دوره اصول بصری‌سازی داده برای درک ارتباطات و رفتار همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب اصول بصری‌سازی داده برای درک ارتباطات و رفتار

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی بصری‌سازی داده
• 2. تعریف و اهمیت بصری‌سازی داده
• 3. تاریخچه و تکامل بصری‌سازی داده
• 4. انواع داده‌ها و سطوح سنجش (اسمی، ترتیبی، فاصله‌ای، نسبی)
• 5. مفاهیم اولیه آمار توصیفی (میانگین، میانه، انحراف معیار)
• 6. مقدمه‌ای بر ادراک بصری و روانشناسی گشتالت
• 7. اصول طراحی بصری
• 8. تئوری رنگ و کاربرد آن در بصری‌سازی
• 9. انتخاب پالت رنگی مناسب
• 10. تئوری تایپوگرافی و خوانایی در بصری‌سازی
• 11. مبانی طراحی چیدمان (Layout)
• 12. انواع نمودارها و کاربردهای آن‌ها
• 13. نمودارهای میله‌ای و ستونی
• 14. نمودارهای خطی و سری زمانی
• 15. نمودارهای دایره‌ای و دوناتی
• 16. نمودارهای پراکندگی (Scatter Plot)
• 17. نمودارهای هیستوگرام و چگالی
• 18. نمودارهای جعبه‌ای (Box Plot)
• 19. نمودارهای حبابی (Bubble Chart)
• 20. نمودارهای درختی (Treemap)
• 21. نمودارهای شبکه‌ای (Network Graph)
• 22. نمودارهای جغرافیایی (نقشه‌ها)
• 23. انتخاب نمودار مناسب بر اساس نوع داده و هدف
• 24. ابزارهای بصری‌سازی داده
• 25. معرفی ابزارهای محبوب (Tableau, Power BI, Python Libraries)
• 26. آشنایی با کتابخانه‌های Python برای بصری‌سازی (Matplotlib, Seaborn, Plotly)
• 27. نصب و راه‌اندازی ابزارها
• 28. وارد کردن و پاکسازی داده‌ها در ابزارها
• 29. ساخت نمودارهای پایه در ابزارها
• 30. سفارشی‌سازی نمودارها (رنگ، فونت، برچسب‌ها)
• 31. ایجاد داشبوردها و گزارش‌های تعاملی
• 32. بصری‌سازی داده با Matplotlib
• 33. ساخت نمودارهای پایه با Matplotlib
• 34. سفارشی‌سازی نمودارها در Matplotlib
• 35. بصری‌سازی داده با Seaborn
• 36. استفاده از Seaborn برای نمودارهای آماری پیشرفته
• 37. ترکیب Seaborn و Matplotlib
• 38. بصری‌سازی داده با Plotly
• 39. ساخت نمودارهای تعاملی با Plotly
• 40. ایجاد نقشه‌های جغرافیایی با Plotly
• 41. مقدمه‌ای بر بصری‌سازی داده در Tableau
• 42. ایجاد نمودارها و داشبوردها در Tableau
• 43. محاسبات و فیلترها در Tableau
• 44. ایجاد Story در Tableau
• 45. مقدمه‌ای بر بصری‌سازی داده در Power BI
• 46. ایجاد نمودارها و داشبوردها در Power BI
• 47. استفاده از DAX در Power BI
• 48. انتشار و اشتراک‌گذاری گزارش‌ها در Power BI
• 49. بصری‌سازی داده برای کاوش و تحلیل
• 50. تشخیص الگوها و روندها در داده‌ها
• 51. شناسایی نقاط پرت (Outliers)
• 52. تحلیل همبستگی و وابستگی
• 53. بصری‌سازی داده برای ارائه و ارتباط
• 54. داستان‌گویی با داده (Data Storytelling)
• 55. ارائه یافته‌ها به مخاطبان مختلف
• 56. بصری‌سازی داده برای تصمیم‌گیری
• 57. استفاده از داده‌ها برای بهبود فرآیندها
• 58. بصری‌سازی داده در حوزه‌های مختلف
• 59. بصری‌سازی داده در بازاریابی
• 60. بصری‌سازی داده در امور مالی
• 61. بصری‌سازی داده در علوم بهداشتی
• 62. بصری‌سازی داده در علوم اجتماعی
• 63. بصری‌سازی داده در مهندسی
• 64. طراحی داشبوردهای مؤثر
• 65. اصول طراحی داشبوردهای کاربردی
• 66. انتخاب شاخص‌های کلیدی عملکرد (KPIs) مناسب
• 67. بهینه‌سازی داشبوردها برای دستگاه‌های مختلف
• 68. بهترین شیوه‌های بصری‌سازی داده
• 69. اجتناب از تحریف داده‌ها
• 70. رعایت اخلاق در بصری‌سازی داده
• 71. دسترسی‌پذیری در بصری‌سازی داده
• 72. بررسی و نقد بصری‌سازی‌های داده
• 73. ارزیابی کیفیت بصری‌سازی‌ها
• 74. شناسایی اشتباهات رایج
• 75. بهبود بصری‌سازی‌های موجود
• 76. بصری‌سازی داده‌های بزرگ (Big Data)
• 77. چالش‌های بصری‌سازی داده‌های بزرگ
• 78. ابزارها و تکنیک‌های بصری‌سازی داده‌های بزرگ
• 79. بصری‌سازی داده‌های بلادرنگ (Real-Time Data)
• 80. نمایش داده‌های متغیر در زمان واقعی
• 81. ابزارها و تکنیک‌های بصری‌سازی داده‌های بلادرنگ
• 82. بصری‌سازی داده‌های متنی
• 83. استخراج اطلاعات از متن
• 84. نمایش روابط بین کلمات و مفاهیم
• 85. بصری‌سازی داده‌های مکانی (Spatial Data)
• 86. نمایش داده‌ها بر روی نقشه
• 87. تحلیل داده‌های مکانی
• 88. واقعیت افزوده (AR) و واقعیت مجازی (VR) در بصری‌سازی داده
• 89. استفاده از AR/VR برای تجسم داده‌ها
• 90. آینده بصری‌سازی داده
• 91. ترندها و نوآوری‌ها
• 92. ابزارهای جدید و تکنیک‌های پیشرفته
• 93. تمرین عملی: بصری‌سازی یک مجموعه داده واقعی (انتخاب مجموعه داده)
• 94. تمرین عملی: پاکسازی و آماده‌سازی داده‌ها
• 95. تمرین عملی: ساخت نمودارهای مختلف
• 96. تمرین عملی: سفارشی‌سازی نمودارها و ایجاد داشبورد
• 97. تمرین عملی: ارائه یافته‌ها و داستان‌گویی با داده
• 98. پروژه پایانی: بصری‌سازی یک مجموعه داده پیچیده
• 99. ارائه پروژه‌ها و دریافت بازخورد
• 100. منابع و مراجع مفید برای یادگیری بیشتر