اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی پایگاه داده و زبان SQL برای علم داده با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی پایگاه داده و زبان SQL برای علم داده با پایتون

موضوع کلی: علوم داده و تحلیل داده

موضوع میانی: مدیریت و پردازش داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و پایگاه داده
• 2. مبانی پایگاه داده رابطه‌ای
• 3. موجودیت‌ها و روابط در مدل‌سازی داده
• 4. طراحی شمای پایگاه داده
• 5. مقدمه‌ای بر زبان SQL
• 6. دستور SELECT برای بازیابی داده
• 7. فیلتر کردن داده‌ها با WHERE
• 8. مرتب‌سازی نتایج با ORDER BY
• 9. محدود کردن تعداد نتایج با LIMIT
• 10. انتخاب ستون‌های خاص
• 11. استفاده از نام مستعار (Alias) برای ستون‌ها
• 12. عملیات ریاضی در SELECT
• 13. توابع تجمعی (Aggregate Functions)
• 14. گروه‌بندی داده‌ها با GROUP BY
• 15. فیلتر کردن گروه‌ها با HAVING
• 16. اتصال (JOIN) جداول
• 17. انواع JOIN: INNER, LEFT, RIGHT, FULL
• 18. اتصال خودکار (Self-Join)
• 19. کاربرد Subqueries در SQL
• 20. Subqueries در بخش WHERE
• 21. Subqueries در بخش SELECT
• 22. Subqueries در بخش FROM
• 23. عملیات درج داده (INSERT)
• 24. عملیات به‌روزرسانی داده (UPDATE)
• 25. عملیات حذف داده (DELETE)
• 26. ایجاد و حذف پایگاه داده
• 27. ایجاد و حذف جداول
• 28. تعریف انواع داده (Data Types)
• 29. محدودیت‌های ستون (Constraints)
• 30. کلید اصلی (Primary Key)
• 31. کلید خارجی (Foreign Key)
• 32. محدودیت UNIQUE
• 33. محدودیت NOT NULL
• 34. محدودیت CHECK
• 35. نمایه‌ها (Indexes) برای بهبود عملکرد
• 36. مقدمه‌ای بر مدیریت تراکنش‌ها
• 37. کنترل تراکنش‌ها (COMMIT, ROLLBACK)
• 38. سطوح جداسازی تراکنش‌ها (Isolation Levels)
• 39. مقدمه‌ای بر داده‌های حجیم (Big Data)
• 40. نقش پایگاه داده در اکوسیستم علم داده
• 41. ابزارهای علم داده و ارتباط با پایگاه داده
• 42. مقدمه‌ای بر پایتون برای علم داده
• 43. نصب و پیکربندی پایتون
• 44. مقدمه‌ای بر کتابخانه Pandas
• 45. ساخت DataFrame در Pandas
• 46. عملیات پایه بر روی DataFrame
• 47. خواندن و نوشتن فایل‌های CSV با Pandas
• 48. خواندن و نوشتن فایل‌های Excel با Pandas
• 49. اتصال پایتون به پایگاه داده SQL
• 50. استفاده از کتابخانه SQLAlchemy
• 51. اجرای کوئری‌های SQL از طریق پایتون
• 52. درج داده از پایتون به پایگاه داده
• 53. به‌روزرسانی داده از پایتون به پایگاه داده
• 54. حذف داده از پایتون از پایگاه داده
• 55. تحلیل داده‌های ساختاریافته با Pandas
• 56. پاکسازی داده‌ها (Data Cleaning)
• 57. مدیریت مقادیر گمشده (Missing Values)
• 58. تبدیل انواع داده در Pandas
• 59. ادغام (Merge) و پیوستن (Join) DataFrame ها
• 60. دسته‌بندی و خلاصه‌سازی داده‌ها
• 61. تجسم داده‌ها (Data Visualization)
• 62. مقدمه‌ای بر matplotlib
• 63. ترسیم نمودارهای خطی
• 64. ترسیم نمودارهای میله‌ای
• 65. ترسیم نمودارهای پراکندگی
• 66. ترسیم نمودارهای دایره‌ای
• 67. مقدمه‌ای بر Seaborn برای تجسم
• 68. نمودارهای آماری با Seaborn
• 69. نقش پایگاه داده در یادگیری ماشین
• 70. استخراج ویژگی (Feature Extraction) از پایگاه داده
• 71. آماده‌سازی داده برای مدل‌های یادگیری ماشین
• 72. ارتباط پایگاه داده با یادگیری عمیق
• 73. مقدمه‌ای بر NoSQL
• 74. انواع پایگاه داده‌های NoSQL
• 75. کاربرد پایگاه داده‌های NoSQL در علم داده
• 76. مقایسه پایگاه داده‌های رابطه‌ای و NoSQL
• 77. امنیت پایگاه داده
• 78. مدیریت دسترسی کاربران
• 79. رمزنگاری داده‌ها
• 80. پشتیبان‌گیری و بازیابی پایگاه داده
• 81. اصول طراحی پایگاه داده مقیاس‌پذیر
• 82. معماری‌های پایگاه داده توزیع‌شده
• 83. استفاده از پایگاه داده در پروژه‌های علم داده واقعی
• 84. مطالعات موردی در تحلیل داده
• 85. کاربرد پایگاه داده در تحلیل کسب و کار
• 86. کاربرد پایگاه داده در تحلیل مالی
• 87. کاربرد پایگاه داده در تحلیل سلامت
• 88. کاربرد پایگاه داده در تحلیل بازاریابی
• 89. مقدمه‌ای بر داده‌های مکانی (Spatial Data)
• 90. کاربرد داده‌های مکانی در علم داده
• 91. مقدمه‌ای بر داده‌های سری زمانی (Time Series Data)
• 92. کاربرد داده‌های سری زمانی در علم داده
• 93. اصول ETL (Extract, Transform, Load)
• 94. پیاده‌سازی فرآیندهای ETL
• 95. مدیریت کیفیت داده (Data Quality Management)
• 96. حاکمیت داده (Data Governance)
• 97. مقدمه‌ای بر داده‌های گراف (Graph Databases)
• 98. کاربرد داده‌های گراف در تحلیل شبکه‌ها
• 99. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 100. نقش پایگاه داده در هوش تجاری