اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر تحلیل پیش‌بینانه با پایتون: از داده تا مدل‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر تحلیل پیش‌بینانه با پایتون: از داده تا مدل‌سازی

موضوع کلی: مهندسی داده و هوش مصنوعی

موضوع میانی: تحلیل و پیش‌بینی داده‌ها با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده و هوش مصنوعی
• 2. اهمیت تحلیل پیش‌بینانه در دنیای امروز
• 3. کاربردها و فرصت‌های هوش مصنوعی
• 4. مسیر شغلی در حوزه داده و هوش مصنوعی
• 5. آشنایی با مفاهیم کلیدی: داده، اطلاعات، دانش
• 6. چرخه حیات پروژه‌های داده
• 7. اصول اخلاقی در مهندسی داده و هوش مصنوعی
• 8. مبانی برنامه‌نویسی پایتون برای تحلیل داده
• 9. نصب و پیکربندی محیط توسعه پایتون
• 10. آشنایی با کتابخانه‌های ضروری: NumPy, Pandas
• 11. مفاهیم پایه‌ای داده در پایتون
• 12. کار با ساختارهای داده‌ای: لیست‌ها، تاپل‌ها، دیکشنری‌ها
• 13. دستورات شرطی و حلقه‌ها در پایتون
• 14. نوشتن توابع و ماژول‌ها در پایتون
• 15. مدیریت خطاها و استثناها
• 16. مبانی پایگاه داده و SQL
• 17. مقدمه‌ای بر پایگاه داده‌های رابطه‌ای
• 18. نوشتن کوئری‌های پایه SQL
• 19. اتصال پایتون به پایگاه داده
• 20. مفاهیم اولیه داده‌کاوی
• 21. انواع داده‌ها: ساختاریافته، نیمه‌ساختاریافته، بدون ساختار
• 22. مراحل فرآیند داده‌کاوی (CRISP-DM)
• 23. جمع‌آوری داده‌ها
• 24. پاکسازی داده‌ها: مدیریت مقادیر گمشده
• 25. پاکسازی داده‌ها: مدیریت داده‌های پرت (Outliers)
• 26. تبدیل داده‌ها: نرمال‌سازی و استانداردسازی
• 27. تبدیل داده‌ها: کدگذاری متغیرهای دسته‌ای
• 28. انتخاب ویژگی (Feature Selection)
• 29. مهندسی ویژگی (Feature Engineering)
• 30. مقدمه‌ای بر تحلیل آماری داده‌ها
• 31. آمار توصیفی: معیارهای مرکزی (میانگین، میانه، مد)
• 32. آمار توصیفی: معیارهای پراکندگی (واریانس، انحراف معیار)
• 33. نمودارهای آماری: هیستوگرام، نمودار جعبه‌ای
• 34. مفاهیم احتمال و توزیع‌های آماری
• 35. آزمون فرض آماری (Statistical Hypothesis Testing)
• 36. مقدمه‌ای بر یادگیری ماشین
• 37. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 38. مفاهیم پایه مدل‌سازی پیش‌بینانه
• 39. تقسیم داده‌ها: مجموعه آموزش، اعتبارسنجی و آزمون
• 40. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 41. معیارهای ارزیابی مدل‌های رگرسیون
• 42. رگرسیون خطی ساده
• 43. رگرسیون خطی چندگانه
• 44. مقدمه‌ای بر مدل‌های طبقه‌بندی
• 45. رگرسیون لجستیک
• 46. درخت تصمیم (Decision Trees)
• 47. جنگل تصادفی (Random Forests)
• 48. ماشین بردار پشتیبان (Support Vector Machines - SVM)
• 49. خوشه‌بندی (Clustering)
• 50. الگوریتم K-Means
• 51. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 52. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 53. کار با متن: توکنیزاسیون و نرمال‌سازی
• 54. تبدیل متن به بردار: TF-IDF
• 55. تحلیل احساسات (Sentiment Analysis)
• 56. مقدمه‌ای بر سری‌های زمانی (Time Series Analysis)
• 57. پیش‌بینی سری‌های زمانی با مدل‌های ساده
• 58. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 59. ساختار یک پرسپترون ساده
• 60. معرفی لایه‌های شبکه‌های عصبی
• 61. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 62. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 63. کاربرد شبکه‌های عصبی در تحلیل داده
• 64. مقدمه‌ای بر ابزارهای مصورسازی داده
• 65. کتابخانه Matplotlib
• 66. کتابخانه Seaborn
• 67. مصورسازی داده‌های آماری
• 68. مصورسازی نتایج مدل‌ها
• 69. مقدمه‌ای بر مهندسی داده در مقیاس بزرگ
• 70. مفاهیم کلیدی Big Data
• 71. آشنایی با اکوسیستم Hadoop (مفهومی)
• 72. مقدمه‌ای بر Spark (مفهومی)
• 73. مقدمه‌ای بر یادگیری ماشین توزیع‌شده (مفهومی)
• 74. اصول مهندسی داده پایدار
• 75. مدیریت فراداده (Metadata Management)
• 76. کیفیت داده در مقیاس بزرگ
• 77. امنیت داده‌ها در سیستم‌های بزرگ
• 78. مقدمه‌ای بر داده‌های جریانی (Streaming Data)
• 79. مفاهیم پردازش آنی داده‌ها
• 80. ابزارهای پردازش داده‌های جریانی (مفهومی)
• 81. اخلاق در هوش مصنوعی و داده‌ها
• 82. سوگیری در الگوریتم‌ها و داده‌ها
• 83. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 84. حریم خصوصی داده‌ها
• 85. مقدمه‌ای بر یادگیری تقویتی (مفهومی)
• 86. کاربردهای یادگیری تقویتی
• 87. آینده مهندسی داده و هوش مصنوعی
• 88. روندهای نوظهور در تحلیل پیش‌بینانه
• 89. چالش‌های آینده در مهندسی داده
• 90. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
• 91. کاربردهای هوش مصنوعی مولد
• 92. یادگیری خود نظارت‌شده (Self-Supervised Learning)
• 93. مدل‌های زبانی بزرگ (LLMs)
• 94. تفسیرپذیری مدل‌ها (Model Interpretability)
• 95. کار با مدل‌های قابل تفسیر
• 96. مفاهیم پیشرفته در مهندسی ویژگی
• 97. ارزیابی عمیق مدل‌ها
• 98. بهینه‌سازی پارامترهای مدل (Hyperparameter Tuning)
• 99. استقرار مدل‌های پیش‌بینانه (Model Deployment)
• 100. نظارت بر عملکرد مدل در محیط عملیاتی