دوره مقدمه‌ای جامع بر علم داده و کاربرد کتابخانه scikit-learn در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای جامع بر علم داده و کاربرد کتابخانه scikit-learn در پایتون

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: علم داده و یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه بر علم داده و اهمیت آن
• 2. نصب و راه‌اندازی محیط پایتون برای علم داده
• 3. آشنایی با کتابخانه‌های کلیدی: NumPy
• 4. کار با آرایه‌های NumPy و عملیات پایه
• 5. آشنایی با کتابخانه‌های کلیدی: Pandas
• 6. ساختار داده‌ای Series در Pandas
• 7. ساختار داده‌ای DataFrame در Pandas
• 8. بارگذاری و ذخیره داده‌ها در Pandas
• 9. پاکسازی و پیش‌پردازش داده‌ها در Pandas
• 10. مدیریت داده‌های گمشده
• 11. مدیریت داده‌های تکراری
• 12. تبدیل و اعاده داده‌ها
• 13. انتخاب و فیلتر کردن داده‌ها
• 14. گروه‌بندی و تجمیع داده‌ها
• 15. ادغام و پیوستن DataFrames
• 16. مقدمه بر مصورسازی داده‌ها
• 17. مصورسازی با Matplotlib
• 18. مصورسازی با Seaborn
• 19. نمودارهای خطی و پراکندگی
• 20. نمودارهای میله‌ای و هیستوگرام
• 21. نمودارهای جعبه‌ای و ویولن
• 22. نمودارهای حرارتی
• 23. مقدمه بر یادگیری ماشین
• 24. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 25. مفاهیم پایه یادگیری ماشین: ویژگی و برچسب
• 26. مفاهیم پایه یادگیری ماشین: مدل و پیش‌بینی
• 27. مفاهیم پایه یادگیری ماشین: آموزش و تست
• 28. تقسیم داده‌ها به مجموعه آموزش و تست
• 29. مقدمه بر کتابخانه scikit-learn
• 30. ساختار کلی scikit-learn
• 31. کار با مدل‌های scikit-learn: آموزش
• 32. کار با مدل‌های scikit-learn: پیش‌بینی
• 33. کار با مدل‌های scikit-learn: ارزیابی
• 34. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 35. معیارهای ارزیابی مدل‌های رگرسیون
• 36. مقدمه بر الگوریتم‌های یادگیری نظارت شده
• 37. رگرسیون خطی
• 38. مقدمه بر مدل‌های طبقه‌بندی
• 39. رگرسیون لجستیک
• 40. ماشین بردار پشتیبان (SVM)
• 41. درخت تصمیم
• 42. جنگل تصادفی
• 43. مقدمه بر الگوریتم‌های یادگیری بدون نظارت
• 44. خوشه‌بندی K-Means
• 45. تحلیل مولفه‌های اصلی (PCA)
• 46. مقدمه بر مهندسی ویژگی
• 47. ایجاد ویژگی‌های جدید
• 48. انتخاب ویژگی
• 49. اهمیت ویژگی‌ها
• 50. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 51. مقیاس‌بندی ویژگی‌ها (StandardScaler)
• 52. نرمال‌سازی ویژگی‌ها (MinMaxScaler)
• 53. کدگذاری ویژگی‌های دسته‌ای (One-Hot Encoding)
• 54. کدگذاری ویژگی‌های ترتیبی
• 55. رسیدگی به داده‌های نامتوازن
• 56. معرفی تکنیک‌های نمونه‌گیری (SMOTE)
• 57. اعتبارسنجی متقابل (Cross-Validation)
• 58. تنظیم هایپرپارامترها (GridSearchCV)
• 59. تنظیم هایپرپارامترها (RandomizedSearchCV)
• 60. مقدمه بر یادگیری عمیق (فقط در حد معرفی)
• 61. شبکه‌های عصبی مصنوعی (ANN)
• 62. مقدمه بر پردازش زبان طبیعی (NLP)
• 63. پردازش متن با NLTK و spaCy
• 64. مدل‌سازی موضوعی (Topic Modeling)
• 65. مقدمه بر سیستم‌های توصیه‌گر
• 66. فیلترینگ مبتنی بر محتوا
• 67. فیلترینگ مشارکتی
• 68. کاربرد علم داده در کسب و کار
• 69. تحلیل داده‌های فروش
• 70. پیش‌بینی تقاضا
• 71. شناسایی الگوهای مشتری
• 72. بهینه‌سازی عملیات
• 73. کاربرد علم داده در سلامت
• 74. تشخیص بیماری
• 75. پیش‌بینی شیوع بیماری
• 76. تحلیل داده‌های ژنتیکی
• 77. کاربرد علم داده در امور مالی
• 78. مدیریت ریسک
• 79. تشخیص تقلب
• 80. پیش‌بینی بازار سهام
• 81. کاربرد علم داده در صنعت
• 82. بهینه‌سازی تولید
• 83. نگهداری پیش‌بینانه
• 84. کنترل کیفیت
• 85. ملاحظات اخلاقی در علم داده
• 86. حریم خصوصی داده‌ها
• 87. سوگیری در الگوریتم‌ها
• 88. مسئولیت‌پذیری در هوش مصنوعی
• 89. آینده علم داده و یادگیری ماشین
• 90. روندها و نوآوری‌ها
• 91. مسیر شغلی در علم داده
• 92. منابع بیشتر برای یادگیری
• 93. تمرین عملی: تحلیل داده‌های واقعی
• 94. پروژه کوچک: ساخت یک مدل پیش‌بینی ساده
• 95. مقدمه‌ای بر مفاهیم آماری در علم داده
• 96. احتمال و توزیع‌های آماری
• 97. آزمون فرض آماری
• 98. رابطه بین متغیرها: همبستگی و علیت
• 99. مقدمه بر یادگیری تقویتی (فقط در حد معرفی)
• 100. کاربردها و مفاهیم اولیه