دوره مهندسی داده و تحلیل پیشرفته برای پروژه‌های کاربردی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی داده و تحلیل پیشرفته برای پروژه‌های کاربردی

موضوع کلی: علوم و مهندسی داده

موضوع میانی: کاربردهای علم داده در پروژه‌های عملی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و مهندسی داده
• 2. مبانی تحلیل داده‌های بزرگ
• 3. جمع‌آوری و پاکسازی داده‌ها
• 4. پیش‌پردازش و مهندسی ویژگی
• 5. مدل‌سازی پیش‌بینانه در علم داده
• 6. یادگیری ماشین نظارت شده: رگرسیون
• 7. یادگیری ماشین نظارت شده: طبقه‌بندی
• 8. ارزیابی مدل‌های یادگیری ماشین
• 9. مدل‌های یادگیری عمیق برای تحلیل داده
• 10. شبکه‌های عصبی کانولوشنی
• 11. شبکه‌های عصبی بازگشتی
• 12. پردازش زبان طبیعی (NLP)
• 13. مدل‌های زبانی و کاربردهای آن‌ها
• 14. تحلیل داده‌های متنی
• 15. استخراج اطلاعات از متن
• 16. یادگیری ماشین بدون نظارت: خوشه‌بندی
• 17. یادگیری ماشین بدون نظارت: کاهش ابعاد
• 18. سیستم‌های توصیه‌گر
• 19. طراحی سیستم‌های توصیه‌گر
• 20. ارزیابی سیستم‌های توصیه‌گر
• 21. تحلیل سری‌های زمانی
• 22. مدل‌سازی پیش‌بینی سری‌های زمانی
• 23. کاربرد تحلیل سری‌های زمانی در مالی
• 24. کاربرد تحلیل سری‌های زمانی در صنعت
• 25. شبکه‌های عصبی در تحلیل سری‌های زمانی
• 26. یادگیری تقویتی و کاربردهای آن
• 27. مبانی یادگیری تقویتی
• 28. الگوریتم‌های یادگیری تقویتی
• 29. کاربرد یادگیری تقویتی در رباتیک
• 30. کاربرد یادگیری تقویتی در بهینه‌سازی
• 31. علم داده در حوزه سلامت
• 32. تحلیل داده‌های پزشکی
• 33. تشخیص بیماری با یادگیری ماشین
• 34. مدل‌سازی پیش‌بینی در سلامت
• 35. علم داده در حوزه مالی
• 36. تحلیل ریسک اعتباری
• 37. مدیریت پرتفوی با علم داده
• 38. شناسایی تقلب مالی
• 39. علم داده در حوزه بازاریابی
• 40. تحلیل رفتار مشتری
• 41. شخصی‌سازی تجربه‌ی مشتری
• 42. پیش‌بینی ریزش مشتری
• 43. علم داده در حوزه تولید
• 44. بهینه‌سازی فرآیندهای تولید
• 45. نگهداری پیش‌بینانه تجهیزات
• 46. کنترل کیفیت با علم داده
• 47. علم داده در حوزه انرژی
• 48. بهینه‌سازی مصرف انرژی
• 49. پیش‌بینی تقاضای انرژی
• 50. مدیریت شبکه‌های هوشمند
• 51. علم داده در حوزه حمل و نقل
• 52. بهینه‌سازی ترافیک شهری
• 53. مدیریت ناوگان حمل و نقل
• 54. پیش‌بینی نیاز به حمل و نقل
• 55. علم داده در حوزه آموزش
• 56. شخصی‌سازی یادگیری
• 57. پیش‌بینی موفقیت تحصیلی
• 58. تحلیل داده‌های آموزشی
• 59. اخلاق در علم داده
• 60. حریم خصوصی داده‌ها
• 61. سوگیری در مدل‌های یادگیری ماشین
• 62. مسئولیت‌پذیری در علم داده
• 63. امنیت داده‌ها در پروژه‌ها
• 64. مبانی داده‌کاوی
• 65. تکنیک‌های داده‌کاوی
• 66. قواعد وابستگی و کاربردهای آن
• 67. قواعد وابستگی در خرده‌فروشی
• 68. تجزیه و تحلیل سبد خرید
• 69. مدل‌سازی پیش‌بینانه در داده‌کاوی
• 70. پیش‌بینی رفتار کاربران وب
• 71. تحلیل احساسات در شبکه‌های اجتماعی
• 72. شناسایی الگوهای پنهان در داده‌ها
• 73. تصویرسازی داده‌ها برای فهم بهتر
• 74. ابزارهای بصری‌سازی داده‌ها
• 75. انواع نمودارها و کاربردهای آن‌ها
• 76. ساخت داشبوردهای تعاملی
• 77. کاربرد داشبوردها در تصمیم‌گیری
• 78. مبانی مهندسی داده
• 79. معماری‌های داده مدرن
• 80. انباره‌های داده (Data Warehousing)
• 81. دریاچه‌های داده (Data Lakes)
• 82. پایپ‌لاین‌های داده (Data Pipelines)
• 83. ابزارهای پردازش داده توزیع شده
• 84. Apache Spark برای تحلیل کلان داده
• 85. Apache Kafka برای جریان داده
• 86. مدیریت کلان داده با Hadoop
• 87. پایگاه‌های داده NoSQL
• 88. پایگاه‌های داده گراف (Graph Databases)
• 89. کاربرد پایگاه‌های داده گراف در شبکه‌های اجتماعی
• 90. کاربرد پایگاه‌های داده گراف در توصیه‌گرها
• 91. مهندسی ویژگی در پروژه‌های عملی
• 92. انتخاب ویژگی‌های مرتبط
• 93. ساخت ویژگی‌های جدید
• 94. انتخاب مدل مناسب برای هر مسئله
• 95. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 96. اعتبارسنجی متقابل (Cross-Validation)
• 97. روش‌های پیشرفته اعتبارسنجی
• 98. تفسیرپذیری مدل‌های یادگیری ماشین (XAI)
• 99. تکنیک‌های توضیح‌پذیری مدل‌ها
• 100. کاربرد XAI در حوزه‌های حساس