دوره مقدمه‌ای بر علم داده: استخراج دانش از داده‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر علم داده: استخراج دانش از داده‌ها

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: مبانی علم داده و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه: علم داده چیست؟
• 2. اهمیت داده در دنیای امروز
• 3. کاربردهای علم داده
• 4. چرخه عمر پروژه علم داده
• 5. انواع داده‌ها
• 6. ساختار داده‌ها: جدول‌ها و پایگاه‌های داده
• 7. مفاهیم پایگاه داده رابطه‌ای
• 8. مقدمه‌ای بر SQL
• 9. پرس‌وجوهای پایه در SQL
• 10. فیلتر کردن داده‌ها با WHERE
• 11. مرتب‌سازی داده‌ها با ORDER BY
• 12. گروه‌بندی داده‌ها با GROUP BY
• 13. توابع تجمعی در SQL
• 14. اتصال جداول با JOIN
• 15. انواع JOIN ها
• 16. مقدمه ای بر تحلیل اکتشافی داده (EDA)
• 17. اهمیت EDA
• 18. مراحل EDA
• 19. تجسم داده‌ها: چرا و چگونه؟
• 20. انواع نمودارها: هیستوگرام
• 21. انواع نمودارها: نمودار پراکندگی
• 22. انواع نمودارها: نمودار میله‌ای
• 23. انواع نمودارها: نمودار خطی
• 24. ابزارهای تجسم داده
• 25. مقدمه ای بر آمار توصیفی
• 26. میانگین، میانه و مد
• 27. واریانس و انحراف معیار
• 28. صدک‌ها و چارک‌ها
• 29. مقدمه ای بر احتمالات
• 30. قوانین احتمالات
• 31. احتمال شرطی
• 32. قضیه بیز
• 33. مقدمه ای بر یادگیری ماشین
• 34. یادگیری با نظارت
• 35. یادگیری بدون نظارت
• 36. یادگیری تقویتی
• 37. انواع مسائل در یادگیری ماشین
• 38. رگرسیون خطی
• 39. ارزیابی مدل‌های رگرسیون
• 40. رگرسیون لجستیک
• 41. طبقه‌بندی
• 42. متریک‌های ارزیابی طبقه‌بندی
• 43. مقدمه ای بر درخت تصمیم
• 44. آموزش درخت تصمیم
• 45. بهینه‌سازی درخت تصمیم
• 46. مقدمه ای بر ماشین بردار پشتیبان (SVM)
• 47. هسته‌ها در SVM
• 48. مقدمه ای بر خوشه‌بندی
• 49. الگوریتم K-Means
• 50. ارزیابی خوشه‌بندی
• 51. مقدمه ای بر کاهش ابعاد
• 52. تحلیل مولفه‌های اصلی (PCA)
• 53. کاربرد PCA
• 54. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 55. پیش‌پردازش متن
• 56. مدل‌سازی موضوعی
• 57. مقدمه ای بر شبکه‌های عصبی
• 58. شبکه‌های عصبی پرسپترون چندلایه
• 59. توابع فعال‌سازی
• 60. پس‌انتشار خطا
• 61. مقدمه ای بر یادگیری عمیق
• 62. شبکه‌های عصبی کانولوشنی (CNN)
• 63. کاربرد CNN
• 64. شبکه‌های عصبی بازگشتی (RNN)
• 65. کاربرد RNN
• 66. مقدمه ای بر یادگیری تقویتی
• 67. عوامل و محیط در یادگیری تقویتی
• 68. پاداش و جریمه
• 69. یادگیری سیاست
• 70. یادگیری ارزش
• 71. مقدمه ای بر مهندسی ویژگی
• 72. انتخاب ویژگی
• 73. ساخت ویژگی
• 74. تکنیک‌های مهندسی ویژگی
• 75. مقدمه ای بر ارزیابی و انتخاب مدل
• 76. اعتبارسنجی متقابل
• 77. خطای بیش برازش و کم برازش
• 78. تنظیم هایپرپارامترها
• 79. مقدمه ای بر استقرار مدل
• 80. روش‌های استقرار مدل
• 81. مانیتورینگ مدل
• 82. اخلاق در علم داده
• 83. حریم خصوصی داده‌ها
• 84. سوگیری در الگوریتم‌ها
• 85. مسئولیت‌پذیری در علم داده
• 86. مقدمه ای بر ابزارهای علم داده
• 87. پایتون برای علم داده
• 88. کتابخانه‌های پایتون: NumPy
• 89. کتابخانه‌های پایتون: Pandas
• 90. کتابخانه‌های پایتون: Matplotlib
• 91. کتابخانه‌های پایتون: Scikit-learn
• 92. مقدمه ای بر Big Data
• 93. مفاهیم کلیدی Big Data
• 94. چارچوب‌های Big Data: Hadoop
• 95. چارچوب‌های Big Data: Spark
• 96. کاربرد علم داده در صنعت
• 97. علم داده در بازاریابی
• 98. علم داده در امور مالی
• 99. علم داده در بهداشت و درمان
• 100. علم داده در حمل و نقل