اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع تحلیل داده با ابزارهای کاربردی (خودآموز)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع تحلیل داده با ابزارهای کاربردی (خودآموز)

موضوع کلی: علوم داده و تجزیه و تحلیل اطلاعات

موضوع میانی: مبانی و کاربردهای تجزیه و تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده
• 2. تعریف داده و انواع آن
• 3. اهمیت تحلیل داده در کسب‌وکار
• 4. چرخه عمر تحلیل داده
• 5. مراحل جمع‌آوری داده
• 6. کیفیت داده و پاکسازی آن
• 7. انواع روش‌های پاکسازی داده
• 8. ابزارهای رایج تحلیل داده
• 9. مبانی اکسل برای تحلیل داده
• 10. توابع کلیدی اکسل
• 11. نمودارهای آماری در اکسل
• 12. مقدمه‌ای بر پایگاه داده
• 13. مفاهیم SQL
• 14. کوئری‌نویسی پایه در SQL
• 15. فیلتر کردن و مرتب‌سازی داده در SQL
• 16. توابع تجمعی در SQL
• 17. اتصال جداول در SQL
• 18. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 19. نصب و پیکربندی پایتون
• 20. انواع ساختارهای داده در پایتون
• 21. لیست‌ها و تاپل‌ها در پایتون
• 22. دیکشنری‌ها و مجموعه‌ها در پایتون
• 23. مبانی برنامه‌نویسی شیءگرا در پایتون
• 24. کتابخانه NumPy برای محاسبات عددی
• 25. آرایه‌های NumPy
• 26. عملیات بر روی آرایه‌های NumPy
• 27. مقدمه‌ای بر کتابخانه Pandas
• 28. ساختارهای داده DataFrame و Series
• 29. بارگذاری و ذخیره داده با Pandas
• 30. پاکسازی و پیش‌پردازش داده با Pandas
• 31. فیلتر کردن و انتخاب داده در Pandas
• 32. گروه‌بندی و تجمیع داده با Pandas
• 33. ادغام و پیوند DataFrame ها
• 34. تحلیل اکتشافی داده (EDA)
• 35. مفهوم و اهمیت EDA
• 36. تکنیک‌های تجسم داده
• 37. مقدمه‌ای بر کتابخانه Matplotlib
• 38. رسم نمودارهای خطی و پراکندگی
• 39. رسم نمودارهای میله‌ای و هیستوگرام
• 40. سفارشی‌سازی نمودارها در Matplotlib
• 41. مقدمه‌ای بر کتابخانه Seaborn
• 42. نمودارهای آماری پیشرفته با Seaborn
• 43. نقشه‌های حرارتی (Heatmaps)
• 44. نمودارهای جعبه‌ای (Boxplots)
• 45. نمودارهای ویولن (Violinplots)
• 46. مقدمه‌ای بر آمار توصیفی
• 47. میانگین، میانه و مد
• 48. واریانس و انحراف معیار
• 49. مقدمه‌ای بر توزیع‌های آماری
• 50. توزیع نرمال
• 51. مقدمه‌ای بر آزمون فرض آماری
• 52. انواع آزمون‌های فرض
• 53. مقدمه‌ای بر رگرسیون خطی
• 54. رگرسیون خطی ساده
• 55. ارزیابی مدل رگرسیون
• 56. مقدمه‌ای بر رگرسیون لجستیک
• 57. کاربرد رگرسیون لجستیک
• 58. مقدمه‌ای بر یادگیری ماشین
• 59. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 60. مقدمه‌ای بر طبقه‌بندی (Classification)
• 61. الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 62. الگوریتم درخت تصمیم (Decision Tree)
• 63. الگوریتم ماشین بردار پشتیبان (SVM)
• 64. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 65. الگوریتم K-Means
• 66. ارزیابی مدل‌های طبقه‌بندی
• 67. مقدمه‌ای بر تحلیل سری‌های زمانی
• 68. مفاهیم پایه سری‌های زمانی
• 69. پیش‌بینی سری‌های زمانی
• 70. کاربرد تحلیل داده در بازاریابی
• 71. کاربرد تحلیل داده در امور مالی
• 72. کاربرد تحلیل داده در بهداشت و درمان
• 73. کاربرد تحلیل داده در منابع انسانی
• 74. مقدمه‌ای بر ابزارهای هوش تجاری (BI)
• 75. مقدمه‌ای بر Tableau
• 76. ایجاد داشبوردهای تعاملی در Tableau
• 77. مقدمه‌ای بر Power BI
• 78. ایجاد گزارشات در Power BI
• 79. اصول داستان‌سرایی با داده (Data Storytelling)
• 80. اصول اخلاقی در تحلیل داده
• 81. حفظ حریم خصوصی داده‌ها
• 82. امنیت داده‌ها
• 83. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 84. چالش‌های داده‌های بزرگ
• 85. ابزارهای اکوسیستم Hadoop
• 86. مقدمه‌ای بر Spark
• 87. کاربرد Spark در تحلیل داده
• 88. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 89. شبکه‌های عصبی مصنوعی
• 90. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 91. کاربرد NLP در تحلیل متن
• 92. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 93. کاربرد بینایی ماشین در تحلیل تصویر
• 94. اصول ساخت مدل‌های پیش‌بین
• 95. اعتبارسنجی متقابل (Cross-validation)
• 96. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 97. مقدمه‌ای بر بهینه‌سازی مدل
• 98. مقدمه‌ای بر استقرار مدل (Model Deployment)
• 99. ملاحظات عملی در استقرار مدل
• 100. ارزیابی عملکرد مدل در محیط عملیاتی