اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر پایتون برای علم داده و تحلیل آماری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر پایتون برای علم داده و تحلیل آماری

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: برنامه‌نویسی و توسعه نرم‌افزار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و پایتون
• 2. چرا پایتون برای علم داده؟
• 3. نصب و راه‌اندازی محیط توسعه پایتون
• 4. آشنایی با Jupyter Notebook
• 5. اصول اولیه برنامه‌نویسی در پایتون
• 6. متغیرها و انواع داده در پایتون
• 7. عملگرها و عبارات در پایتون
• 8. ساختارهای کنترلی: دستورات شرطی
• 9. ساختارهای کنترلی: حلقه‌ها
• 10. توابع در پایتون
• 11. ماژول‌ها و پکیج‌ها در پایتون
• 12. کار با رشته‌ها و متون
• 13. ساختارهای داده: لیست‌ها
• 14. ساختارهای داده: تاپل‌ها
• 15. ساختارهای داده: مجموعه‌ها
• 16. ساختارهای داده: دیکشنری‌ها
• 17. مدیریت خطا و استثناءها
• 18. کار با فایل‌ها: خواندن و نوشتن
• 19. مقدمه‌ای بر کتابخانه NumPy
• 20. آرایه‌های NumPy و عملیات بر روی آن‌ها
• 21. عملیات ریاضی و منطقی با NumPy
• 22. اندیس‌گذاری و برش آرایه‌های NumPy
• 23. تغییر شکل و ابعاد آرایه‌های NumPy
• 24. توابع آماری با NumPy
• 25. مقدمه‌ای بر کتابخانه Pandas
• 26. ساختار داده Series در Pandas
• 27. ساختار داده DataFrame در Pandas
• 28. بارگذاری و ذخیره داده‌ها با Pandas
• 29. انتخاب و فیلتر کردن داده‌ها در Pandas
• 30. دستکاری و پاکسازی داده‌ها
• 31. مقادیر گمشده و مدیریت آن‌ها
• 32. ادغام و پیوستن DataFrames
• 33. گروه‌بندی و تجمیع داده‌ها
• 34. عملیات زمانی با Pandas
• 35. مقدمه‌ای بر مصورسازی داده‌ها
• 36. مصورسازی با Matplotlib
• 37. نمودارهای خطی و پراکندگی
• 38. نمودارهای میله‌ای و هیستوگرام
• 39. نمودارهای دایره‌ای و جعبه‌ای
• 40. تنظیمات پیشرفته در Matplotlib
• 41. مقدمه‌ای بر کتابخانه Seaborn
• 42. مصورسازی توزیع داده‌ها با Seaborn
• 43. مصورسازی روابط بین متغیرها
• 44. مصورسازی داده‌های دسته‌بندی شده
• 45. نقشه‌های حرارتی (Heatmaps)
• 46. مقدمه‌ای بر آمار توصیفی
• 47. میانگین، میانه و مد
• 48. واریانس و انحراف معیار
• 49. صدک‌ها و چارک‌ها
• 50. مقدمه‌ای بر آمار استنباطی
• 51. مفاهیم احتمال
• 52. توزیع‌های احتمال گسسته
• 53. توزیع‌های احتمال پیوسته
• 54. مقدمه‌ای بر آزمون فرض آماری
• 55. آزمون t تک‌نمونه‌ای
• 56. آزمون t دونمونه‌ای مستقل
• 57. تحلیل واریانس (ANOVA)
• 58. آزمون کای‌دو
• 59. مقدمه‌ای بر رگرسیون خطی
• 60. رگرسیون خطی ساده
• 61. ارزیابی مدل رگرسیون خطی
• 62. مقدمه‌ای بر رگرسیون لجستیک
• 63. کاربرد رگرسیون لجستیک
• 64. مقدمه‌ای بر یادگیری ماشین
• 65. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 66. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 67. مهندسی ویژگی
• 68. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 69. متریک‌های ارزیابی مدل‌های دسته‌بندی
• 70. متریک‌های ارزیابی مدل‌های رگرسیون
• 71. الگوریتم K-نزدیکترین همسایه (KNN)
• 72. دسته‌بندی‌کننده‌های Naive Bayes
• 73. ماشین‌های بردار پشتیبان (SVM)
• 74. درختان تصمیم
• 75. الگوریتم جنگل تصادفی (Random Forest)
• 76. خوشه‌بندی K-Means
• 77. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 78. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 79. توکن‌سازی و حذف کلمات توقف
• 80. ریشه‌یابی و لماتیزاسیون
• 81. مدل‌سازی موضوعی (Topic Modeling)
• 82. کاربرد پایتون در تحلیل داده‌های متنی
• 83. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 84. معماری‌های پایه شبکه‌های عصبی
• 85. مقدمه‌ای بر کتابخانه TensorFlow
• 86. مقدمه‌ای بر کتابخانه Keras
• 87. ساخت مدل‌های ساده با Keras
• 88. آموزش و ارزیابی مدل‌های یادگیری عمیق
• 89. کاربرد یادگیری عمیق در علم داده
• 90. اخلاق در علم داده و تحلیل آماری
• 91. حریم خصوصی داده‌ها
• 92. سوگیری در الگوریتم‌ها
• 93. مسئولیت‌پذیری در علم داده
• 94. پروژه‌های عملی علم داده
• 95. تحلیل داده‌های فروش
• 96. تحلیل داده‌های مشتریان
• 97. پیش‌بینی قیمت مسکن
• 98. تحلیل احساسات متون
• 99. کاربرد پایتون در اتوماسیون وظایف
• 100. نکات پیشرفته در برنامه‌نویسی پایتون