اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی علم داده و تحلیل داده‌های کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی علم داده و تحلیل داده‌های کاربردی

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: علم داده و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده
• 2. تاریخچه و سیر تحول علم داده
• 3. نقش علم داده در دنیای امروز
• 4. اصول کلیدی علم داده
• 5. فرآیند کلی علم داده
• 6. جمع‌آوری داده‌ها
• 7. انواع داده‌ها
• 8. ذخیره‌سازی داده‌ها
• 9. کیفیت داده‌ها
• 10. پاکسازی داده‌ها
• 11. پیش‌پردازش داده‌ها
• 12. مهندسی ویژگی
• 13. انتخاب ویژگی
• 14. کاهش ابعاد
• 15. مقدمه‌ای بر تحلیل اکتشافی داده (EDA)
• 16. تجسم داده‌ها
• 17. نمودارهای پایه
• 18. نمودارهای پیشرفته
• 19. تفسیر تجسم‌های داده
• 20. مقدمه‌ای بر یادگیری ماشین
• 21. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 22. یادگیری نظارت شده
• 23. رگرسیون خطی
• 24. رگرسیون لجستیک
• 25. درختان تصمیم
• 26. جنگل‌های تصادفی
• 27. ماشین‌های بردار پشتیبان (SVM)
• 28. شبکه‌های عصبی مقدماتی
• 29. یادگیری بدون نظارت
• 30. خوشه‌بندی (K-Means)
• 31. خوشه‌بندی سلسله مراتبی
• 32. تحلیل مولفه‌های اصلی (PCA)
• 33. تکنیک‌های کاهش ابعاد دیگر
• 34. ارزیابی مدل‌های یادگیری ماشین
• 35. معیارهای ارزیابی رگرسیون
• 36. معیارهای ارزیابی طبقه‌بندی
• 37. اعتبارسنجی متقابل
• 38. تنظیم ابرپارامترها
• 39. مقدمه‌ای بر تحلیل سری‌های زمانی
• 40. مدل‌های ساده سری زمانی
• 41. تحلیل روند و فصلی
• 42. پیش‌بینی با مدل‌های سری زمانی
• 43. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 44. توکن‌سازی و نرمال‌سازی متن
• 45. کیسه کلمات (Bag of Words)
• 46. TF-IDF
• 47. مدل‌های زبانی مقدماتی
• 48. مقدمه‌ای بر شبکه‌های عصبی عمیق
• 49. شبکه‌های عصبی کانولوشنال (CNN)
• 50. شبکه‌های عصبی بازگشتی (RNN)
• 51. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 52. مقدمه‌ای بر یادگیری عمیق در NLP
• 53. کاربرد مدل‌های زبانی بزرگ (LLMs)
• 54. ملاحظات اخلاقی در علم داده
• 55. حریم خصوصی داده‌ها
• 56. سوگیری در الگوریتم‌ها
• 57. مسئولیت‌پذیری در هوش مصنوعی
• 58. کاربرد علم داده در کسب و کار
• 59. تحلیل داده‌های مشتری
• 60. پیش‌بینی فروش
• 61. مدیریت ریسک
• 62. کاربرد علم داده در بهداشت و درمان
• 63. تشخیص بیماری
• 64. کشف دارو
• 65. شخصی‌سازی درمان
• 66. کاربرد علم داده در امور مالی
• 67. مدل‌سازی ریسک اعتباری
• 68. تشخیص تقلب
• 69. معاملات الگوریتمی
• 70. کاربرد علم داده در حمل و نقل
• 71. بهینه‌سازی مسیر
• 72. مدیریت ترافیک
• 73. خودروهای خودران
• 74. کاربرد علم داده در علوم اجتماعی
• 75. تحلیل افکار عمومی
• 76. پیش‌بینی رفتار اجتماعی
• 77. مطالعات جامعه‌شناختی
• 78. مقدمه‌ای بر بیگ دیتا
• 79. مفاهیم و چالش‌های بیگ دیتا
• 80. ابزارهای بیگ دیتا (Hadoop, Spark)
• 81. معماری‌های بیگ دیتا
• 82. امنیت در بیگ دیتا
• 83. مقدمه‌ای بر مهندسی داده
• 84. خطوط لوله داده (Data Pipelines)
• 85. مدیریت پایگاه داده‌های NoSQL
• 86. پردازش داده‌های جریانی
• 87. مقدمه‌ای بر هوش مصنوعی مولد
• 88. معماری‌های مدل‌های مولد
• 89. کاربرد هوش مصنوعی مولد در تولید محتوا
• 90. ملاحظات اخلاقی در هوش مصنوعی مولد
• 91. آینده علم داده و هوش مصنوعی
• 92. روندهای نوظهور در علم داده
• 93. نقش دانشمند داده در سازمان
• 94. مهارت‌های مورد نیاز دانشمند داده
• 95. مسیر شغلی در علم داده
• 96. نکات پایانی برای موفقیت در علم داده
• 97. جمع‌بندی و گام‌های بعدی