اپلیکیشن اندرویدی فلش‌کارت آموزشی آشنایی عمیق با Jupyter Notebooks و ویژگی‌های آن

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آشنایی عمیق با Jupyter Notebooks و ویژگی‌های آن

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Jupyter Notebooks

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر محیط Jupyter Notebook
• 2. نصب و راه‌اندازی Jupyter Notebook
• 3. ساختار کلی یک Notebook
• 4. سلول‌های کد در Jupyter Notebook
• 5. سلول‌های Markdown برای مستندسازی
• 6. اجرای کد در سلول‌ها
• 7. تکمیل خودکار کد (Autocompletion)
• 8. نمایش خروجی کدها
• 9. کار با متغیرها و داده‌ها
• 10. استفاده از کتابخانه‌های پایتون
• 11. مقدمه‌ای بر NumPy برای محاسبات عددی
• 12. آشنایی با ساختارهای داده NumPy (آرایه‌ها)
• 13. عملیات پایه بر روی آرایه‌های NumPy
• 14. شاخص‌گذاری و برش‌دهی در آرایه‌ها
• 15. توابع آماری در NumPy
• 16. مقدمه‌ای بر Pandas برای تحلیل داده
• 17. ساختار داده Series در Pandas
• 18. ساختار داده DataFrame در Pandas
• 19. بارگذاری داده‌ها از فایل‌های CSV
• 20. بارگذاری داده‌ها از فایل‌های Excel
• 21. فیلتر کردن و انتخاب داده‌ها در DataFrame
• 22. مرتب‌سازی داده‌ها
• 23. گروه‌بندی داده‌ها (Grouping)
• 24. توابع تجمیعی (Aggregation)
• 25. ادغام و ترکیب DataFrames
• 26. پاکسازی داده‌های گمشده (Missing Data)
• 27. مدیریت داده‌های پرت (Outliers)
• 28. مقدمه‌ای بر Matplotlib برای بصری‌سازی
• 29. رسم نمودارهای خطی (Line Plots)
• 30. رسم نمودارهای پراکندگی (Scatter Plots)
• 31. رسم نمودارهای میله‌ای (Bar Charts)
• 32. رسم هیستوگرام (Histograms)
• 33. رسم نمودارهای دایره‌ای (Pie Charts)
• 34. تنظیمات پیشرفته نمودارها
• 35. کار با زیرنمودارها (Subplots)
• 36. مقدمه‌ای بر Seaborn برای بصری‌سازی پیشرفته
• 37. نمودارهای توزیع در Seaborn
• 38. نمودارهای دسته‌بندی در Seaborn
• 39. نمودارهای ماتریسی در Seaborn
• 40. تنظیمات ظاهری نمودارها در Seaborn
• 41. نکات کاربردی در Jupyter Notebook
• 42. میانبرهای صفحه کلید در Jupyter
• 43. ذخیره و خروجی گرفتن از Notebook
• 44. استفاده از Extensions در Jupyter
• 45. مدیریت محیط‌های مجازی (Virtual Environments)
• 46. نصب و مدیریت بسته‌های پایتون
• 47. مقدمه‌ای بر Git برای کنترل نسخه
• 48. راه‌اندازی مخزن Git
• 49. تعهد (Commit) کردن تغییرات
• 50. شاخه (Branch) زدن و ادغام (Merge)
• 51. کار با ریموت‌ها (Remotes)
• 52. مقدمه‌ای بر مبانی علم داده
• 53. مراحل کلی در پروژه‌های علم داده
• 54. جمع‌آوری و پیش‌پردازش داده‌ها
• 55. تحلیل اکتشافی داده‌ها (EDA)
• 56. انتخاب ویژگی (Feature Selection)
• 57. مهندسی ویژگی (Feature Engineering)
• 58. مقدمه‌ای بر یادگیری ماشین
• 59. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت)
• 60. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 61. متریک‌های ارزیابی مدل‌های طبقه‌بندی
• 62. متریک‌های ارزیابی مدل‌های رگرسیون
• 63. مقدمه‌ای بر الگوریتم‌های طبقه‌بندی
• 64. رگرسیون خطی
• 65. رگرسیون لجستیک
• 66. درخت تصمیم (Decision Tree)
• 67. جنگل تصادفی (Random Forest)
• 68. ماشین بردار پشتیبان (SVM)
• 69. ک-نزدیک‌ترین همسایه (KNN)
• 70. مقدمه‌ای بر الگوریتم‌های خوشه‌بندی
• 71. خوشه‌بندی K-Means
• 72. مقدمه‌ای بر کاهش ابعاد
• 73. تحلیل مولفه‌های اصلی (PCA)
• 74. کاربرد PCA در کاهش ابعاد
• 75. مقدمه‌ای بر مدل‌های رگرسیون پیشرفته
• 76. رگرسیون پولی (Ridge)
• 77. رگرسیون لاسو (Lasso)
• 78. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 79. Tokenization و Stopwords
• 80. Stemming و Lemmatization
• 81. Vectorization (TF-IDF)
• 82. مقدمه‌ای بر شبکه‌های عصبی
• 83. لایه ورودی و خروجی
• 84. توابع فعال‌سازی
• 85. مقدمه‌ای بر یادگیری عمیق
• 86. شبکه‌های عصبی کانولوشنال (CNN)
• 87. شبکه‌های عصبی بازگشتی (RNN)
• 88. کاربرد Jupyter در پروژه‌های واقعی
• 89. توسعه ابزارهای تحلیل داده
• 90. ساخت داشبوردهای تعاملی ساده
• 91. مستندسازی کد و پروژه‌ها
• 92. اشتراک‌گذاری Notebook ها
• 93. نکات امنیتی در Jupyter Notebook
• 94. مدیریت حافظه و منابع در Jupyter
• 95. بهینه‌سازی اجرای کد در Jupyter
• 96. جمع‌بندی و گام‌های بعدی در یادگیری