دوره اصول و روش‌های علم داده در عمل همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول و روش‌های علم داده در عمل

موضوع کلی: علوم و مهندسی داده

موضوع میانی: مبانی و تکنیک‌های علم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده
• 2. تاریخچه علم داده
• 3. نقش علم داده در دنیای امروز
• 4. داده چیست؟ انواع داده‌ها
• 5. منابع داده و چگونگی جمع‌آوری آن‌ها
• 6. کیفیت داده و اهمیت آن
• 7. پاکسازی داده‌های کثیف
• 8. پیش‌پردازش داده‌ها
• 9. استخراج ویژگی
• 10. انتخاب ویژگی
• 11. کاهش ابعاد داده‌ها
• 12. تحلیل اکتشافی داده‌ها
• 13. تجسم داده‌ها
• 14. نمودارهای پایه برای داده‌های عددی
• 15. نمودارهای پایه برای داده‌های دسته‌ای
• 16. مقدمه‌ای بر یادگیری ماشین
• 17. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 18. یادگیری نظارت شده: رگرسیون
• 19. رگرسیون خطی ساده
• 20. رگرسیون خطی چندگانه
• 21. ارزیابی مدل‌های رگرسیون
• 22. یادگیری نظارت شده: طبقه‌بندی
• 23. رگرسیون لجستیک
• 24. درختان تصمیم
• 25. جنگل‌های تصادفی
• 26. ماشین‌های بردار پشتیبان (SVM)
• 27. ارزیابی مدل‌های طبقه‌بندی
• 28. متریک‌های ارزیابی طبقه‌بندی: دقت، صحت، بازیابی، امتیاز F1
• 29. مقدمه‌ای بر یادگیری بدون نظارت
• 30. خوشه‌بندی
• 31. الگوریتم K-Means
• 32. خوشه‌بندی سلسله مراتبی
• 33. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 34. کاهش ابعاد: تحلیل تشخیص عامل (Factor Analysis)
• 35. شبکه‌های عصبی مقدماتی
• 36. مقدمه‌ای بر یادگیری عمیق
• 37. شبکه‌های عصبی کانولوشنی (CNN)
• 38. شبکه‌های عصبی بازگشتی (RNN)
• 39. کاربرد شبکه‌های عصبی در پردازش تصویر
• 40. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 41. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 42. توکن‌سازی و پاکسازی متن
• 43. بازنمایی متنی: Bag-of-Words
• 44. بازنمایی متنی: TF-IDF
• 45. کلمات و جملات جاسازی شده (Embeddings)
• 46. تحلیل احساسات
• 47. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 48. فیلترینگ مشارکتی
• 49. فیلترینگ مبتنی بر محتوا
• 50. سیستم‌های توصیه‌گر ترکیبی
• 51. مقدمه‌ای بر داده‌های کلان (Big Data)
• 52. معماری‌های کلان داده: Hadoop
• 53. اکوسیستم Hadoop: HDFS, MapReduce
• 54. Spark و پردازش سریع کلان داده
• 55. پایگاه‌های داده NoSQL
• 56. کاربرد علم داده در کسب و کار
• 57. علم داده در مالی و بانکداری (بدون ربا)
• 58. علم داده در بازاریابی و فروش
• 59. علم داده در بهداشت و درمان
• 60. علم داده در صنعت و تولید
• 61. علم داده در حمل و نقل
• 62. علم داده در کشاورزی
• 63. اخلاق در علم داده
• 64. حریم خصوصی داده‌ها
• 65. امنیت داده‌ها
• 66. سوگیری در الگوریتم‌ها و راهکارهای آن
• 67. مسئولیت‌پذیری در علم داده
• 68. مقدمه‌ای بر مهندسی داده
• 69. چرخه حیات پروژه علم داده
• 70. مدل‌سازی پیش‌بینانه
• 71. تحلیل سری‌های زمانی
• 72. پیش‌بینی تقاضا
• 73. تحلیل شبکه‌های اجتماعی
• 74. تجسم داده‌های پیشرفته
• 75. داشبوردهای تعاملی
• 76. مقدمه‌ای بر یادگیری تقویتی (با چارچوب علمی)
• 77. کاربردهای عملی یادگیری تقویتی (با چارچوب علمی)
• 78. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 79. کاربرد یادگیری انتقالی در مسائل مختلف
• 80. نکات پیشرفته در پاکسازی داده‌ها
• 81. تکنیک‌های پیشرفته استخراج ویژگی
• 82. روش‌های نوین کاهش ابعاد
• 83. ارزیابی و انتخاب مدل‌های پیچیده
• 84. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 85. اعتبارسنجی متقابل (Cross-Validation)
• 86. روش‌های تشخیص و مدیریت داده‌های پرت
• 87. مقدمه‌ای بر یادگیری افزایشی (Incremental Learning)
• 88. کاربرد علم داده در پیش‌بینی حوادث غیرمترقبه
• 89. علم داده در بهبود فرآیندهای اداری (با چارچوب قوانین)
• 90. علم داده در بهینه‌سازی مصرف انرژی
• 91. علم داده در مدیریت منابع آب
• 92. علم داده در حوزه آموزش و پرورش
• 93. علم داده در پایش سلامت عمومی
• 94. علم داده در حوزه مدیریت شهری
• 95. علم داده در پژوهش‌های علمی
• 96. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
• 97. کاربرد هوش مصنوعی مولد در تولید محتوا (با رعایت چارچوب)
• 98. مبانی حقوقی و شرعی در استفاده از داده‌ها
• 99. ملاحظات امنیتی در پیاده‌سازی سیستم‌های داده
• 100. آینده علم داده و روندهای نوین