دوره علم داده با پایتون: از مبانی تا کاربردهای پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره علم داده با پایتون: از مبانی تا کاربردهای پیشرفته

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: تحلیل داده و یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

• 1. مبانی علم داده و پایتون
• 2. نصب و راه‌اندازی محیط توسعه پایتون
• 3. ساختار داده‌های بنیادی در پایتون
• 4. آشنایی با کتابخانه NumPy برای محاسبات عددی
• 5. عملیات برداری در NumPy
• 6. آرایه‌های چندبعدی و عملیات روی آن‌ها
• 7. مبانی کتابخانه Pandas برای تحلیل داده
• 8. ساختار داده DataFrame در Pandas
• 9. عملیات پایه‌ای با DataFrame
• 10. فیلتر کردن و انتخاب داده‌ها در Pandas
• 11. مرتب‌سازی و گروه‌بندی داده‌ها
• 12. ادغام و پیوستن DataFrame ها
• 13. مدیریت داده‌های گم‌شده و پرت
• 14. مصورسازی داده‌ها با Matplotlib
• 15. نمودارهای خطی و پراکندگی
• 16. نمودارهای میله‌ای و هیستوگرام
• 17. نمودارهای جعبه‌ای و نمودارهای دایره‌ای
• 18. مبانی یادگیری ماشین
• 19. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 20. مراحل کلی در پروژه‌های یادگیری ماشین
• 21. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 22. مقیاس‌بندی و نرمال‌سازی ویژگی‌ها
• 23. کدگذاری متغیرهای دسته‌ای
• 24. انتخاب ویژگی و مهندسی ویژگی
• 25. مبانی الگوریتم‌های یادگیری نظارت‌شده
• 26. رگرسیون خطی ساده و چندگانه
• 27. ارزیابی مدل‌های رگرسیون
• 28. دسته‌بندی‌کننده K-نزدیک‌ترین همسایه (KNN)
• 29. دسته‌بندی‌کننده Naive Bayes
• 30. درخت‌های تصمیم برای رگرسیون و دسته‌بندی
• 31. دسته‌بندی‌کننده ماشین بردار پشتیبان (SVM)
• 32. مبانی الگوریتم‌های یادگیری بدون نظارت
• 33. خوشه‌بندی K-Means
• 34. ارزیابی نتایج خوشه‌بندی
• 35. تحلیل مؤلفه‌های اصلی (PCA) برای کاهش ابعاد
• 36. مبانی شبکه‌های عصبی و یادگیری عمیق
• 37. ساختار یک شبکه عصبی ساده
• 38. توابع فعال‌سازی در شبکه‌های عصبی
• 39. پس‌انتشار خطا (Backpropagation)
• 40. مقدمه‌ای بر کتابخانه Scikit-learn
• 41. پیاده‌سازی رگرسیون خطی با Scikit-learn
• 42. پیاده‌سازی KNN با Scikit-learn
• 43. پیاده‌سازی Naive Bayes با Scikit-learn
• 44. پیاده‌سازی درخت تصمیم با Scikit-learn
• 45. پیاده‌سازی SVM با Scikit-learn
• 46. پیاده‌سازی K-Means با Scikit-learn
• 47. پیاده‌سازی PCA با Scikit-learn
• 48. تنظیم ابرپارامترها و اعتبارسنجی متقابل
• 49. عیب‌یابی و بهبود مدل‌ها
• 50. بایاس و واریانس در یادگیری ماشین
• 51. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 52. تکنیک‌های تنظیم‌کننده (Regularization)
• 53. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 54. تحلیل احساسات متنی
• 55. مدل‌سازی موضوعی (Topic Modeling)
• 56. مقدمه‌ای بر سری‌های زمانی
• 57. پیش‌بینی سری‌های زمانی
• 58. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 59. فیلترسازی مشارکتی
• 60. مقدمه‌ای بر یادگیری تقویتی
• 61. مفاهیم عامل، محیط، پاداش
• 62. شبکه‌های عصبی کانولوشنال (CNN)
• 63. کاربرد CNN در بینایی ماشین
• 64. شبکه‌های عصبی بازگشتی (RNN)
• 65. کاربرد RNN در پردازش توالی
• 66. استفاده از TensorFlow و Keras
• 67. ساخت مدل‌های یادگیری عمیق با Keras
• 68. آموزش و ارزیابی مدل‌های یادگیری عمیق
• 69. کاربردهای پیشرفته علم داده
• 70. علم داده در حوزه سلامت
• 71. علم داده در حوزه مالی
• 72. علم داده در حوزه بازاریابی
• 73. علم داده در حوزه تولید
• 74. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 75. مفاهیم MapReduce و Hadoop
• 76. کاربرد Spark در تحلیل داده‌های بزرگ
• 77. اخلاق در علم داده و هوش مصنوعی
• 78. حفظ حریم خصوصی در تحلیل داده
• 79. سوگیری در الگوریتم‌های یادگیری ماشین
• 80. مسئولیت‌پذیری در سیستم‌های هوشمند
• 81. مقدمه‌ای بر هوش مصنوعی قابل توضیح (XAI)
• 82. تفسیرپذیری مدل‌های یادگیری ماشین
• 83. کاربرد علم داده در اتوماسیون
• 84. اتوماسیون فرآیندهای کسب‌وکار
• 85. مقدمه‌ای بر داده‌کاوی
• 86. تکنیک‌های کشف دانش در پایگاه داده
• 87. ارزیابی و اعتبارسنجی مدل‌های علم داده
• 88. شاخص‌های ارزیابی مدل‌های دسته‌بندی
• 89. شاخص‌های ارزیابی مدل‌های رگرسیون
• 90. بهینه‌سازی مدل‌های یادگیری ماشین
• 91. استراتژی‌های انتخاب مدل مناسب
• 92. پیاده‌سازی پروژه‌های علم داده واقعی
• 93. تحلیل داده‌های مشتریان
• 94. پیش‌بینی تقاضا
• 95. شناسایی تقلب
• 96. کاربرد شبکه‌های عصبی در پردازش تصویر
• 97. تشخیص اشیاء در تصاویر
• 98. علم داده و اینترنت اشیا (IoT)
• 99. تحلیل داده‌های سنسورها
• 100. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-task Learning)