دوره Jupyter Notebooks: زبان مشترک تحلیلگران و مهندسان داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Jupyter Notebooks: زبان مشترک تحلیلگران و مهندسان داده

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Jupyter Notebooks

📋 سرفصل‌های دوره

• 1. مبانی Jupyter Notebook و نصب و راه‌اندازی
• 2. آشنایی با محیط کاربری Jupyter Notebook
• 3. دستورات پایه پایتون در Jupyter Notebook
• 4. کار با متغیرها و انواع داده در پایتون
• 5. ساختارهای کنترلی: شرط‌ها و حلقه‌ها در پایتون
• 6. توابع در پایتون: تعریف و استفاده
• 7. کار با لیست‌ها، تاپل‌ها و دیکشنری‌ها در پایتون
• 8. مقدمه‌ای بر کتابخانه‌های علمی پایتون
• 9. نصب و مدیریت بسته‌های پایتون با pip
• 10. آشنایی با NumPy برای محاسبات عددی
• 11. عملیات پایه با آرایه‌های NumPy
• 12. ایندکس‌گذاری و برش‌دهی در NumPy
• 13. عملیات ریاضی و آماری با NumPy
• 14. مقدمه‌ای بر Pandas برای تحلیل داده
• 15. ساخت و کار با ساختارهای داده‌ای DataFrame و Series
• 16. بارگذاری و ذخیره‌سازی داده‌ها در Pandas
• 17. پاکسازی و پیش‌پردازش داده‌ها در Pandas
• 18. مدیریت داده‌های گمشده در Pandas
• 19. فیلتر کردن و انتخاب داده‌ها در Pandas
• 20. گروه‌بندی و تجمیع داده‌ها در Pandas
• 21. ترکیب و ادغام DataFrameها در Pandas
• 22. مقدمه‌ای بر Matplotlib برای مصورسازی داده
• 23. رسم نمودارهای خطی و پراکندگی با Matplotlib
• 24. رسم نمودارهای میله‌ای و هیستوگرام با Matplotlib
• 25. سفارشی‌سازی نمودارها در Matplotlib
• 26. مقدمه‌ای بر Seaborn برای مصورسازی پیشرفته
• 27. مصورسازی روابط با Seaborn
• 28. مصورسازی توزیع داده‌ها با Seaborn
• 29. کار با نمودارهای آماری در Seaborn
• 30. اصول اولیه یادگیری ماشین
• 31. انواع مسائل یادگیری ماشین (نظارت شده، بدون نظارت)
• 32. مقدمه‌ای بر Scikit-learn
• 33. بارگذاری و آماده‌سازی داده‌ها برای مدل‌سازی
• 34. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 35. الگوریتم‌های یادگیری نظارت شده: رگرسیون خطی
• 36. ارزیابی مدل‌های رگرسیون
• 37. الگوریتم‌های یادگیری نظارت شده: رگرسیون لجستیک
• 38. ارزیابی مدل‌های طبقه‌بندی
• 39. مقدمه‌ای بر الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 40. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 41. مقدمه‌ای بر درخت‌های تصمیم
• 42. مقدمه‌ای بر جنگل‌های تصادفی
• 43. تنظیم ابرپارامترها و اعتبارسنجی متقابل
• 44. مقدمه‌ای بر خوشه‌بندی: K-Means
• 45. ارزیابی مدل‌های خوشه‌بندی
• 46. مقدمه‌ای بر کاهش ابعاد: PCA
• 47. کاربرد PCA در تحلیل داده
• 48. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 49. پیش‌پردازش متن: توکن‌سازی و حذف کلمات توقف
• 50. روش‌های نمایش متن: Bag-of-Words
• 51. روش‌های نمایش متن: TF-IDF
• 52. مقدمه‌ای بر مدل‌های زبانی
• 53. کاربرد مدل‌های زبانی در تحلیل متن
• 54. مقدمه‌ای بر شبکه‌های عصبی
• 55. معماری شبکه‌های عصبی پایه
• 56. مقدمه‌ای بر یادگیری عمیق
• 57. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 58. کاربرد CNN در تشخیص تصویر
• 59. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 60. کاربرد RNN در پردازش دنباله‌ها
• 61. مقدمه‌ای بر ابزارهای تحلیلی دیگر
• 62. کاربرد Jupyter Notebook در پروژه‌های واقعی
• 63. نکات پیشرفته در استفاده از Jupyter Notebook
• 64. مدیریت نسخه با Git و Jupyter Notebook
• 65. نکات امنیتی در کار با Jupyter Notebook
• 66. اصول گزارش‌دهی و مستندسازی در تحلیل داده
• 67. مقدمه‌ای بر مفاهیم اولیه علم داده
• 68. چرخه حیات پروژه‌های علم داده
• 69. انتخاب ابزارهای مناسب برای تحلیل داده
• 70. کار با داده‌های بزرگ (مفاهیم اولیه)
• 71. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای
• 72. نوشتن کوئری‌های SQL پایه
• 73. کار با داده‌های غیررابطه‌ای (مفاهیم)
• 74. مقدمه‌ای بر مفاهیم آماری برای تحلیلگران
• 75. آمار توصیفی: میانگین، میانه، مد
• 76. آمار توصیفی: واریانس و انحراف معیار
• 77. مقدمه‌ای بر توزیع‌های آماری
• 78. آزمون فرض آماری (مفاهیم پایه)
• 79. مقدمه‌ای بر تحلیل سری‌های زمانی
• 80. اصول مصورسازی داده‌های سری زمانی
• 81. کاربرد تحلیل سری زمانی در پیش‌بینی
• 82. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 83. تکنیک‌های مهندسی ویژگی برای داده‌های عددی
• 84. تکنیک‌های مهندسی ویژگی برای داده‌های دسته‌ای
• 85. ارزیابی و انتخاب ویژگی (Feature Selection)
• 86. مقدمه‌ای بر مفاهیم اولیه یادگیری تقویتی
• 87. کاربرد یادگیری تقویتی (مفاهیم)
• 88. اصول اخلاقی در علم داده
• 89. حفظ حریم خصوصی داده‌ها
• 90. اهمیت تفسیرپذیری مدل‌ها
• 91. آشنایی با ابزارهای هوش تجاری (BI)
• 92. مقدمه‌ای بر مفاهیم اولیه کلان داده (Big Data)
• 93. مروری بر اکوسیستم Hadoop (مفاهیم)
• 94. مقدمه‌ای بر Spark (مفاهیم)
• 95. کاربرد Spark در پردازش داده
• 96. مفاهیم اولیه پردازش تصویر با پایتون
• 97. کار با تصاویر در NumPy و OpenCV
• 98. فیلتر کردن تصاویر
• 99. پردازش رنگ و لبه در تصاویر
• 100. مقدمه‌ای بر تحلیل احساسات (Sentiment Analysis)