اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع تحلیل داده‌ها: از مبانی تا بصری‌سازی پیشرفته و کاربردهای یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع تحلیل داده‌ها: از مبانی تا بصری‌سازی پیشرفته و کاربردهای یادگیری ماشین

موضوع کلی: علم داده و تحلیل اطلاعات

موضوع میانی: تحلیل پیشرفته داده‌ها با یادگیری ماشین و بصری‌سازی داده‌های کلان

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و تحلیل اطلاعات
• 2. مبانی جمع‌آوری و پاکسازی داده‌ها
• 3. اصول آماری در تحلیل داده‌ها
• 4. شناخت انواع داده‌ها و ساختارها
• 5. مفاهیم پایه یادگیری ماشین
• 6. یادگیری نظارت‌شده: رگرسیون خطی
• 7. یادگیری نظارت‌شده: رگرسیون لجستیک
• 8. طبقه‌بندی با درخت تصمیم
• 9. دسته‌بندی با ماشین‌های بردار پشتیبان (SVM)
• 10. خوشه‌بندی با K-Means
• 11. الگوریتم‌های کاهش ابعاد: PCA
• 12. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 13. تحلیل احساسات در متون
• 14. مدل‌سازی موضوعی با LDA
• 15. مبانی یادگیری عمیق
• 16. شبکه‌های عصبی کانولوشنی (CNN)
• 17. شبکه‌های عصبی بازگشتی (RNN)
• 18. یادگیری تقویتی: مفاهیم پایه
• 19. اصول بصری‌سازی داده‌ها
• 20. انواع نمودارها و کاربردهای آن‌ها
• 21. بصری‌سازی داده‌های کلان
• 22. ابزارهای بصری‌سازی: Tableau
• 23. ابزارهای بصری‌سازی: Power BI
• 24. مفاهیم کلان داده (Big Data)
• 25. معماری هادوپ (Hadoop)
• 26. سیستم فایل توزیع‌شده هادوپ (HDFS)
• 27. پردازش موازی با MapReduce
• 28. پردازش کلان داده با Spark
• 29. مبانی پایگاه‌های داده NoSQL
• 30. کاربرد MongoDB در تحلیل داده
• 31. مبانی تحلیل سری‌های زمانی
• 32. تحلیل آماری سری‌های زمانی
• 33. مدل‌های ARIMA در پیش‌بینی
• 34. تحلیل پیش‌بینی با شبکه‌های عصبی
• 35. کاربرد یادگیری ماشین در بازاریابی
• 36. تحلیل رفتار مشتری
• 37. سیستم‌های توصیه‌گر
• 38. مبانی تحلیل شبکه‌های اجتماعی
• 39. شناسایی جوامع در شبکه‌ها
• 40. تحلیل گراف و کاربردهای آن
• 41. مبانی داده‌کاوی
• 42. قوانین وابستگی و تحلیل سبد خرید
• 43. قواعد انجمنی در کشف الگو
• 44. شناخت داده‌های مکانی (Geospatial Data)
• 45. تحلیل داده‌های مکانی با GIS
• 46. بصری‌سازی داده‌های مکانی
• 47. مبانی اخلاق در علم داده
• 48. حریم خصوصی داده‌ها و امنیت
• 49. قوانین حفاظت از داده‌ها در ایران
• 50. مقدمه‌ای بر یادگیری ماشین آماری
• 51. مدل‌های خطی تعمیم‌یافته (GLM)
• 52. استنتاج آماری در علم داده
• 53. آزمون فرض در تحلیل داده
• 54. تحلیل واریانس (ANOVA)
• 55. رگرسیون چندگانه
• 56. مقدمه‌ای بر یادگیری بدون نظارت
• 57. کاهش ابعاد با t-SNE
• 58. روش‌های تشخیص ناهنجاری
• 59. کاربرد علم داده در صنعت مالی
• 60. تحلیل ریسک اعتباری
• 61. پیش‌بینی قیمت سهام (با احتیاط)
• 62. مبانی علم داده در حوزه سلامت
• 63. تحلیل داده‌های پزشکی
• 64. تشخیص بیماری با یادگیری ماشین
• 65. کاربرد علم داده در تولید
• 66. بهینه‌سازی فرآیندهای تولید
• 67. پیش‌بینی خرابی تجهیزات
• 68. مبانی تحلیل داده‌های متنی پیشرفته
• 69. مدل‌های زبانی و ترنسفورمرها
• 70. کاربرد مدل‌های زبانی در ایران
• 71. مقدمه‌ای بر یادگیری تقویتی عمیق
• 72. یادگیری Q-Learning
• 73. یادگیری Actor-Critic
• 74. مبانی داده‌های جریانی (Streaming Data)
• 75. پردازش داده‌های جریانی با Kafka
• 76. تحلیل بلادرنگ با Spark Streaming
• 77. مبانی هوش مصنوعی و یادگیری ماشین
• 78. تفاوت هوش مصنوعی و یادگیری ماشین
• 79. چالش‌های پیاده‌سازی مدل‌های ML
• 80. ارزیابی مدل‌های پیش‌بینی
• 81. تنظیم هایپرپارامترها
• 82. اعتبارسنجی متقابل (Cross-Validation)
• 83. مبانی داده‌کاوی اکتشافی
• 84. کاوش الگوهای پنهان در داده‌ها
• 85. تکنیک‌های نمونه‌برداری داده
• 86. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 87. کاربرد یادگیری انتقالی در بینایی ماشین
• 88. استفاده از مدل‌های از پیش آموزش‌دیده
• 89. مبانی داده‌های تصویری و ویدیویی
• 90. تحلیل تصاویر پزشکی
• 91. تشخیص اشیاء در تصاویر
• 92. مقدمه‌ای بر یادگیری عمیق گراف (GNN)
• 93. کاربرد GNN در شبکه‌های اجتماعی
• 94. کاربرد GNN در سیستم‌های توصیه‌گر
• 95. مبانی داده‌کاوی در حوزه حقوقی
• 96. تحلیل قراردادها و اسناد قانونی
• 97. پیش‌بینی نتایج دعاوی حقوقی (با احتیاط)
• 98. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 99. تکنیک‌های انتخاب ویژگی
• 100. ساخت ویژگی‌های جدید