون در سلول‌ها
• 7. کار با انواع داده‌ها در پایتون
• 8. عملگرها و عبارات در پایتون
• 9. ساختارهای کنترلی: شرط‌ها در پایتون
• 10. ساختارهای کنترلی: حلقه‌ها در پایتون
• 11. تابع‌نویسی در پایتون
• 12. ماژول‌ها و بسته‌های پایتون
• 13. مقدمه‌ای بر کتابخانه NumPy
• 14. عملیات بر روی آرایه‌های NumPy
• 15. توابع ریاضی NumPy
• 16. کار با داده‌های متنی در NumPy
• 17. مقدمه‌ای بر کتابخانه Pandas
• 18. ساخت و کار با ساختارهای داده Pandas (Series, DataFrame)
• 19. بارگذاری و ذخیره داده‌ها در Pandas
• 20. پاکسازی و پیش‌پردازش داده‌ها در Pandas
• 21. انتخاب و فیلتر کردن داده‌ها در Pandas
• 22. توابع تجمیعی در Pandas
• 23. گروه‌بندی و تجمیع داده‌ها در Pandas
• 24. ادغام و پیوند دادن DataFrames
• 25. کار با داده‌های زمانی در Pandas
• 26. مقدمه‌ای بر کتابخانه Matplotlib
• 27. رسم نمودارهای خطی در Matplotlib
• 28. رسم نمودارهای پراکندگی در Matplotlib
• 29. رسم نمودارهای میله‌ای در Matplotlib
• 30. رسم نمودارهای دایره‌ای در Matplotlib
• 31. شخصی‌سازی نمودارها در Matplotlib
• 32. کار با زیرنمودارها (Subplots)
• 33. ذخیره نمودارها در Matplotlib
• 34. مقدمه‌ای بر کتابخانه Seaborn
• 35. نمودارهای آماری در Seaborn
• 36. نمودارهای توزیع در Seaborn
• 37. نمودارهای رابطه‌ای در Seaborn
• 38. نمودارهای دسته‌بندی در Seaborn
• 39. کار با نقشه‌های حرارتی (Heatmaps)
• 40. مقدمه‌ای بر یادگیری ماشین
• 41. مفهوم داده‌های آموزشی و آزمایشی
• 42. تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی
• 43. ارزیابی مدل‌های یادگیری ماشین
• 44. مقدمه‌ای بر رگرسیون خطی
• 45. پیاده‌سازی رگرسیون خطی با Scikit-learn
• 46. ارزیابی مدل رگرسیون خطی
• 47. مقدمه‌ای بر رگرسیون لجستیک
• 48. پیاده‌سازی رگرسیون لجستیک با Scikit-learn
• 49. ارزیابی مدل رگرسیون لجستیک
• 50. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 51. پیاده‌سازی SVM با Scikit-learn
• 52. مقدمه‌ای بر درختان تصمیم
• 53. پیاده‌سازی درختان تصمیم با Scikit-learn
• 54. مقدمه‌ای بر جنگل‌های تصادفی
• 55. پیاده‌سازی جنگل‌های تصادفی با Scikit-learn
• 56. مقدمه‌ای بر خوشه‌بندی
• 57. الگوریتم K-Means
• 58. پیاده‌سازی K-Means با Scikit-learn
• 59. مقدمه‌ای بر کاهش ابعاد
• 60. تحلیل مؤلفه‌های اصلی (PCA)
• 61. پیاده‌سازی PCA با Scikit-learn
• 62. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 63. توکن‌سازی و نرمال‌سازی متن
• 64. نمایش متنی با Bag-of-Words
• 65. نمایش متنی با TF-IDF
• 66. مقدمه‌ای بر شبکه‌های عصبی
• 67. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 68. پیاده‌سازی MLP با Keras/TensorFlow
• 69. مقدمه‌ای بر یادگیری عمیق
• 70. کاربردهای Jupyter Notebook در علم داده
• 71. کاربردهای Jupyter Notebook در تحلیل داده
• 72. کاربردهای Jupyter Notebook در مدل‌سازی
• 73. کاربردهای Jupyter Notebook در مصورسازی داده
• 74. کاربردهای Jupyter Notebook در گزارش‌دهی
• 75. اشتراک‌گذاری نوت‌بوک‌ها
• 76. تبدیل نوت‌بوک به فرمت‌های دیگر
• 77. نکات پیشرفته در Jupyter Notebook
• 78. مدیریت محیط‌های مجازی در Jupyter
• 79. استفاده از افزونه‌ها در Jupyter Notebook
• 80. کار با Git و Jupyter Notebook
• 81. نکات امنیتی در استفاده از Jupyter Notebook
• 82. کاربرد Jupyter در پروژه‌های واقعی (مثال ۱)
• 83. کاربرد Jupyter در پروژه‌های واقعی (مثال ۲)
• 84. کاربرد Jupyter در پروژه‌های واقعی (مثال ۳)
• 85. کاربرد Jupyter در پروژه‌های واقعی (مثال ۴)
• 86. کاربرد Jupyter در پروژه‌های واقعی (مثال ۵)
• 87. مقدمه‌ای بر تحلیل سری‌های زمانی
• 88. کار با داده‌های صوتی در Jupyter
• 89. کار با داده‌های تصویری در Jupyter
• 90. مقدمه‌ای بر یادگیری تقویتی
• 91. مقدمه‌ای بر پردازش تصویر با OpenCV
• 92. کاربرد Jupyter در آموزش و پژوهش
• 93. کاربرد Jupyter در کسب و کار
• 94. کاربرد Jupyter در امور مالی
• 95. کاربرد Jupyter در مهندسی
• 96. کاربرد Jupyter در علوم زیستی
• 97. کاربرد Jupyter در علوم اجتماعی
• 98. کاربرد Jupyter در توسعه وب (با ابزارهای مرتبط)
• 99. کاربرد Jupyter در اینترنت اشیاء (IoT)
• 100. مقدمه‌ای بر هوش مصنوعی مولد