دوره گواهینامه حرفه‌ای علم داده: مبانی، ابزارها و کاربردها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره گواهینامه حرفه‌ای علم داده: مبانی، ابزارها و کاربردها

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: علم داده و تحلیل اطلاعات

📋 سرفصل‌های دوره

• 1. مبانی علم داده و مهندسی نرم‌افزار
• 2. مقدمه‌ای بر علوم کامپیوتر
• 3. ساختارهای داده و الگوریتم‌ها
• 4. مفاهیم پایگاه داده
• 5. اصول برنامه‌نویسی پایتون
• 6. مقدمه‌ای بر یادگیری ماشین
• 7. آمار و احتمالات برای علم داده
• 8. تحلیل اکتشافی داده‌ها (EDA)
• 9. بصری‌سازی داده‌ها با پایتون
• 10. کتابخانه‌های کلیدی علم داده: NumPy و Pandas
• 11. کار با داده‌های جدولی
• 12. پاکسازی و پیش‌پردازش داده‌ها
• 13. مهندسی ویژگی
• 14. انتخاب مدل و ارزیابی
• 15. مدل‌های رگرسیون خطی
• 16. مدل‌های رگرسیون لجستیک
• 17. درختان تصمیم و جنگل‌های تصادفی
• 18. ماشین‌های بردار پشتیبان (SVM)
• 19. خوشه‌بندی: K-Means
• 20. کاهش ابعاد: PCA
• 21. مقدمه‌ای بر شبکه‌های عصبی
• 22. شبکه‌های عصبی کانولوشنال (CNN)
• 23. شبکه‌های عصبی بازگشتی (RNN)
• 24. پردازش زبان طبیعی (NLP)
• 25. تحلیل احساسات
• 26. سیستم‌های توصیه‌گر
• 27. یادگیری عمیق برای بینایی ماشین
• 28. مقدمه‌ای بر داده‌های بزرگ
• 29. اکوسیستم هادوپ
• 30. اسپارک برای تحلیل داده‌های بزرگ
• 31. پایگاه‌های داده NoSQL
• 32. انبار داده و مصارف تجاری
• 33. مدل‌سازی داده‌های تحلیلی
• 34. علم داده در عمل: موردکاوی‌ها
• 35. اخلاق در علم داده
• 36. حریم خصوصی داده‌ها
• 37. امنیت داده‌ها
• 38. مقدمه‌ای بر هوش مصنوعی
• 39. یادگیری تقویتی
• 40. یادگیری بدون نظارت
• 41. یادگیری نیمه‌نظارتی
• 42. یادگیری انتقالی
• 43. مقدمه‌ای بر یادگیری عمیق
• 44. معماری‌های پیشرفته شبکه‌های عصبی
• 45. نکات و ترفندهای یادگیری عمیق
• 46. مدل‌های زبانی بزرگ (LLMs)
• 47. کاربرد LLMs در علم داده
• 48. مبانی مهندسی نرم‌افزار
• 49. چرخه حیات توسعه نرم‌افزار (SDLC)
• 50. متدولوژی‌های چابک (Agile)
• 51. طراحی نرم‌افزار و الگوهای طراحی
• 52. تست نرم‌افزار و تضمین کیفیت
• 53. معماری نرم‌افزار
• 54. میکروسرویس‌ها
• 55. امنیت در توسعه نرم‌افزار
• 56. مقدمه‌ای بر DevOps
• 57. کانتینرسازی با Docker
• 58. هماهنگ‌سازی کانتینرها با Kubernetes
• 59. سیستم‌های توزیع‌شده
• 60. مباحث پیشرفته پایگاه داده
• 61. بهینه‌سازی پرس‌وجو
• 62. مدیریت داده‌های حجیم و جریانی
• 63. هوش تجاری (BI)
• 64. داشبوردها و گزارش‌دهی
• 65. تحلیل سری‌های زمانی
• 66. مدل‌سازی پیش‌بینی‌کننده
• 67. تحلیل سبد بازار
• 68. آزمون A/B
• 69. مقدمه‌ای بر داده‌کاوی
• 70. قوانین وابستگی
• 71. شبکه‌های بیزی
• 72. مدل‌سازی پیشرفته یادگیری ماشین
• 73. یادگیری ضمنی (Reinforcement Learning)
• 74. یادگیری فعال (Active Learning)
• 75. یادگیری چند وظیفه‌ای (Multi-task Learning)
• 76. یادگیری فدرال (Federated Learning)
• 77. یادگیری توضیحی (Explainable AI - XAI)
• 78. تفسیرپذیری مدل‌های یادگیری عمیق
• 79. مقدمه‌ای بر مهندسی داده
• 80. خطوط لوله داده (Data Pipelines)
• 81. ابزارهای ETL/ELT
• 82. مدیریت فراداده
• 83. حاکمیت داده (Data Governance)
• 84. مدیریت چرخه عمر داده
• 85. امنیت و انطباق داده‌ها
• 86. معماری‌های داده مدرن
• 87. داده‌های ابری و سرویس‌های مرتبط
• 88. نرم‌افزارهای آماری پیشرفته
• 89. مباحث پیشرفته برنامه‌نویسی پایتون
• 90. کار با APIها
• 91. خودکارسازی وظایف
• 92. مقدمه‌ای بر یادگیری ماشین عملیاتی (MLOps)
• 93. استقرار مدل‌های یادگیری ماشین
• 94. نظارت بر مدل‌های یادگیری ماشین
• 95. به‌روزرسانی و بازآموزی مدل‌ها
• 96. ارزیابی و بهبود مستمر مدل‌ها
• 97. مدیریت پروژه در پروژه‌های علم داده