دوره استخراج و تحلیل آماری داده‌های عمومی با پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استخراج و تحلیل آماری داده‌های عمومی با پایتون

موضوع کلی: مدیریت و حکمرانی داده‌های عمومی

موضوع میانی: ابزارهای تحلیل داده (Python libraries, R, Spark)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر پایتون و محیط آن
• 2. نصب پایتون و کتابخانه های مورد نیاز
• 3. مبانی زبان برنامه نویسی پایتون
• 4. انواع داده ها و ساختارهای اطلاعاتی در پایتون
• 5. عملیات پایه بر روی متغیرها
• 6. دستورات شرطی در پایتون
• 7. حلقه ها در پایتون
• 8. توابع در پایتون
• 9. کار با لیست ها و تاپل ها
• 10. کار با دیکشنری ها و مجموعه ها
• 11. ورودی و خروجی فایل ها در پایتون
• 12. مقدمه ای بر NumPy
• 13. آرایه های NumPy
• 14. عملیات بردار و ماتریسی با NumPy
• 15. شاخص گذاری و برش آرایه های NumPy
• 16. توابع آماری پایه در NumPy
• 17. مقدمه ای بر Pandas
• 18. ساختار داده DataFrame
• 19. ساختار داده Series
• 20. بارگذاری و ذخیره سازی داده ها با Pandas
• 21. شاخص گذاری و انتخاب داده ها در Pandas
• 22. فیلتر کردن داده ها با Pandas
• 23. مدیریت داده های گمشده (Missing Data)
• 24. درون یابی داده های گمشده
• 25. حذف داده های گمشده
• 26. تکنیک های ادغام و ترکیب داده ها (Merge, Join, Concatenate)
• 27. گروه بندی و تجمیع داده ها (Groupby)
• 28. عملیات آماری بر روی گروه های داده
• 29. کاهش ابعاد داده ها
• 30. استخراج ویژگی ها (Feature Engineering)
• 31. مقدمه ای بر Matplotlib
• 32. رسم نمودارهای خطی
• 33. رسم نمودارهای پراکندگی (Scatter Plots)
• 34. رسم نمودارهای میله ای (Bar Plots)
• 35. رسم نمودارهای هیستوگرام
• 36. رسم نمودارهای جعبه ای (Box Plots)
• 37. شخصی سازی نمودارها
• 38. استفاده از Seaborn برای تجسم داده ها
• 39. نمودارهای آماری پیشرفته با Seaborn
• 40. مقدمه ای بر آمار توصیفی
• 41. اندازه های گرایش مرکزی (Mean, Median, Mode)
• 42. اندازه های پراکندگی (Variance, Standard Deviation, Range)
• 43. چولگی و کشیدگی داده ها
• 44. صدک ها و چارک ها
• 45. مقدمه ای بر آمار استنباطی
• 46. نمونه گیری و توزیع نمونه ای
• 47. مفهوم فاصله اطمینان
• 48. محاسبه فاصله اطمینان برای میانگین
• 49. محاسبه فاصله اطمینان برای نسبت
• 50. مقدمه ای بر آزمون فرض آماری
• 51. خطای نوع اول و نوع دوم
• 52. آزمون فرض برای میانگین یک جامعه (تک نمونه ای)
• 53. آزمون فرض برای میانگین دو جامعه مستقل (دو نمونه ای)
• 54. آزمون فرض برای میانگین دو جامعه وابسته (زوجی)
• 55. آزمون فرض برای نسبت یک جامعه
• 56. آزمون فرض برای نسبت دو جامعه
• 57. آزمون خی دو استقلال
• 58. آزمون خی دو نیکویی برازش
• 59. مقدمه ای بر تحلیل همبستگی
• 60. محاسبه ضریب همبستگی پیرسون
• 61. تفسیر ضریب همبستگی
• 62. مقدمه ای بر رگرسیون خطی ساده
• 63. برآورد پارامترهای رگرسیون
• 64. تفسیر ضرایب رگرسیون
• 65. آزمون فرض برای ضرایب رگرسیون
• 66. فاصله اطمینان برای ضرایب رگرسیون
• 67. شاخص های ارزیابی مدل رگرسیون (R-squared)
• 68. پیش بینی با مدل رگرسیون
• 69. مقدمه ای بر رگرسیون خطی چندگانه
• 70. انتخاب متغیر در مدل های رگرسیونی
• 71. عیب یابی مدل رگرسیون
• 72. مقدمه ای بر تحلیل سری زمانی
• 73. مولفه های سری زمانی (روند، فصلی، باقی مانده)
• 74. روش های هموارسازی سری زمانی
• 75. مدل های ARIMA
• 76. پیش بینی با مدل های سری زمانی
• 77. مقدمه ای بر خوشه بندی (Clustering)
• 78. الگوریتم K-Means
• 79. ارزیابی مدل های خوشه بندی
• 80. مقدمه ای بر طبقه بندی (Classification)
• 81. الگوریتم رگرسیون لجستیک
• 82. الگوریتم ماشین بردار پشتیبان (SVM)
• 83. الگوریتم درخت تصمیم
• 84. ارزیابی مدل های طبقه بندی
• 85. مقدمه ای بر تحلیل عامل (Factor Analysis)
• 86. مقدمه ای بر تحلیل مولفه اصلی (PCA)
• 87. کاربرد PCA در کاهش ابعاد
• 88. تحلیل داده های متنی مقدماتی
• 89. پردازش اولیه متن (Tokenization, Stopwords Removal)
• 90. ایجاد مدل های Bag-of-Words
• 91. ایجاد مدل های TF-IDF
• 92. مقدمه ای بر تحلیل احساسات (Sentiment Analysis)
• 93. پیاده سازی تحلیل احساسات با پایتون
• 94. اخلاق در تحلیل داده ها
• 95. مروری بر چالش های تحلیل داده های عمومی
• 96. مطالعات موردی در تحلیل داده های عمومی
• 97. پروژه عملی: تحلیل مجموعه داده ای واقعی
• 98. ارائه نتایج تحلیل
• 99. نکات پیشرفته در تحلیل آماری با پایتون
• 100. منابع تکمیلی و ادامه یادگیری