اپلیکیشن اندرویدی فلش‌کارت آموزشی راهنمای جامع ورود به دنیای علم داده برای مبتدیان

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع ورود به دنیای علم داده برای مبتدیان

موضوع کلی: علوم کامپیوتر و داده

موضوع میانی: مبانی علم داده و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و اهمیت آن
• 2. مفاهیم پایه علم داده
• 3. انواع داده‌ها و ساختارهای آن‌ها
• 4. جمع‌آوری و پاکسازی داده‌ها
• 5. آمار توصیفی و اکتشافی
• 6. تجسم داده‌ها: ابزارها و تکنیک‌ها
• 7. مقدمه‌ای بر یادگیری ماشین
• 8. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 9. الگوریتم‌های یادگیری نظارت شده: رگرسیون خطی
• 10. الگوریتم‌های یادگیری نظارت شده: رگرسیون لجستیک
• 11. الگوریتم‌های یادگیری نظارت شده: درختان تصمیم
• 12. الگوریتم‌های یادگیری نظارت شده: ماشین‌های بردار پشتیبان (SVM)
• 13. الگوریتم‌های یادگیری نظارت شده: شبکه‌های عصبی مصنوعی
• 14. ارزیابی مدل‌های یادگیری نظارت شده
• 15. تنظیم ابرپارامترها و اعتبارسنجی متقابل
• 16. مقدمه‌ای بر یادگیری بدون نظارت
• 17. الگوریتم‌های یادگیری بدون نظارت: خوشه‌بندی K-Means
• 18. الگوریتم‌های یادگیری بدون نظارت: تحلیل مولفه‌های اصلی (PCA)
• 19. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 20. کاربردهای NLP در علم داده
• 21. تکنیک‌های پیش‌پردازش متن
• 22. مدل‌سازی موضوعی (Topic Modeling)
• 23. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 24. شبکه‌های عصبی کانولوشنی (CNN)
• 25. شبکه‌های عصبی بازگشتی (RNN)
• 26. کاربرد یادگیری عمیق در پردازش تصویر
• 27. کاربرد یادگیری عمیق در پردازش متن
• 28. مقدمه‌ای بر علم داده در عمل: ابزارها و زبان‌ها
• 29. زبان برنامه‌نویسی پایتون برای علم داده
• 30. کتابخانه‌های کلیدی پایتون: NumPy
• 31. کتابخانه‌های کلیدی پایتون: Pandas
• 32. کتابخانه‌های کلیدی پایتون: Matplotlib
• 33. کتابخانه‌های کلیدی پایتون: Seaborn
• 34. کتابخانه‌های یادگیری ماشین در پایتون: Scikit-learn
• 35. کتابخانه‌های یادگیری عمیق در پایتون: TensorFlow
• 36. کتابخانه‌های یادگیری عمیق در پایتون: PyTorch
• 37. محیط‌های توسعه یکپارچه (IDE) برای علم داده
• 38. مقدمه‌ای بر پایگاه داده‌ها
• 39. مفاهیم پایگاه داده‌های رابطه‌ای
• 40. زبان پرس‌وجوی ساختاریافته (SQL)
• 41. مقدمه‌ای بر پایگاه داده‌های NoSQL
• 42. کاربرد پایگاه داده‌ها در علم داده
• 43. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 44. تکنیک‌های انتخاب ویژگی
• 45. تکنیک‌های استخراج ویژگی
• 46. مقدمه‌ای بر تحلیل سری‌های زمانی
• 47. مدل‌سازی سری‌های زمانی: ARIMA
• 48. پیش‌بینی با استفاده از سری‌های زمانی
• 49. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 50. الگوریتم‌های توصیه‌گر مبتنی بر محتوا
• 51. الگوریتم‌های توصیه‌گر مبتنی بر همکاری
• 52. ارزیابی سیستم‌های توصیه‌گر
• 53. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 54. مفاهیم پایه یادگیری تقویتی
• 55. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 56. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 57. کاربرد یادگیری فعال در علم داده
• 58. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 59. کاربرد یادگیری انتقالی در مسائل مختلف
• 60. مقدمه‌ای بر اخلاق در علم داده
• 61. حریم خصوصی داده‌ها و امنیت
• 62. سوگیری در الگوریتم‌ها و راه‌های مقابله
• 63. مسئولیت‌پذیری در علم داده
• 64. مقدمه‌ای بر کلان داده (Big Data)
• 65. اکوسیستم کلان داده: Hadoop
• 66. اکوسیستم کلان داده: Spark
• 67. کاربرد کلان داده در صنایع مختلف
• 68. مقدمه‌ای بر یادگیری آنلاین (Online Learning)
• 69. چالش‌ها و فرصت‌های یادگیری آنلاین
• 70. مقدمه‌ای بر یادگیری نیمه‌نظارت شده (Semi-Supervised Learning)
• 71. کاربرد یادگیری نیمه‌نظارت شده
• 72. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-Task Learning)
• 73. کاربرد یادگیری چندوظیفه‌ای
• 74. مقدمه‌ای بر یادگیری مجموعه‌ای (Ensemble Learning)
• 75. روش‌های Bagging و Boosting
• 76. مدل‌های پیشرفته Bagging و Boosting
• 77. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 78. کاربرد GNN در تحلیل شبکه‌ها
• 79. مقدمه‌ای بر پردازش گراف (Graph Processing)
• 80. ابزارهای پردازش گراف
• 81. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 82. تکنیک‌های کشف الگو
• 83. قوانین وابستگی (Association Rules)
• 84. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 85. شاخص‌های کلیدی در تحلیل شبکه‌های اجتماعی
• 86. کاربرد تحلیل شبکه‌های اجتماعی
• 87. مقدمه‌ای بر ابزارهای بصری‌سازی پیشرفته
• 88. داشبوردهای تعاملی
• 89. گزارش‌دهی و اشتراک‌گذاری نتایج
• 90. مقدمه‌ای بر استقرار مدل‌ها (Model Deployment)
• 91. روش‌های استقرار مدل‌های یادگیری ماشین
• 92. نظارت بر عملکرد مدل‌های مستقر شده
• 93. مقدمه‌ای بر مهندسی داده (Data Engineering)
• 94. خطوط لوله داده (Data Pipelines)
• 95. مدیریت کلان داده
• 96. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 97. ابزارهای هوش تجاری
• 98. تحلیل داده برای تصمیم‌گیری تجاری
• 99. مقدمه‌ای بر یادگیری عمیق مولد (Generative Deep Learning)
• 100. شبکه‌های مولد تخاصمی (GANs)