دوره کاوش داده‌ها با استفاده از ابزارهای عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب کاوش داده‌ها با استفاده از ابزارهای عملی

موضوع کلی: یادگیری ماشین و کاوش داده‌ها

موضوع میانی: ابزارها و تکنیک‌های عملی یادگیری ماشین

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر کاوش داده‌ها
• 2. تعریف کاوش داده‌ها
• 3. اهداف کاوش داده‌ها
• 4. مراحل کاوش داده‌ها
• 5. مفهوم یادگیری ماشین
• 6. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 7. اهمیت ابزارهای عملی در کاوش داده‌ها
• 8. معرفی ابزارهای رایج کاوش داده‌ها
• 9. نصب و پیکربندی ابزارهای کاوش داده‌ها
• 10. مقدمه‌ای بر مجموعه داده‌ها
• 11. انواع داده‌ها (عددی، دسته‌ای، ترتیبی)
• 12. ساختار داده‌ها (جدولی، متنی، تصویری)
• 13. مفهوم داده‌های بزرگ (Big Data)
• 14. چالش‌های کار با داده‌های بزرگ
• 15. مقدمه‌ای بر پیش‌پردازش داده‌ها
• 16. پاکسازی داده‌ها
• 17. مدیریت داده‌های گمشده
• 18. مدیریت داده‌های پرت (Outliers)
• 19. مقیاس‌بندی داده‌ها
• 20. نرمال‌سازی داده‌ها
• 21. استانداردسازی داده‌ها
• 22. تبدیل داده‌ها (Log, Box-Cox)
• 23. مهندسی ویژگی (Feature Engineering)
• 24. انتخاب ویژگی (Feature Selection)
• 25. تکنیک‌های کاهش ابعاد (Dimensionality Reduction)
• 26. تحلیل مؤلفه‌های اصلی (PCA)
• 27. تحلیل تمایز خطی (LDA)
• 28. مقدمه‌ای بر اکتشاف داده‌ها (EDA)
• 29. آمار توصیفی
• 30. میانگین، میانه، مد
• 31. انحراف معیار، واریانس
• 32. صدک‌ها و چارک‌ها
• 33. نمودارهای توزیع (هیستوگرام)
• 34. نمودارهای پراکندگی (Scatter Plots)
• 35. نمودارهای جعبه‌ای (Box Plots)
• 36. نمودارهای میله‌ای (Bar Charts)
• 37. نمودارهای خطی (Line Charts)
• 38. نمودارهای دایره‌ای (Pie Charts)
• 39. مفهوم همبستگی
• 40. محاسبه ضریب همبستگی
• 41. تفسیر ضریب همبستگی
• 42. مقدمه‌ای بر مدل‌سازی پیش‌بینی‌کننده
• 43. یادگیری با نظارت (Supervised Learning)
• 44. رگرسیون (Regression)
• 45. رگرسیون خطی ساده
• 46. رگرسیون خطی چندگانه
• 47. رگرسیون لجستیک (Logistic Regression)
• 48. درختان تصمیم (Decision Trees)
• 49. قوانین انجمنی (Association Rules)
• 50. الگوریتم Apriori
• 51. مفهوم پشتیبانی (Support)
• 52. مفهوم اطمینان (Confidence)
• 53. مفهوم Lift
• 54. مقدمه‌ای بر طبقه‌بندی (Classification)
• 55. K-نزدیک‌ترین همسایه (K-NN)
• 56. ماشین‌های بردار پشتیبان (SVM)
• 57. نایوب بیز (Naive Bayes)
• 58. شبکه‌های عصبی (Neural Networks)
• 59. مقدمه‌ای بر یادگیری بدون نظارت (Unsupervised Learning)
• 60. خوشه‌بندی (Clustering)
• 61. الگوریتم K-Means
• 62. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 63. مفهوم فاصله در خوشه‌بندی
• 64. ارزیابی مدل‌های خوشه‌بندی
• 65. مقدمه‌ای بر ارزیابی مدل
• 66. معیارهای ارزیابی رگرسیون (MSE, RMSE, MAE)
• 67. معیارهای ارزیابی طبقه‌بندی
• 68. ماتریس درهم‌ریختگی (Confusion Matrix)
• 69. دقت (Accuracy)
• 70. دقت (Precision)
• 71. بازیابی (Recall)
• 72. امتیاز F1
• 73. منحنی ROC
• 74. منحنی AUC
• 75. اعتبارسنجی متقابل (Cross-Validation)
• 76. تقسیم داده‌ها (Train/Test Split)
• 77. اعتبارسنجی K-fold
• 78. مقدمه‌ای بر تنظیم پارامتر (Hyperparameter Tuning)
• 79. جستجوی شبکه‌ای (Grid Search)
• 80. جستجوی تصادفی (Random Search)
• 81. مقدمه‌ای بر یادگیری افزایشی (Incremental Learning)
• 82. مدل‌سازی سری‌های زمانی (Time Series Modeling)
• 83. مقدمه‌ای بر داده‌های متنی
• 84. پردازش زبان طبیعی (NLP)
• 85. نمایش متنی (Vectorization)
• 86. TF-IDF
• 87. مقدمه‌ای بر تحلیل احساسات (Sentiment Analysis)
• 88. مقدمه‌ای بر داده‌های تصویری
• 89. پردازش تصویر
• 90. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 91. شبکه‌های عصبی کانولوشنال (CNN)
• 92. شبکه‌های عصبی بازگشتی (RNN)
• 93. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 94. مقدمه‌ای بر اخلاق در کاوش داده‌ها
• 95. حریم خصوصی داده‌ها
• 96. سوگیری در داده‌ها و مدل‌ها
• 97. تفسیرپذیری مدل‌ها (Model Interpretability)
• 98. مقدمه‌ای بر ابزارهای بصری‌سازی پیشرفته
• 99. کار با ابزارهای تخصصی (مثلاً Tableau, Power BI)
• 100. انتقال یادگیری (Transfer Learning)