اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل داده‌های پیشرفته با پایتون، اکسل و هوش مصنوعی مولد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های پیشرفته با پایتون، اکسل و هوش مصنوعی مولد

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: تحلیل داده و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی تحلیل داده در دنیای امروز
• 2. مقدمه‌ای بر علم داده و کاربردهای آن
• 3. آشنایی با انواع داده‌ها و ساختارها
• 4. اصول جمع‌آوری و پاکسازی داده‌ها
• 5. کار با داده‌های جدولی در اکسل
• 6. مفاهیم پایه پایگاه داده رابطه‌ای
• 7. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 8. نصب و پیکربندی محیط پایتون برای تحلیل داده
• 9. انواع متغیرها و ساختارهای داده در پایتون
• 10. عملگرها و عبارات در پایتون
• 11. دستورات شرطی و حلقه‌ها در پایتون
• 12. توابع در پایتون: تعریف و فراخوانی
• 13. ماژول‌ها و بسته‌های پایتون
• 14. مقدمه‌ای بر کتابخانه NumPy
• 15. عملیات بر روی آرایه‌های NumPy
• 16. مقدمه‌ای بر کتابخانه Pandas
• 17. ساختارهای داده‌ای Series و DataFrame در Pandas
• 18. خواندن و نوشتن داده‌ها با Pandas
• 19. عملیات پایه‌ای بر روی DataFrame
• 20. انتخاب و فیلتر کردن داده‌ها در Pandas
• 21. دسته‌بندی و تجمیع داده‌ها با Pandas
• 22. ادغام و پیوستن DataFrameها
• 23. کار با داده‌های تاریخ و زمان در Pandas
• 24. پاکسازی داده‌های پرت و مقادیر گمشده
• 25. مقدمه‌ای بر مصورسازی داده‌ها
• 26. اصول طراحی نمودارهای مؤثر
• 27. استفاده از Matplotlib برای مصورسازی
• 28. نمودارهای خطی، میله‌ای و پراکندگی با Matplotlib
• 29. نمودارهای هیستوگرام و جعبه‌ای با Matplotlib
• 30. تنظیمات پیشرفته در Matplotlib
• 31. مقدمه‌ای بر کتابخانه Seaborn
• 32. مصورسازی آماری با Seaborn
• 33. نمودارهای توزیع و روابط با Seaborn
• 34. مقدمه‌ای بر تحلیل اکتشافی داده (EDA)
• 35. مراحل کلیدی در EDA
• 36. شناسایی الگوها و روندها در داده‌ها
• 37. بررسی همبستگی بین متغیرها
• 38. مقدمه‌ای بر آمار توصیفی
• 39. محاسبه معیارهای مرکزی: میانگین، میانه، مد
• 40. محاسبه معیارهای پراکندگی: واریانس، انحراف معیار
• 41. مقدمه‌ای بر آمار استنباطی
• 42. مفاهیم نمونه‌گیری و جامعه آماری
• 43. آزمون فرض آماری
• 44. مقدمه‌ای بر رگرسیون خطی ساده
• 45. مدل‌سازی خطی و تفسیر ضرایب
• 46. ارزیابی مدل رگرسیون خطی
• 47. مقدمه‌ای بر رگرسیون خطی چندگانه
• 48. مراحل ساخت مدل رگرسیون چندگانه
• 49. انتخاب متغیر در رگرسیون
• 50. مقدمه‌ای بر تحلیل سری‌های زمانی
• 51. مفاهیم پایه سری‌های زمانی
• 52. پیش‌بینی با مدل‌های ساده سری زمانی
• 53. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 54. الگوریتم K-Means
• 55. ارزیابی نتایج خوشه‌بندی
• 56. مقدمه‌ای بر طبقه‌بندی (Classification)
• 57. الگوریتم رگرسیون لجستیک
• 58. مقدمه‌ای بر درخت تصمیم (Decision Tree)
• 59. مقدمه‌ای بر ماشین بردار پشتیبان (SVM)
• 60. مقدمه‌ای بر یادگیری جمعی (Ensemble Learning)
• 61. روش Bagging و Random Forest
• 62. روش Boosting و AdaBoost
• 63. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
• 64. مفاهیم اصلی هوش مصنوعی مولد
• 65. معماری‌های مدل‌های مولد (مانند ترانسفورمرها)
• 66. کاربرد مدل‌های زبانی بزرگ (LLMs)
• 67. مقدمه‌ای بر Prompt Engineering
• 68. نوشتن Promptهای مؤثر برای مدل‌های مولد
• 69. تکنیک‌های پیشرفته Prompt Engineering
• 70. کاربرد هوش مصنوعی مولد در تحلیل داده
• 71. تولید داده‌های مصنوعی با مدل‌های مولد
• 72. خلاصه‌سازی خودکار گزارش‌های تحلیلی
• 73. تولید متن و توضیحات برای نمودارها
• 74. مقدمه‌ای بر هوش مصنوعی در اکسل
• 75. توابع هوشمند در اکسل
• 76. استفاده از Power Query برای آماده‌سازی داده
• 77. مقدمه‌ای بر Power Pivot
• 78. مدل‌سازی داده در Power Pivot
• 79. مقدمه‌ای بر DAX
• 80. ساخت معیارهای سفارشی با DAX
• 81. مقدمه‌ای بر داشبوردهای مدیریتی
• 82. طراحی و پیاده‌سازی داشبوردهای تعاملی
• 83. اصول بصری‌سازی مؤثر در داشبوردها
• 84. کاربرد هوش مصنوعی در داشبوردهای اکسل
• 85. تحلیل پیش‌بینی‌کننده در اکسل
• 86. امنیت داده‌ها و حریم خصوصی در تحلیل داده
• 87. اخلاق در علم داده و هوش مصنوعی
• 88. ملاحظات قانونی و شرعی در استفاده از داده‌ها
• 89. کاربرد تحلیل داده در صنعت و کسب‌وکار
• 90. مطالعات موردی در تحلیل داده
• 91. چالش‌های پیاده‌سازی تحلیل داده در سازمان‌ها
• 92. آینده تحلیل داده و هوش مصنوعی
• 93. جمع‌بندی و گام‌های بعدی در یادگیری
• 94. مباحث پیشرفته در تحلیل داده
• 95. کاربرد شبکه‌های عصبی در تحلیل داده
• 96. مقدمه‌ای بر یادگیری تقویتی
• 97. تحلیل داده‌های کلان (Big Data)
• 98. ابزارها و فناوری‌های Big Data
• 99. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 100. کاربرد مدل‌های زبانی در تحلیل داده‌های متنی