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 و مهندسی کامپیوتر

موضوع میانی: علم داده و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و کاربردهای آن
• 2. آشنایی با مفاهیم کلیدی علم داده
• 3. انواع داده‌ها و ساختارهای داده‌ای
• 4. جمع‌آوری و ذخیره‌سازی داده‌ها
• 5. اصول پاکسازی و پیش‌پردازش داده‌ها
• 6. شناسایی و مدیریت داده‌های گمشده
• 7. استانداردسازی و نرمال‌سازی داده‌ها
• 8. کشف الگوها در داده‌ها
• 9. مصورسازی داده‌ها برای درک بهتر
• 10. اصول طراحی نمودارهای مؤثر
• 11. نمودارهای پراکندگی و خطی
• 12. نمودارهای میله‌ای و هیستوگرام
• 13. نمودارهای جعبه‌ای و نقشه‌ها
• 14. آمار توصیفی و شاخص‌های مرکزی
• 15. میانگین، میانه و مد
• 16. واریانس، انحراف معیار و دامنه
• 17. احتمالات پایه و توزیع‌های آماری
• 18. توزیع نرمال و کاربردهای آن
• 19. توزیع‌های گسسته (ذوجی، پواسون)
• 20. مقدمه‌ای بر یادگیری ماشین
• 21. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 22. یادگیری نظارت شده: رگرسیون خطی
• 23. ارزیابی مدل‌های رگرسیون
• 24. یادگیری نظارت شده: طبقه‌بندی
• 25. رگرسیون لجستیک
• 26. ماشین‌های بردار پشتیبان (SVM)
• 27. درختان تصمیم
• 28. ارزیابی مدل‌های طبقه‌بندی
• 29. ماتریس درهم‌ریختگی
• 30. دقت، صحت و بازیابی
• 31. امتیاز F1 و منحنی ROC
• 32. یادگیری بدون نظارت: خوشه‌بندی
• 33. الگوریتم K-Means
• 34. خوشه‌بندی سلسله‌مراتبی
• 35. یادگیری بدون نظارت: کاهش ابعاد
• 36. تحلیل مولفه‌های اصلی (PCA)
• 37. مقدمه‌ای بر شبکه‌های عصبی
• 38. ساختار پرسپترون تک لایه
• 39. شبکه‌های عصبی چند لایه
• 40. توابع فعال‌سازی و پس‌انتشار خطا
• 41. یادگیری عمیق و کاربردهای آن
• 42. شبکه‌های عصبی کانولوشنی (CNN)
• 43. شبکه‌های عصبی بازگشتی (RNN)
• 44. پردازش زبان طبیعی (NLP)
• 45. تحلیل احساسات متنی
• 46. مدل‌سازی موضوعی
• 47. کاربرد علم داده در کسب‌وکار
• 48. تحلیل رفتار مشتری
• 49. پیش‌بینی فروش
• 50. مدیریت ریسک
• 51. کاربرد علم داده در صنعت
• 52. بهینه‌سازی فرآیندها
• 53. کنترل کیفیت
• 54. نگهداری پیش‌بینانه
• 55. کاربرد علم داده در سلامت
• 56. تشخیص بیماری‌ها
• 57. کشف دارو
• 58. شخصی‌سازی درمان
• 59. کاربرد علم داده در امور مالی
• 60. تشخیص تقلب
• 61. امتیازدهی اعتباری
• 62. مدیریت پورتفولیو
• 63. اخلاقیات در علم داده
• 64. حریم خصوصی داده‌ها
• 65. سوگیری در الگوریتم‌ها
• 66. مسئولیت‌پذیری در هوش مصنوعی
• 67. امنیت داده‌ها و حفاظت از اطلاعات
• 68. مبانی امنیت سایبری در علم داده
• 69. رمزنگاری و حریم خصوصی
• 70. قوانین و مقررات مرتبط با داده‌ها
• 71. قانون حفاظت از داده‌ها
• 72. رعایت اصول شرعی در مدیریت داده
• 73. مدیریت داده‌های حساس
• 74. ملاحظات فقهی در جمع‌آوری داده
• 75. اصول اخلاقی در تحلیل داده‌های جمعی
• 76. پایگاه‌های داده رابطه‌ای
• 77. طراحی و کوئری‌نویسی SQL
• 78. پایگاه‌های داده NoSQL
• 79. مبانی کار با ابزارهای علم داده
• 80. محیط‌های برنامه‌نویسی (Python, R)
• 81. کتابخانه‌های کلیدی (Pandas, NumPy, Scikit-learn)
• 82. ابزارهای مصورسازی (Matplotlib, Seaborn)
• 83. یادگیری تقویتی (مقدماتی)
• 84. کاربردها و مثال‌های ساده
• 85. مقدمه‌ای بر مهندسی ویژگی
• 86. تکنیک‌های مهندسی ویژگی
• 87. ارزیابی متقابل (Cross-validation)
• 88. تنظیم هایپرپارامترها
• 89. مدل‌های آنسامبل (Ensemble Models)
• 90. تقویت گرادیان (Gradient Boosting)
• 91. جنگل‌های تصادفی (Random Forests)
• 92. کاربرد علم داده در بهینه‌سازی
• 93. بهینه‌سازی جستجو
• 94. بهینه‌سازی منابع
• 95. تحلیل سری‌های زمانی
• 96. پیش‌بینی سری‌های زمانی
• 97. مدل‌های ARIMA
• 98. کاربرد علم داده در شبکه‌های اجتماعی
• 99. تحلیل شبکه‌های اجتماعی
• 100. پیش‌بینی روندها