دوره از پایه تا پیشرفته: کاوش در Jupyter Notebooks همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از پایه تا پیشرفته: کاوش در Jupyter Notebooks

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Jupyter Notebooks

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Jupyter Notebook
• 2. نصب و راه‌اندازی Jupyter Notebook
• 3. آشنایی با محیط کاربری Jupyter
• 4. ایجاد و ذخیره نوت‌بوک‌های جدید
• 5. اجرای سلول‌های کد و متن
• 6. کار با انواع سلول‌ها (Code, Markdown)
• 7. فرمت‌بندی متن با Markdown
• 8. استفاده از تصاویر و لینک در Markdown
• 9. مدیریت هسته‌ها (Kernels)
• 10. تغییر هسته نوت‌بوک
• 11. نصب و مدیریت پکیج‌ها (pip, conda)
• 12. کار با متغیرها در پایتون
• 13. انواع داده‌های پایه در پایتون
• 14. عملگرهای ریاضی و منطقی
• 15. ساختارهای کنترلی: شرط‌ها (if, elif, else)
• 16. حلقه‌ها: for و while
• 17. کار با لیست‌ها (Lists)
• 18. کار با تاپل‌ها (Tuples)
• 19. کار با دیکشنری‌ها (Dictionaries)
• 20. کار با مجموعه‌ها (Sets)
• 21. توابع در پایتون: تعریف و فراخوانی
• 22. پارامترهای توابع و مقادیر پیش‌فرض
• 23. دامنه متغیرها (Scope)
• 24. ماژول‌ها و ایمپورت کردن آن‌ها
• 25. آشنایی با NumPy برای محاسبات عددی
• 26. آرایه‌های NumPy
• 27. عملیات برداری با NumPy
• 28. ایندکس‌گذاری و برش در آرایه‌های NumPy
• 29. توابع آماری با NumPy
• 30. آشنایی با Pandas برای تحلیل داده
• 31. ساختار داده Series در Pandas
• 32. ساختار داده DataFrame در Pandas
• 33. خواندن داده از فایل‌های CSV
• 34. خواندن داده از فایل‌های Excel
• 35. انتخاب و فیلتر کردن داده در DataFrame
• 36. عملیات روی ستون‌ها و ردیف‌ها
• 37. گروه‌بندی داده‌ها (groupby)
• 38. ادغام و پیوستن DataFrames
• 39. پاکسازی داده‌های گمشده (Missing Data)
• 40. مدیریت داده‌های تکراری
• 41. تغییر نوع داده‌ها (Data Type Conversion)
• 42. عملیات آماری روی DataFrame
• 43. رسم نمودار با Matplotlib
• 44. انواع نمودارهای پایه (خطی، میله‌ای، پراکندگی)
• 45. تنظیمات نمودار (عنوان، برچسب محورها)
• 46. کار با Subplots
• 47. ذخیره نمودارها
• 48. مقدمه‌ای بر Seaborn برای بصری‌سازی پیشرفته
• 49. نمودارهای آماری با Seaborn
• 50. نمودارهای توزیع (Distribution Plots)
• 51. نمودارهای دسته‌بندی (Categorical Plots)
• 52. نمودارهای ماتریسی (Heatmaps, Clustermaps)
• 53. کار با داده‌های زمانی در پایتون
• 54. پردازش اولیه داده‌های زمانی
• 55. فیلتر کردن داده‌های زمانی
• 56. تغییر فرکانس داده‌های زمانی
• 57. محاسبه فواصل زمانی
• 58. مقدمه‌ای بر یادگیری ماشین
• 59. انواع مسائل یادگیری ماشین (نظارت‌شده، بدون نظارت)
• 60. مراحل کلی پروژه یادگیری ماشین
• 61. آماده‌سازی داده برای مدل‌سازی
• 62. تقسیم داده به مجموعه آموزش و آزمون
• 63. معرفی الگوریتم‌های رگرسیون خطی
• 64. ارزیابی مدل‌های رگرسیون (MSE, R-squared)
• 65. معرفی الگوریتم‌های طبقه‌بندی (Logistic Regression)
• 66. ارزیابی مدل‌های طبقه‌بندی (Accuracy, Precision, Recall)
• 67. مقدمه‌ای بر درخت تصمیم
• 68. معرفی الگوریتم K-Nearest Neighbors (KNN)
• 69. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 70. مقدمه‌ای بر خوشه‌بندی (K-Means)
• 71. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 72. اعتبارسنجی متقابل (Cross-Validation)
• 73. کار با مدل‌های یادگیری عمیق (مقدماتی)
• 74. مفاهیم پایه شبکه‌های عصبی
• 75. معرفی کتابخانه TensorFlow (مقدماتی)
• 76. معرفی کتابخانه Keras (مقدماتی)
• 77. ساخت یک شبکه عصبی ساده
• 78. آموزش و ارزیابی شبکه عصبی
• 79. کار با داده‌های تصویری (مقدماتی)
• 80. کار با داده‌های متنی (مقدماتی)
• 81. استقرار مدل‌های ساده (مقدماتی)
• 82. نکات پیشرفته در Jupyter Notebook
• 83. استفاده از Extensions برای Jupyter
• 84. کار با Git و Jupyter Notebook
• 85. اشتراک‌گذاری نوت‌بوک‌ها (nbviewer)
• 86. ملاحظات امنیتی در Jupyter
• 87. بهینه‌سازی عملکرد نوت‌بوک
• 88. نکات کاربردی برای برنامه‌نویسی تمیز
• 89. توسعه پروژه‌های کوچک با Jupyter
• 90. مقدمه‌ای بر ابزارهای تحلیل داده در ایران
• 91. چارچوب‌های قانونی تحلیل داده در ایران
• 92. اصول اخلاقی در تحلیل داده
• 93. کاربرد Jupyter در حوزه‌های مختلف علمی
• 94. نکات تکمیلی و منابع بیشتر