دوره آموزش جامع NumPy در پایتون برای تحلیل عددی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع NumPy در پایتون برای تحلیل عددی

موضوع کلی: برنامه نویسی

موضوع میانی: پایتون (Python)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر NumPy و کاربردهای آن در تحلیل عددی
• 2. نصب و راه‌اندازی NumPy
• 3. ساختار داده‌ای آرایه در NumPy
• 4. ایجاد آرایه‌ها: ndarray
• 5. انواع داده‌ها در آرایه‌های NumPy
• 6. عملیات پایه روی آرایه‌ها: جمع، تفریق، ضرب، تقسیم
• 7. اندیس‌گذاری و برش آرایه‌ها
• 8. تغییر شکل آرایه‌ها: reshape
• 9. عملیات ریاضی روی عناصر آرایه
• 10. توابع آماری پایه: میانگین، میانه، واریانس، انحراف معیار
• 11. توابع سینوسی، کسینوسی و نمایی در NumPy
• 12. توابع شرطی و منطقی روی آرایه‌ها
• 13. مرتب‌سازی آرایه‌ها
• 14. جستجو در آرایه‌ها
• 15. ایجاد آرایه‌های تصادفی
• 16. تولید اعداد تصادفی با توزیع‌های مختلف
• 17. عملیات ماتریسی در NumPy
• 18. ضرب ماتریسی
• 19. معکوس ماتریس
• 20. دترمینان ماتریس
• 21. حل دستگاه معادلات خطی با NumPy
• 22. تحلیل داده‌های سری زمانی با NumPy
• 23. فیلترینگ داده‌ها با NumPy
• 24. توابع برداری‌سازی (Vectorization)
• 25. بهینه‌سازی کد با NumPy
• 26. مقدمه‌ای بر جبر خطی عددی
• 27. تجزیه مقادیر منفرد (SVD)
• 28. تجزیه مقادیر ویژه (Eigenvalue Decomposition)
• 29. حل مسائل کمترین مربعات
• 30. انتگرال‌گیری عددی با NumPy
• 31. مشتق‌گیری عددی با NumPy
• 32. حل معادلات دیفرانسیل معمولی (ODE)
• 33. روش‌های حل ODE: اویلر
• 34. روش‌های حل ODE: رانگ-کوتا
• 35. پردازش سیگنال با NumPy
• 36. تبدیل فوریه گسسته (DFT)
• 37. تبدیل فوریه سریع (FFT)
• 38. فیلترهای دیجیتال پایه
• 39. تحلیل داده‌های تصویری با NumPy
• 40. عملیات روی پیکسل‌ها
• 41. فیلترهای تصویر
• 42. تجسم داده‌های عددی با Matplotlib
• 43. رسم نمودارهای خطی
• 44. رسم نمودارهای پراکندگی
• 45. رسم هیستوگرام
• 46. رسم نمودارهای میله‌ای
• 47. رسم نمودارهای سه‌بعدی
• 48. سفارشی‌سازی نمودارها
• 49. مقدمه‌ای بر SciPy
• 50. توابع علمی در SciPy
• 51. بهینه‌سازی در SciPy
• 52. حل مسائل بهینه‌سازی خطی
• 53. حل مسائل بهینه‌سازی غیرخطی
• 54. بهینه‌سازی تابع چندمتغیره
• 55. بهینه‌سازی با محدودیت
• 56. انتگرال‌گیری عددی در SciPy
• 57. مشتق‌گیری عددی در SciPy
• 58. حل معادلات دیفرانسیل در SciPy
• 59. حل سیستم معادلات دیفرانسیل
• 60. حل معادلات دیفرانسیل با شرایط مرزی
• 61. کار با داده‌های فضایی و مکانی
• 62. تحلیل داده‌های ژئوفیزیکی
• 63. تحلیل داده‌های هواشناسی
• 64. مقدمه‌ای بر Pandas برای تحلیل داده
• 65. ساختار داده‌ای Series در Pandas
• 66. ساختار داده‌ای DataFrame در Pandas
• 67. ورود و خروج داده‌ها (CSV, Excel)
• 68. انتخاب و فیلتر کردن داده‌ها در Pandas
• 69. عملیات روی ستون‌ها و ردیف‌ها
• 70. گروه‌بندی و تجمیع داده‌ها
• 71. ادغام و پیوستن DataFrameها
• 72. مدیریت داده‌های گمشده (Missing Data)
• 73. تبدیل انواع داده‌ها در Pandas
• 74. زمان‌بندی و کار با داده‌های زمانی
• 75. عملیات آماری در Pandas
• 76. تجسم داده‌ها با Pandas و Matplotlib
• 77. کار با داده‌های متنی و رشته‌ای
• 78. مقدمه‌ای بر آمار استنباطی
• 79. آزمون فرض آماری
• 80. آزمون t
• 81. آزمون کای‌دو
• 82. رگرسیون خطی ساده
• 83. رگرسیون خطی چندگانه
• 84. ارزیابی مدل‌های رگرسیون
• 85. مقدمه‌ای بر یادگیری ماشین
• 86. یادگیری نظارت شده
• 87. یادگیری بدون نظارت
• 88. دسته‌بندی (Classification)
• 89. رگرسیون (Regression)
• 90. خوشه‌بندی (Clustering)
• 91. مقدمه‌ای بر الگوریتم K-Means
• 92. شبکه‌های عصبی مصنوعی پایه
• 93. مقدمه‌ای بر یادگیری عمیق
• 94. شبکه‌های عصبی کانولوشنی (CNN)
• 95. شبکه‌های عصبی بازگشتی (RNN)
• 96. کاربرد NumPy در پردازش تصویر
• 97. کاربرد NumPy در پردازش سیگنال
• 98. کاربرد NumPy در مدل‌سازی مالی
• 99. کاربرد NumPy در شبیه‌سازی‌های علمی
• 100. کاربرد NumPy در شبکه‌های عصبی