اپلیکیشن اندرویدی فلش‌کارت آموزشی علم داده جامع با KNIME: از مقدماتی تا پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره علم داده جامع با KNIME: از مقدماتی تا پیشرفته

موضوع کلی: علوم داده و تحلیل اطلاعات

موضوع میانی: مبانی و ابزارهای علم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و کاربردهای آن
• 2. آشنایی با پلتفرم KNIME Analytics Platform
• 3. نصب و پیکربندی KNIME
• 4. مفاهیم اولیه پایگاه داده و ساختار داده
• 5. انواع داده‌ها و ساختارهای داده در علم داده
• 6. مقدمه‌ای بر پردازش و پاکسازی داده‌ها
• 7. کار با نودهای ورودی و خروجی داده در KNIME
• 8. فیلتر کردن و انتخاب داده‌ها
• 9. مرتب‌سازی و گروه‌بندی داده‌ها
• 10. ادغام و الحاق جداول داده
• 11. مدیریت مقادیر گمشده (Missing Values)
• 12. تبدیل انواع داده‌ها
• 13. شناسایی و حذف داده‌های پرت (Outliers)
• 14. انواع روش‌های تجمیع داده
• 15. مقدمه‌ای بر یادگیری ماشین
• 16. انواع الگوریتم‌های یادگیری ماشین
• 17. یادگیری نظارت شده و بدون نظارت
• 18. رگرسیون خطی و کاربردهای آن
• 19. رگرسیون لجستیک و طبقه‌بندی
• 20. درخت‌های تصمیم و قوانین استنتاج
• 21. جنگل‌های تصادفی (Random Forests)
• 22. ماشین‌های بردار پشتیبان (SVM)
• 23. خوشه‌بندی (Clustering) و الگوریتم K-Means
• 24. تحلیل مولفه‌های اصلی (PCA)
• 25. مقدمه‌ای بر یادگیری عمیق
• 26. شبکه‌های عصبی مصنوعی
• 27. شبکه‌های عصبی کانولوشنی (CNN)
• 28. شبکه‌های عصبی بازگشتی (RNN)
• 29. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 30. توکن‌سازی و حذف کلمات توقف
• 31. بردارسازی متن (Bag-of-Words, TF-IDF)
• 32. مدل‌سازی موضوعی (Topic Modeling)
• 33. تحلیل احساسات (Sentiment Analysis)
• 34. کار با داده‌های متنی در KNIME
• 35. مقدمه‌ای بر بصری‌سازی داده‌ها
• 36. انواع نمودارها و کاربردها
• 37. نمودارهای میله‌ای و خطی
• 38. نمودارهای پراکندگی و هیستوگرام
• 39. نمودارهای جعبه‌ای و ویولن
• 40. نقشه‌های حرارتی (Heatmaps)
• 41. بصری‌سازی در KNIME
• 42. کار با نودهای بصری‌سازی KNIME
• 43. ایجاد داشبوردهای تعاملی
• 44. مقدمه‌ای بر تحلیل سری‌های زمانی
• 45. شناسایی روند و فصلی بودن
• 46. مدل‌های ARIMA
• 47. پیش‌بینی با استفاده از سری‌های زمانی
• 48. کار با داده‌های سری زمانی در KNIME
• 49. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 50. مفاهیم گره، یال و گراف
• 51. شاخص‌های مرکزی بودن (Centrality Measures)
• 52. تشخیص جوامع (Community Detection)
• 53. کار با داده‌های گراف در KNIME
• 54. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 55. ایجاد ویژگی‌های جدید
• 56. انتخاب ویژگی (Feature Selection)
• 57. روش‌های کاهش ابعاد
• 58. ارزیابی مدل‌های یادگیری ماشین
• 59. معیارهای ارزیابی طبقه‌بندی
• 60. معیارهای ارزیابی رگرسیون
• 61. اعتبارسنجی متقابل (Cross-Validation)
• 62. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 63. کار با نودهای ارزیابی در KNIME
• 64. مقدمه‌ای بر استقرار مدل (Model Deployment)
• 65. ذخیره‌سازی و بارگذاری مدل‌ها
• 66. پیش‌بینی با مدل‌های مستقر شده
• 67. ملاحظات عملی در استقرار مدل
• 68. مقدمه‌ای بر یادگیری تقویتی
• 69. مفاهیم عامل، محیط و پاداش
• 70. الگوریتم‌های Q-Learning
• 71. کاربردهای یادگیری تقویتی
• 72. مقدمه‌ای بر داده‌کاوی در پایگاه‌های داده
• 73. پرس‌وجوها و زبان SQL
• 74. اتصال KNIME به پایگاه‌های داده
• 75. اجرای پرس‌وجوها در KNIME
• 76. مقدمه‌ای بر داده‌های مکانی-زمانی
• 77. کار با داده‌های جغرافیایی
• 78. سیستم‌های اطلاعات جغرافیایی (GIS)
• 79. بصری‌سازی داده‌های مکانی
• 80. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 81. مفاهیم Hadoop و Spark
• 82. کار با KNIME Server
• 83. مقدمه‌ای بر اخلاق در علم داده
• 84. حریم خصوصی و امنیت داده‌ها
• 85. سوگیری در الگوریتم‌ها
• 86. مسئولیت‌پذیری در علم داده
• 87. کاربردهای پیشرفته علم داده
• 88. علم داده در حوزه سلامت
• 89. علم داده در حوزه مالی
• 90. علم داده در حوزه بازاریابی
• 91. علم داده در حوزه تولید
• 92. علم داده در حوزه محیط زیست
• 93. پروژه عملی علم داده (مرحله اول)
• 94. پروژه عملی علم داده (مرحله دوم)
• 95. پروژه عملی علم داده (مرحله سوم)
• 96. پروژه عملی علم داده (مرحله چهارم)
• 97. آینده علم داده و روندهای نوظهور
• 98. مطالعه موردی: تحلیل رفتار مشتری
• 99. مطالعه موردی: پیش‌بینی تقلب
• 100. مطالعه موردی: بهینه‌سازی فرآیندها