اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی تحلیل داده‌های هم‌زمان و پیش‌بینی با ابزارهای مقدماتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی تحلیل داده‌های هم‌زمان و پیش‌بینی با ابزارهای مقدماتی

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: تحلیل داده و پیش‌بینی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و فناوری اطلاعات
• 2. مبانی تحلیل داده‌های هم‌زمان
• 3. اهمیت تحلیل داده در دنیای امروز
• 4. انواع داده‌ها و ساختارهای داده
• 5. مقدمه‌ای بر مفاهیم آماری در تحلیل داده
• 6. مفاهیم اولیه احتمالات
• 7. توزیع‌های آماری رایج
• 8. نمونه‌گیری و روش‌های آن
• 9. آمار توصیفی و شاخص‌های مرکزی
• 10. آمار توصیفی و شاخص‌های پراکندگی
• 11. نمودارهای آماری و کاربرد آن‌ها
• 12. مقدمه‌ای بر زبان‌های برنامه‌نویسی تحلیل داده
• 13. آشنایی با پایتون برای تحلیل داده
• 14. مفاهیم اولیه پایتون: متغیرها و انواع داده
• 15. دستورات شرطی و حلقه‌ها در پایتون
• 16. ساختارهای داده در پایتون: لیست‌ها و تاپل‌ها
• 17. ساختارهای داده در پایتون: دیکشنری‌ها و مجموعه‌ها
• 18. توابع در پایتون
• 19. مقدمه‌ای بر کتابخانه‌های تحلیل داده در پایتون
• 20. کتابخانه NumPy برای عملیات عددی
• 21. آرایه‌های NumPy و عملیات پایه
• 22. عملیات ریاضی و منطقی با آرایه‌های NumPy
• 23. فهرست‌سازی و برش در آرایه‌های NumPy
• 24. عملیات شکل‌دهی آرایه‌ها
• 25. کتابخانه Pandas برای تحلیل داده
• 26. ساختار داده Series در Pandas
• 27. ساختار داده DataFrame در Pandas
• 28. بارگذاری و ذخیره داده‌ها با Pandas
• 29. فهرست‌سازی و انتخاب داده در DataFrame
• 30. فیلتر کردن داده‌ها در DataFrame
• 31. عملیات گروه‌بندی و تجمیع داده
• 32. ادغام و اتصال DataFrames
• 33. مدیریت داده‌های گمشده
• 34. پاکسازی و پیش‌پردازش داده‌ها
• 35. مقدمه‌ای بر تحلیل داده‌های هم‌زمان (Synoptic)
• 36. تعریف تحلیل داده‌های هم‌زمان
• 37. کاربرد تحلیل داده‌های هم‌زمان در حوزه‌های مختلف
• 38. مفاهیم کلیدی در تحلیل داده‌های هم‌زمان
• 39. منابع داده‌های هم‌زمان
• 40. جمع‌آوری و یکپارچه‌سازی داده‌های هم‌زمان
• 41. مقدمه‌ای بر مفاهیم پیش‌بینی
• 42. انواع پیش‌بینی
• 43. مبانی مدل‌های پیش‌بینی
• 44. روش‌های ساده پیش‌بینی
• 45. روندها و فصلی بودن در داده‌ها
• 46. شناسایی الگوهای زمانی
• 47. مقدمه‌ای بر مدل‌های رگرسیون خطی
• 48. رگرسیون خطی ساده
• 49. ارزیابی مدل رگرسیون خطی
• 50. رگرسیون خطی چندگانه
• 51. مقدمه‌ای بر مدل‌های سری زمانی
• 52. مدل‌های میانگین متحرک (MA)
• 53. مدل‌های خودرگرسیون (AR)
• 54. مدل‌های ARMA
• 55. مدل‌های ARIMA
• 56. مقدمه‌ای بر ارزیابی مدل‌های پیش‌بینی
• 57. معیارهای ارزیابی مدل‌های پیش‌بینی
• 58. خطای میانگین مربعات (MSE)
• 59. ریشه خطای میانگین مربعات (RMSE)
• 60. خطای میانگین مطلق (MAE)
• 61. شاخص میانگین مربعات خطا (MAPE)
• 62. اعتبارسنجی متقابل (Cross-validation)
• 63. آماده‌سازی داده‌ها برای مدل‌سازی
• 64. مهندسی ویژگی (Feature Engineering)
• 65. انتخاب ویژگی (Feature Selection)
• 66. مقدمه‌ای بر ابزارهای تجسم داده
• 67. نمودارهای خطی برای سری‌های زمانی
• 68. نمودارهای پراکندگی برای همبستگی
• 69. نمودارهای میله‌ای و هیستوگرام
• 70. نمودارهای جعبه‌ای (Box Plots)
• 71. کاربرد ابزارهای تجسم در درک داده‌ها
• 72. مقدمه‌ای بر مفاهیم یادگیری ماشین
• 73. یادگیری نظارت شده و بدون نظارت
• 74. الگوریتم‌های طبقه‌بندی مقدماتی
• 75. الگوریتم‌های خوشه‌بندی مقدماتی
• 76. کاربرد یادگیری ماشین در پیش‌بینی
• 77. مقدمه‌ای بر مفاهیم داده‌کاوی
• 78. مراحل فرآیند داده‌کاوی
• 79. قوانین وابستگی (Association Rules)
• 80. کاربرد قوانین وابستگی در تحلیل داده
• 81. مقدمه‌ای بر مفاهیم کلان داده (Big Data)
• 82. چالش‌های کلان داده
• 83. معماری‌های پردازش کلان داده
• 84. کاربرد تحلیل داده‌های هم‌زمان در کلان داده
• 85. اخلاق در تحلیل داده و پیش‌بینی
• 86. حریم خصوصی داده‌ها
• 87. سوگیری در الگوریتم‌ها
• 88. مسئولیت‌پذیری در پیش‌بینی‌ها
• 89. مباحث پیشرفته در تحلیل داده‌های هم‌زمان
• 90. مقدمه‌ای بر شبکه‌های عصبی برای پیش‌بینی
• 91. شبکه‌های عصبی بازگشتی (RNN)
• 92. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 93. کاربرد شبکه‌های عصبی در پیش‌بینی سری‌های زمانی
• 94. مقدمه‌ای بر یادگیری عمیق
• 95. معماری‌های یادگیری عمیق
• 96. کاربرد یادگیری عمیق در تحلیل داده
• 97. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 98. کاربرد NLP در تحلیل داده‌های متنی
• 99. تحلیل احساسات (Sentiment Analysis)
• 100. کاربرد تحلیل احساسات در پیش‌بینی