دوره مقدمه‌ای بر تحلیل داده با پایتون: از مفاهیم پایه تا کاربردهای عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر تحلیل داده با پایتون: از مفاهیم پایه تا کاربردهای عملی

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: تحلیل داده با پایتون

📋 سرفصل‌های دوره

• 1. مبانی علوم کامپیوتر و پایتون
• 2. نصب و راه‌اندازی پایتون برای تحلیل داده
• 3. آشنایی با محیط‌های توسعه پایتون (IDE)
• 4. ساختار داده‌های اساسی در پایتون (لیست، تاپل، دیکشنری)
• 5. عملگرها و عبارات در پایتون
• 6. ساختارهای کنترلی (شرطی و حلقه‌ها)
• 7. توابع و ماژول‌ها در پایتون
• 8. کار با رشته‌ها و عبارات باقاعده
• 9. مقدمه‌ای بر کتابخانه‌های علمی پایتون
• 10. آشنایی با NumPy برای محاسبات عددی
• 11. آرایه‌های NumPy و عملیات بر روی آن‌ها
• 12. ایندکس‌گذاری و برش در آرایه‌های NumPy
• 13. عملیات ریاضی و آماری با NumPy
• 14. کار با داده‌های چندبعدی در NumPy
• 15. مقدمه‌ای بر کتابخانه Pandas
• 16. ساختار داده DataFrame در Pandas
• 17. ساختار داده Series در Pandas
• 18. بارگذاری و ذخیره‌سازی داده‌ها (CSV, Excel)
• 19. تمیز کردن و آماده‌سازی داده‌ها
• 20. مدیریت داده‌های گمشده (Missing Data)
• 21. تغییر شکل و پیوستن DataFrameها
• 22. گروه‌بندی و تجمیع داده‌ها (GroupBy)
• 23. عملیات آماری و خلاصه‌سازی داده‌ها
• 24. کار با داده‌های زمانی (Time Series)
• 25. مقدمه‌ای بر مصورسازی داده‌ها
• 26. کتابخانه Matplotlib برای رسم نمودار
• 27. رسم نمودارهای خطی و پراکندگی
• 28. رسم نمودارهای میله‌ای و هیستوگرام
• 29. رسم نمودارهای دایره‌ای و جعبه‌ای
• 30. سفارشی‌سازی نمودارها در Matplotlib
• 31. کتابخانه Seaborn برای مصورسازی آماری
• 32. مصورسازی داده‌های توزیع‌شده
• 33. مصورسازی روابط بین متغیرها
• 34. مصورسازی داده‌های دسته‌بندی‌شده
• 35. مصورسازی داده‌های سری زمانی
• 36. مقدمه‌ای بر یادگیری ماشین
• 37. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت)
• 38. مراحل کلی در پروژه‌های یادگیری ماشین
• 39. پیش‌پردازش داده‌ها برای مدل‌سازی
• 40. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 41. مقدمه‌ای بر مدل‌های رگرسیون خطی
• 42. تنظیم مدل رگرسیون خطی
• 43. ارزیابی مدل‌های رگرسیون
• 44. مقدمه‌ای بر مدل‌های طبقه‌بندی
• 45. رگرسیون لجستیک
• 46. طبقه‌بندی‌کننده K-نزدیک‌ترین همسایه (KNN)
• 47. ماشین بردار پشتیبان (SVM)
• 48. درخت تصمیم
• 49. جنگل تصادفی (Random Forest)
• 50. ارزیابی مدل‌های طبقه‌بندی (دقت، صحت، بازخوانی)
• 51. ماتریس درهم‌ریختگی (Confusion Matrix)
• 52. منحنی ROC و سطح زیر منحنی (AUC)
• 53. مقدمه‌ای بر یادگیری بدون نظارت
• 54. خوشه‌بندی K-Means
• 55. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 56. کاربرد PCA در مصورسازی داده‌ها
• 57. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 58. پیش‌پردازش متن (توکن‌سازی، حذف کلمات توقف)
• 59. نمایش متنی به صورت برداری (Bag-of-Words, TF-IDF)
• 60. تحلیل احساسات (Sentiment Analysis)
• 61. استفاده از کتابخانه‌های NLP در پایتون
• 62. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 63. نمایش گراف داده‌ها
• 64. تحلیل گره‌ها و روابط در گراف
• 65. کاربرد تحلیل شبکه در شناسایی الگوها
• 66. مقدمه‌ای بر داده‌کاوی
• 67. تکنیک‌های کشف قوانین وابستگی (Association Rules)
• 68. الگوریتم Apriori
• 69. کاربرد قوانین وابستگی در تحلیل سبد خرید
• 70. مقدمه‌ای بر تحلیل داده‌های سری زمانی
• 71. شناسایی روند و فصلی بودن در داده‌ها
• 72. مدل‌های پیش‌بینی سری زمانی (ARIMA)
• 73. ارزیابی مدل‌های پیش‌بینی سری زمانی
• 74. مقدمه‌ای بر ابزارهای پیشرفته تحلیل داده
• 75. کار با پایگاه‌های داده رابطه‌ای (SQL)
• 76. استفاده از SQLAlchemy در پایتون
• 77. مقدمه‌ای بر مفاهیم Big Data
• 78. آشنایی با مفاهیم Spark و Hadoop
• 79. کاربرد پایتون در اکوسیستم Big Data
• 80. اخلاق در تحلیل داده و حریم خصوصی
• 81. مسئولیت‌های تحلیلگر داده
• 82. ملاحظات اخلاقی در جمع‌آوری و استفاده از داده
• 83. مصورسازی داده‌های تعاملی
• 84. مقدمه‌ای بر Dash و Plotly
• 85. ساخت داشبوردهای تحلیلی
• 86. استقرار مدل‌های تحلیل داده
• 87. مقدمه‌ای بر بهترین شیوه‌ها در تحلیل داده
• 88. مدیریت پروژه تحلیل داده
• 89. ارتباطات در تیم تحلیل داده
• 90. آینده تحلیل داده و روندهای نوظهور
• 91. مطالعات موردی در تحلیل داده (صنعتی، مالی، پزشکی)
• 92. کاربرد تحلیل داده در بهینه‌سازی فرآیندها
• 93. کاربرد تحلیل داده در تصمیم‌گیری استراتژیک
• 94. جمع‌بندی مباحث و گام‌های بعدی در یادگیری