دوره علم داده: از مفاهیم اولیه تا پیاده‌سازی عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره علم داده: از مفاهیم اولیه تا پیاده‌سازی عملی

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: مبانی و کاربردهای علم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و اهمیت آن
• 2. تاریخچه علم داده و تکامل آن
• 3. نقش علم داده در دنیای امروز
• 4. مفاهیم کلیدی در علم داده
• 5. انواع داده‌ها و ساختارهای داده
• 6. جمع‌آوری و ذخیره‌سازی داده‌ها
• 7. پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی
• 8. شناسایی و مدیریت داده‌های گمشده
• 9. شناسایی و مدیریت داده‌های پرت
• 10. تبدیل و نرمال‌سازی داده‌ها
• 11. استخراج ویژگی (Feature Extraction)
• 12. انتخاب ویژگی (Feature Selection)
• 13. مبانی آمار برای علم داده
• 14. آمار توصیفی: میانگین، میانه، واریانس
• 15. نمودارهای آماری و تفسیر آن‌ها
• 16. احتمال و توزیع‌های احتمالی
• 17. مبانی احتمال شرطی و قضیه بیز
• 18. آمار استنباطی: تخمین و آزمون فرض
• 19. مبانی یادگیری ماشین
• 20. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 21. مدل‌های یادگیری نظارت‌شده: رگرسیون خطی
• 22. مدل‌های یادگیری نظارت‌شده: رگرسیون لجستیک
• 23. مدل‌های یادگیری نظارت‌شده: ماشین‌های بردار پشتیبان (SVM)
• 24. مدل‌های یادگیری نظارت‌شده: درختان تصمیم
• 25. مدل‌های یادگیری نظارت‌شده: جنگل‌های تصادفی
• 26. مدل‌های یادگیری نظارت‌شده: شبکه‌های عصبی مقدماتی
• 27. ارزیابی مدل‌های یادگیری نظارت‌شده: دقت، صحت، حساسیت
• 28. ارزیابی مدل‌های یادگیری نظارت‌شده: منحنی ROC و AUC
• 29. مدل‌های یادگیری بدون نظارت: خوشه‌بندی (Clustering)
• 30. الگوریتم K-Means برای خوشه‌بندی
• 31. خوشه‌بندی سلسله‌مراتبی
• 32. مبانی کاهش ابعاد
• 33. تحلیل مولفه‌های اصلی (PCA)
• 34. مبانی پردازش زبان طبیعی (NLP)
• 35. کاربرد NLP در علم داده
• 36. مبانی تحلیل احساسات
• 37. مبانی یادگیری عمیق (Deep Learning)
• 38. معماری شبکه‌های عصبی کانولوشنی (CNN)
• 39. معماری شبکه‌های عصبی بازگشتی (RNN)
• 40. کاربرد یادگیری عمیق در بینایی ماشین
• 41. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 42. مبانی کار با پایگاه داده‌ها
• 43. مبانی SQL برای علم داده
• 44. کار با داده‌های جدولی و ساختاریافته
• 45. مبانی کار با داده‌های غیرساختاریافته
• 46. اکتشاف و بصری‌سازی داده‌ها
• 47. ابزارهای بصری‌سازی داده‌ها: Matplotlib
• 48. ابزارهای بصری‌سازی داده‌ها: Seaborn
• 49. ابزارهای بصری‌سازی داده‌ها: Plotly
• 50. طراحی داشبوردهای داده‌ای
• 51. اصول طراحی بصری‌سازی مؤثر
• 52. مبانی کار با زبان برنامه‌نویسی پایتون
• 53. مبانی کتابخانه NumPy
• 54. مبانی کتابخانه Pandas
• 55. مبانی کتابخانه Scikit-learn
• 56. مبانی کار با ابزارهای تحلیل داده ابری
• 57. مبانی کار با داده‌های بزرگ (Big Data)
• 58. معرفی اکوسیستم Hadoop
• 59. مبانی Spark برای تحلیل داده‌های بزرگ
• 60. کاربرد علم داده در کسب‌وکار
• 61. تحلیل مشتری و رفتار مصرف‌کننده
• 62. پیش‌بینی فروش و تقاضا
• 63. مدیریت ریسک با علم داده
• 64. بهینه‌سازی فرآیندهای سازمانی
• 65. کاربرد علم داده در حوزه سلامت
• 66. تحلیل داده‌های پزشکی و بالینی
• 67. پیش‌بینی بیماری‌ها و عوامل خطر
• 68. کاربرد علم داده در حوزه مالی
• 69. تشخیص تقلب و پولشویی
• 70. مدل‌سازی ریسک اعتباری
• 71. کاربرد علم داده در حوزه دولتی
• 72. بهینه‌سازی خدمات عمومی
• 73. تحلیل داده‌های شهری
• 74. مبانی اخلاق در علم داده
• 75. حریم خصوصی داده‌ها و حفاظت از اطلاعات
• 76. سوگیری در الگوریتم‌ها و راه‌های مقابله
• 77. مسئولیت‌پذیری در علم داده
• 78. آینده علم داده و هوش مصنوعی
• 79. روندهای نوظهور در علم داده
• 80. نقش علم داده در توسعه پایدار
• 81. کاربرد علم داده در تحقیقات علمی
• 82. پروژه‌های عملی علم داده: حل مسئله
• 83. انتخاب مسئله مناسب برای پروژه
• 84. جمع‌آوری و آماده‌سازی داده‌های پروژه
• 85. انتخاب مدل و ارزیابی عملکرد
• 86. پیاده‌سازی و استقرار مدل
• 87. ارائه نتایج و گزارش‌دهی
• 88. مطالعات موردی موفق در علم داده
• 89. چالش‌های عملی در پروژه‌های علم داده
• 90. نکات پیشرفته در یادگیری ماشین
• 91. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 92. اعتبارسنجی متقابل (Cross-Validation)
• 93. مدیریت بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 94. مدیریت عدم‌توازن داده‌ها
• 95. مبانی شبکه های عصبی پیشرفته
• 96. مبانی پردازش تصویر با CNN
• 97. مبانی پردازش سیگنال با یادگیری عمیق
• 98. کاربرد علم داده در بهینه‌سازی
• 99. بهینه‌سازی زنجیره تامین
• 100. بهینه‌سازی منابع انرژی