دوره تجزیه و تحلیل داده‌ها: از اطلاعات تا تصمیم‌گیری‌های هوشمندانه همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تجزیه و تحلیل داده‌ها: از اطلاعات تا تصمیم‌گیری‌های هوشمندانه

موضوع کلی: توسعه فردی

موضوع میانی: فناوری اطلاعات

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تجزیه و تحلیل داده‌ها و اهمیت آن
• 2. شناخت انواع داده‌ها و ساختارهای داده‌ای
• 3. مفاهیم پایه‌ای آمار توصیفی
• 4. میانگین، میانه و نما در تحلیل داده‌ها
• 5. مقیاس‌های پراکندگی: واریانس، انحراف معیار و دامنه
• 6. مقدمه‌ای بر توزیع‌های آماری
• 7. توزیع نرمال و کاربردهای آن
• 8. مقدمه‌ای بر احتمال و مفاهیم آن
• 9. قواعد احتمال و رویدادهای مستقل
• 10. مقدمه‌ای بر استنباط آماری
• 11. تخمین نقطه‌ای و فاصله‌ای
• 12. آزمون فرض آماری: مفاهیم پایه
• 13. آزمون فرض برای میانگین یک جامعه
• 14. آزمون فرض برای میانگین دو جامعه مستقل
• 15. آزمون فرض برای میانگین دو جامعه وابسته
• 16. مقدمه‌ای بر رگرسیون خطی ساده
• 17. تخمین ضرایب رگرسیون خطی ساده
• 18. تفسیر ضرایب رگرسیون خطی ساده
• 19. ارزیابی مدل رگرسیون خطی ساده
• 20. مقدمه‌ای بر رگرسیون خطی چندگانه
• 21. انتخاب متغیر در رگرسیون چندگانه
• 22. مقدمه‌ای بر تحلیل واریانس (ANOVA)
• 23. ANOVA یک‌طرفه
• 24. ANOVA دوطرفه
• 25. مقدمه‌ای بر تحلیل سری‌های زمانی
• 26. شناخت روند، فصلی بودن و نوسانات
• 27. مدل‌های پیش‌بینی سری‌های زمانی
• 28. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 29. الگوریتم K-Means
• 30. مقدمه‌ای بر طبقه‌بندی (Classification)
• 31. مقدمه‌ای بر درخت تصمیم (Decision Tree)
• 32. الگوریتم ID3 و C4.5
• 33. مقدمه‌ای بر ماشین بردار پشتیبان (SVM)
• 34. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 35. کاربرد شبکه‌های عصبی در تحلیل داده‌ها
• 36. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 37. پردازش زبان طبیعی (NLP) در تحلیل داده‌ها
• 38. تحلیل احساسات (Sentiment Analysis)
• 39. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 40. قوانین وابستگی (Association Rules)
• 41. الگوریتم Apriori
• 42. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 43. مقدمه‌ای بر هوش مصنوعی (AI)
• 44. کاربرد هوش مصنوعی در تصمیم‌گیری
• 45. مقدمه‌ای بر ابزارهای تحلیل داده (R, Python)
• 46. نصب و پیکربندی محیط R
• 47. مقدمه‌ای بر زبان برنامه‌نویسی R
• 48. مقدمه‌ای بر کتابخانه‌های پایه R
• 49. کار با داده‌ها در R: خواندن و نوشتن
• 50. عملیات پایه‌ای روی داده‌ها در R
• 51. پاکسازی و پیش‌پردازش داده‌ها در R
• 52. مقدمه‌ای بر کتابخانه dplyr در R
• 53. فیلتر کردن و انتخاب داده‌ها با dplyr
• 54. مرتب‌سازی و گروه‌بندی داده‌ها با dplyr
• 55. ترکیب داده‌ها با dplyr
• 56. رسم نمودارهای پایه در R
• 57. نمودار هیستوگرام و جعبه‌ای
• 58. نمودار پراکندگی و خطی
• 59. مقدمه‌ای بر کتابخانه ggplot2 در R
• 60. رسم نمودارهای پیشرفته با ggplot2
• 61. تنظیمات گرافیکی در ggplot2
• 62. مقدمه‌ای بر نصب و پیکربندی محیط Python
• 63. مقدمه‌ای بر زبان برنامه‌نویسی Python
• 64. مقدمه‌ای بر کتابخانه NumPy
• 65. عملیات آرایه‌ای با NumPy
• 66. مقدمه‌ای بر کتابخانه Pandas
• 67. ساختار داده DataFrame در Pandas
• 68. خواندنی و نوشتن داده‌ها با Pandas
• 69. عملیات پایه‌ای روی DataFrame
• 70. پاکسازی و پیش‌پردازش داده‌ها با Pandas
• 71. گروه‌بندی و تجمیع داده‌ها با Pandas
• 72. ترکیب DataFrame ها
• 73. مقدمه‌ای بر کتابخانه Matplotlib
• 74. رسم نمودارهای پایه با Matplotlib
• 75. تنظیمات نمودارها در Matplotlib
• 76. مقدمه‌ای بر کتابخانه Seaborn
• 77. رسم نمودارهای آماری پیشرفته با Seaborn
• 78. تکنیک‌های بصری‌سازی داده‌های پیچیده
• 79. مقدمه‌ای بر اصول اخلاقی در تحلیل داده
• 80. حفظ حریم خصوصی و امنیت داده‌ها
• 81. سوگیری در داده‌ها و الگوریتم‌ها
• 82. مقدمه‌ای بر ارزیابی مدل‌های پیش‌بینی
• 83. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 84. معیارهای ارزیابی مدل‌های رگرسیون
• 85. مقدمه‌ای بر تکنیک‌های کاهش ابعاد
• 86. تحلیل مؤلفه‌های اصلی (PCA)
• 87. تجزیه مقادیر منفرد (SVD)
• 88. مقدمه‌ای بر یادگیری نیمه‌نظارتی
• 89. مقدمه‌ای بر یادگیری خودنظارتی
• 90. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 91. مفاهیم و ابزارهای داده‌های بزرگ
• 92. کاربرد تحلیل داده در کسب‌وکار
• 93. تحلیل داده در حوزه سلامت
• 94. تحلیل داده در حوزه مالی
• 95. تحلیل داده در حوزه دولتی
• 96. مقدمه‌ای بر تحلیل داده‌های شبکه‌های اجتماعی
• 97. تکنیک‌های استخراج اطلاعات از متن
• 98. فرایندهای تصمیم‌گیری مبتنی بر داده
• 99. اهمیت کیفیت داده‌ها در تصمیم‌گیری
• 100. مقدمه‌ای بر مدیریت چرخه عمر داده