دوره Jupyter Notebooks: محیطی تعاملی برای پروژه‌های علوم داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Jupyter Notebooks: محیطی تعاملی برای پروژه‌های علوم داده

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Jupyter Notebooks

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ژوپیتر نوت‌بوک و کاربردهای آن در علوم داده
• 2. نصب و راه‌اندازی محیط ژوپیتر نوت‌بوک
• 3. آشنایی با رابط کاربری ژوپیتر نوت‌بوک
• 4. ایجاد و مدیریت نوت‌بوک‌های جدید
• 5. سلول‌های کد و مارک‌داون در ژوپیتر
• 6. نوشتن و اجرای کدهای پایتون در ژوپیتر
• 7. استفاده از زبان‌های برنامه‌نویسی دیگر در ژوپیتر
• 8. فرمت‌بندی متن با مارک‌داون در ژوپیتر
• 9. اضافه کردن تصاویر و لینک‌ها در نوت‌بوک
• 10. ذخیره و اشتراک‌گذاری نوت‌بوک‌ها
• 11. تنظیمات و سفارشی‌سازی ژوپیتر نوت‌بوک
• 12. استفاده از تم‌ها و افزونه‌های ژوپیتر
• 13. مقدمه‌ای بر کتابخانه‌های اصلی علوم داده در پایتون
• 14. نصب و مدیریت بسته‌های پایتون با pip
• 15. آشنایی با کتابخانه NumPy برای محاسبات عددی
• 16. ساخت آرایه‌ها و انجام عملیات با NumPy
• 17. عملیات ریاضی و آماری با NumPy
• 18. کار با داده‌های چندبعدی در NumPy
• 19. مقدمه‌ای بر کتابخانه Pandas برای تحلیل داده
• 20. ساخت DataFrame و Series با Pandas
• 21. خواندن و نوشتن داده‌ها در فرمت‌های مختلف (CSV, Excel)
• 22. انتخاب و فیلتر کردن داده‌ها در DataFrame
• 23. دستکاری و پاکسازی داده‌ها با Pandas
• 24. ادغام و پیوستن DataFrameها
• 25. عملیات گروه‌بندی و تجمیع داده‌ها
• 26. مقدمه‌ای بر مصورسازی داده‌ها
• 27. استفاده از کتابخانه Matplotlib برای رسم نمودار
• 28. رسم نمودارهای خطی و پراکندگی
• 29. رسم نمودارهای میله‌ای و هیستوگرام
• 30. سفارشی‌سازی نمودارها در Matplotlib
• 31. مقدمه‌ای بر کتابخانه Seaborn برای مصورسازی پیشرفته
• 32. رسم نمودارهای آماری با Seaborn
• 33. نمودارهای حرارتی (Heatmaps) با Seaborn
• 34. نمودارهای توزیع با Seaborn
• 35. کار با داده‌های سری زمانی در علوم داده
• 36. مقدمه‌ای بر یادگیری ماشین
• 37. انواع الگوریتم‌های یادگیری ماشین
• 38. آماده‌سازی داده‌ها برای مدل‌سازی
• 39. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 40. ارزیابی مدل‌های یادگیری ماشین
• 41. مقدمه‌ای بر رگرسیون خطی
• 42. پیاده‌سازی رگرسیون خطی با Scikit-learn
• 43. مقدمه‌ای بر رگرسیون لجستیک
• 44. پیاده‌سازی رگرسیون لجستیک با Scikit-learn
• 45. مقدمه‌ای بر درخت تصمیم
• 46. پیاده‌سازی درخت تصمیم با Scikit-learn
• 47. مقدمه‌ای بر ماشین بردار پشتیبان (SVM)
• 48. پیاده‌سازی SVM با Scikit-learn
• 49. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 50. الگوریتم K-Means برای خوشه‌بندی
• 51. پیاده‌سازی K-Means با Scikit-learn
• 52. مقدمه‌ای بر کاهش ابعاد
• 53. تحلیل مولفه‌های اصلی (PCA)
• 54. پیاده‌سازی PCA با Scikit-learn
• 55. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 56. کار با متن و رشته‌ها در پایتون
• 57. توکنایز کردن متن
• 58. حذف کلمات توقف (Stop Words)
• 59. ریشه‌یابی کلمات (Stemming and Lemmatization)
• 60. بردارهای کلمه (Word Embeddings)
• 61. مقدمه‌ای بر شبکه‌های عصبی
• 62. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 63. مقدمه‌ای بر یادگیری عمیق
• 64. کار با کتابخانه TensorFlow
• 65. کار با کتابخانه Keras
• 66. ساخت و آموزش مدل‌های یادگیری عمیق
• 67. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 68. کاربرد CNN در پردازش تصویر
• 69. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 70. کاربرد RNN در پردازش متن
• 71. مدیریت پروژه‌های علوم داده با ژوپیتر
• 72. استفاده از Git و GitHub با ژوپیتر
• 73. نوشتن مستندات فنی برای پروژه‌ها
• 74. بهینه‌سازی کد در ژوپیتر نوت‌بوک
• 75. عیب‌یابی و رفع خطاها در ژوپیتر
• 76. کار با SQL در ژوپیتر نوت‌بوک
• 77. اتصال به پایگاه‌های داده
• 78. اجرای کوئری‌های SQL
• 79. تحلیل داده‌های پایگاه داده با Pandas
• 80. مقدمه‌ای بر مفاهیم آماری پیشرفته
• 81. آزمون فرض آماری
• 82. تحلیل واریانس (ANOVA)
• 83. مقدمه‌ای بر مدل‌های آماری خطی تعمیم‌یافته (GLM)
• 84. کاربرد GLM در تحلیل داده
• 85. مقدمه‌ای بر یادگیری تقویتی
• 86. مفاهیم پایه یادگیری تقویتی
• 87. تکنیک‌های یادگیری تقویتی
• 88. مقدمه‌ای بر یادگیری بدون نظارت پیشرفته
• 89. روش‌های تشخیص ناهنجاری (Anomaly Detection)
• 90. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 91. کاربرد LLMs در علوم داده
• 92. ملاحظات اخلاقی در علوم داده
• 93. حریم خصوصی داده‌ها
• 94. امنیت داده‌ها در پروژه‌های علوم داده
• 95. مقدمه‌ای بر داده‌های حجیم (Big Data)
• 96. ابزارهای پردازش داده‌های حجیم
• 97. ملاحظات عملی در پروژه‌های واقعی علوم داده
• 98. جمع‌بندی و گام‌های بعدی در یادگیری علوم داده