دوره تحلیل اکتشافی و بصری‌سازی داده در مخازن داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل اکتشافی و بصری‌سازی داده در مخازن داده

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: انبار داده (Data Lakes)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر تحلیل اکتشافی داده
• 2. اهمیت تحلیل اکتشافی داده
• 3. مراحل تحلیل اکتشافی داده
• 4. انواع داده ها و ویژگی های آن ها
• 5. شناخت ساختار داده ها
• 6. پاکسازی داده ها: شناسایی و مدیریت مقادیر گمشده
• 7. پاکسازی داده ها: شناسایی و مدیریت داده های پرت
• 8. پاکسازی داده ها: استانداردسازی و نرمال سازی داده ها
• 9. تبدیل داده ها: ایجاد ویژگی های جدید
• 10. تبدیل داده ها: کدگذاری متغیرهای دسته ای
• 11. تبدیل داده ها: مقیاس گذاری داده ها
• 12. تحلیل توزیع متغیرهای عددی
• 13. نمودارهای هیستوگرام
• 14. نمودارهای چگالی
• 15. نمودارهای جعبه ای (Box Plots)
• 16. تحلیل متغیرهای دسته ای
• 17. نمودارهای میله ای (Bar Charts)
• 18. نمودارهای دایره ای (Pie Charts)
• 19. جداول فراوانی
• 20. تحلیل رابطه بین دو متغیر عددی
• 21. نمودارهای پراکندگی (Scatter Plots)
• 22. تحلیل همبستگی
• 23. ضریب همبستگی پیرسون
• 24. ضریب همبستگی اسپیرمن
• 25. تحلیل رابطه بین یک متغیر عددی و یک متغیر دسته ای
• 26. نمودارهای جعبه ای تفکیک شده
• 27. نمودارهای ویولن (Violin Plots)
• 28. تحلیل رابطه بین دو متغیر دسته ای
• 29. جداول توافقی (Contingency Tables)
• 30. نمودارهای میله ای خوشه ای
• 31. نمودارهای میله ای انباشته
• 32. آزمون کای دو (Chi-Squared Test)
• 33. تحلیل داده های زمانی
• 34. نمودارهای خطی (Line Plots)
• 35. شناسایی روندها در داده های زمانی
• 36. شناسایی فصلی بودن در داده های زمانی
• 37. شناسایی چرخه ها در داده های زمانی
• 38. نمودارهای خود همبستگی (Autocorrelation Plots)
• 39. تحلیل داده های مکانی
• 40. نقشه های حرارتی (Heatmaps)
• 41. نقشه های پراکندگی مکانی
• 42. تحلیل خوشه ای (Clustering)
• 43. الگوریتم K-Means
• 44. ارزیابی نتایج خوشه بندی
• 45. تصویرسازی داده ها: اصول و مفاهیم
• 46. هدف از بصری سازی داده ها
• 47. اصول طراحی نمودارهای موثر
• 48. انتخاب نوع نمودار مناسب
• 49. رنگ در بصری سازی داده ها
• 50. تایپوگرافی در بصری سازی داده ها
• 51. سادگی و وضوح در بصری سازی داده ها
• 52. پرهیز از شلوغی و اطلاعات اضافی
• 53. تعامل (Interactivity) در بصری سازی داده ها
• 54. فیلتر کردن و بزرگنمایی
• 55. نکات ابزار (Tooltips)
• 56. نمودارهای پانل (Panel Charts)
• 57. نمودارهای شبکه ای (Network Graphs)
• 58. نمودارهای درختی (Treemaps)
• 59. نمودارهای سلسله مراتبی (Hierarchical Charts)
• 60. نمودارهای سنکی (Sankey Diagrams)
• 61. نمودارهای نقشه ای (Map Charts)
• 62. داشبوردها: اصول و طراحی
• 63. هدف از داشبوردها
• 64. اجزای یک داشبورد موثر
• 65. انتخاب معیارهای کلیدی عملکرد (KPIs)
• 66. ساختار بندی و چیدمان داشبورد
• 67. طراحی بصری داشبورد
• 68. انتخاب ابزارهای بصری سازی
• 69. کتابخانه های پایتون برای بصری سازی (Matplotlib)
• 70. کتابخانه های پایتون برای بصری سازی (Seaborn)
• 71. کتابخانه های پایتون برای بصری سازی (Plotly)
• 72. کتابخانه های پایتون برای بصری سازی (Bokeh)
• 73. ابزارهای بصری سازی تعاملی (Tableau)
• 74. ابزارهای بصری سازی تعاملی (Power BI)
• 75. کتابخانه جاوا اسکریپت برای بصری سازی (D3.js)
• 76. کاربرد تحلیل اکتشافی در مدیریت داده
• 77. شناسایی الگوهای پنهان در داده ها
• 78. کشف بینش های جدید از داده ها
• 79. کمک به فرآیند تصمیم گیری
• 80. شناسایی نقاط ضعف در کیفیت داده ها
• 81. اعتبارسنجی فرضیه ها
• 82. پیش پردازش داده ها برای مدل سازی
• 83. انتخاب ویژگی های مرتبط
• 84. شناخت محدودیت های داده ها
• 85. تفسیر نتایج تحلیل اکتشافی
• 86. ارائه نتایج تحلیل اکتشافی
• 87. داستان سرایی با داده ها
• 88. اثرگذاری بصری سازی داده ها
• 89. چالش ها در تحلیل اکتشافی و بصری سازی
• 90. مقیاس پذیری داده ها
• 91. پیچیدگی ساختار داده ها
• 92. سوگیری در تحلیل و بصری سازی
• 93. اخلاق در بصری سازی داده ها
• 94. مباحث پیشرفته در تحلیل اکتشافی
• 95. یادگیری عمیق برای تحلیل اکتشافی
• 96. پردازش زبان طبیعی (NLP) برای تحلیل متنی
• 97. تحلیل داده های غیرساختاریافته
• 98. آینده تحلیل اکتشافی و بصری سازی داده ها
• 99. مطالعات موردی (Case Studies) در تحلیل اکتشافی
• 100. نمونه های واقعی از بصری سازی داده ها