دوره مبانی علم داده و تحلیل داده برای مبتدیان همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی علم داده و تحلیل داده برای مبتدیان

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: علم داده و تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده
• 2. مفهوم داده و انواع آن
• 3. منابع داده و چگونگی جمع‌آوری
• 4. پاکسازی و پیش‌پردازش داده‌ها
• 5. اهمیت کیفیت داده
• 6. مبانی آمار توصیفی
• 7. میانگین، میانه و نما
• 8. انحراف معیار و واریانس
• 9. توزیع‌های آماری رایج
• 10. نمودارها برای نمایش داده‌ها
• 11. نمودارهای میله‌ای و خطی
• 12. نمودارهای پراکندگی و هیستوگرام
• 13. تحلیل اکتشافی داده (EDA)
• 14. شناسایی الگوها و روندها
• 15. شناسایی داده‌های پرت (Outliers)
• 16. تجسم داده (Data Visualization)
• 17. ابزارهای تجسم داده
• 18. اصول طراحی تجسم مؤثر
• 19. کاربرد تجسم در تصمیم‌گیری
• 20. مقدمه‌ای بر پایگاه‌های داده
• 21. انواع پایگاه‌های داده رابطه‌ای (SQL)
• 22. مبانی SQL
• 23. جستجو و فیلتر کردن داده‌ها
• 24. مرتب‌سازی و گروه‌بندی داده‌ها
• 25. توابع تجمیعی در SQL
• 26. مقدمه‌ای بر پایگاه‌های داده غیررابطه‌ای (NoSQL)
• 27. انواع پایگاه‌های داده NoSQL
• 28. کاربرد پایگاه‌های داده NoSQL
• 29. مبانی یادگیری ماشین
• 30. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 31. یادگیری نظارت شده: رگرسیون
• 32. یادگیری نظارت شده: طبقه‌بندی
• 33. ارزیابی مدل‌های یادگیری ماشین
• 34. معیارهای ارزیابی رگرسیون
• 35. معیارهای ارزیابی طبقه‌بندی
• 36. یادگیری بدون نظارت: خوشه‌بندی
• 37. الگوریتم K-Means
• 38. یادگیری بدون نظارت: کاهش ابعاد
• 39. تحلیل مولفه‌های اصلی (PCA)
• 40. مقدمه‌ای بر تحلیل سری‌های زمانی
• 41. مفهوم سری زمانی
• 42. شناسایی روند و فصلیت
• 43. مدل‌های ساده سری زمانی
• 44. پیش‌بینی با استفاده از مدل‌های سری زمانی
• 45. مقدمه‌ای بر تحلیل داده‌های متنی
• 46. پیش‌پردازش متن (توکنیزاسیون، حذف کلمات توقف)
• 47. نمایش متنی (Bag-of-Words, TF-IDF)
• 48. تحلیل احساسات
• 49. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 50. مفاهیم گراف و گره
• 51. شاخص‌های مرکزیت در شبکه‌ها
• 52. شناسایی جوامع در شبکه‌ها
• 53. کاربرد تحلیل شبکه‌های اجتماعی
• 54. مقدمه‌ای بر علم داده در کسب‌وکار
• 55. نقش علم داده در تصمیم‌گیری تجاری
• 56. تحلیل مشتری و بخش‌بندی بازار
• 57. پیش‌بینی فروش و تقاضا
• 58. مدیریت ریسک با علم داده
• 59. بهینه‌سازی فرآیندهای تجاری
• 60. مقدمه‌ای بر ابزارهای علم داده
• 61. معرفی زبان پایتون برای علم داده
• 62. کتابخانه NumPy
• 63. کتابخانه Pandas
• 64. کتابخانه Matplotlib
• 65. کتابخانه Seaborn
• 66. مقدمه‌ای بر ابزارهای BI (هوش تجاری)
• 67. مفهوم داشبورد و گزارش‌گیری
• 68. کاربرد ابزارهای BI در تحلیل داده
• 69. مقدمه‌ای بر اخلاق در علم داده
• 70. حریم خصوصی داده‌ها
• 71. امنیت داده‌ها
• 72. سوگیری در الگوریتم‌ها
• 73. مسئولیت‌پذیری در علم داده
• 74. ملاحظات قانونی و شرعی در تحلیل داده
• 75. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 76. شبکه‌های عصبی مصنوعی
• 77. کاربرد یادگیری عمیق در پردازش تصویر
• 78. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 79. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 80. مفهوم داده‌های حجیم
• 81. معماری‌های داده‌های بزرگ (Hadoop, Spark)
• 82. کاربرد داده‌های بزرگ در صنایع مختلف
• 83. مباحث پیشرفته در پاکسازی داده
• 84. تکنیک‌های پیشرفته تجسم داده
• 85. تحلیل اکتشافی داده‌های پیچیده
• 86. مقدمه‌ای بر مدل‌های پیشرفته یادگیری ماشین
• 87. مدل‌های مبتنی بر درخت (Random Forest, Gradient Boosting)
• 88. ماشین‌های بردار پشتیبان (SVM)
• 89. شبکه‌های عصبی کانولوشنی (CNN)
• 90. شبکه‌های عصبی بازگشتی (RNN)
• 91. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 92. اهمیت مهندسی ویژگی
• 93. تکنیک‌های ساخت ویژگی‌های جدید
• 94. ارزیابی و انتخاب ویژگی
• 95. مقدمه‌ای بر طراحی آزمایش (Experimental Design)
• 96. طراحی A/B تست
• 97. تحلیل نتایج آزمایش‌ها
• 98. کاربرد علم داده در حوزه سلامت
• 99. کاربرد علم داده در حوزه مالی
• 100. کاربرد علم داده در حوزه حمل‌ونقل