دوره علم داده کاربردی برای متخصصان: از مبانی تا مدل‌سازی پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره علم داده کاربردی برای متخصصان: از مبانی تا مدل‌سازی پیشرفته

موضوع کلی: علوم کامپیوتر و مهندسی داده

موضوع میانی: هوش مصنوعی و تحلیل داده

📋 سرفصل‌های دوره

• 1. مبانی علم داده
• 2. مفاهیم پایه پایگاه داده
• 3. انواع داده و ساختارها
• 4. مقدمه‌ای بر زبان پایتون برای علم داده
• 5. نصب و پیکربندی محیط توسعه
• 6. کار با کتابخانه‌های NumPy و Pandas
• 7. پیش‌پردازش داده‌ها
• 8. پاکسازی داده‌ها
• 9. مدیریت داده‌های گمشده
• 10. تبدیل و نرمال‌سازی داده‌ها
• 11. مهندسی ویژگی
• 12. مقدمه‌ای بر بصری‌سازی داده‌ها
• 13. استفاده از Matplotlib و Seaborn
• 14. نمودارهای رایج و کاربردها
• 15. آمار توصیفی
• 16. مفاهیم احتمال
• 17. توزیع‌های آماری
• 18. آزمون فرض آماری
• 19. مقدمه‌ای بر یادگیری ماشین
• 20. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 21. رگرسیون خطی
• 22. رگرسیون لجستیک
• 23. درختان تصمیم
• 24. جنگل‌های تصادفی
• 25. ماشین بردار پشتیبان (SVM)
• 26. خوشه‌بندی (K-Means)
• 27. کاهش ابعاد (PCA)
• 28. ارزیابی مدل‌های یادگیری ماشین
• 29. معیارهای ارزیابی (دقت، صحت، بازیابی)
• 30. اعتبارسنجی متقابل (Cross-Validation)
• 31. تنظیم فراپارامترها (Hyperparameter Tuning)
• 32. مقدمه‌ای بر یادگیری عمیق
• 33. شبکه‌های عصبی مصنوعی
• 34. شبکه‌های عصبی کانولوشنال (CNN)
• 35. شبکه‌های عصبی بازگشتی (RNN)
• 36. کاربرد شبکه‌های عصبی در پردازش تصویر
• 37. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 38. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 39. توکن‌سازی و تحلیل واژگانی
• 40. مدل‌سازی موضوعی (Topic Modeling)
• 41. تحلیل احساسات (Sentiment Analysis)
• 42. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 43. فیلترینگ مبتنی بر محتوا
• 44. فیلترینگ مشارکتی
• 45. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 46. مقدمه‌ای بر کلان داده (Big Data)
• 47. مفاهیم Hadoop و Spark
• 48. کار با Apache Spark
• 49. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 50. کاربرد پایگاه‌های داده NoSQL
• 51. علم داده در عمل: مطالعه موردی
• 52. تحلیل رفتار مشتری
• 53. پیش‌بینی فروش
• 54. تشخیص تقلب
• 55. مدیریت ریسک
• 56. بهینه‌سازی فرآیندها
• 57. مقدمه‌ای بر اینترنت اشیا (IoT) و داده‌های آن
• 58. تحلیل داده‌های IoT
• 59. امنیت داده‌ها در علم داده
• 60. اخلاق در علم داده
• 61. مسئولیت‌پذیری در علم داده
• 62. حریم خصوصی داده‌ها
• 63. قوانین و مقررات داده‌ها در ایران
• 64. مقدمه‌ای بر هوش مصنوعی
• 65. کاربرد هوش مصنوعی در صنایع مختلف
• 66. پردازش تصویر با هوش مصنوعی
• 67. پردازش صدا با هوش مصنوعی
• 68. سیستم‌های خبره
• 69. رباتیک و هوش مصنوعی
• 70. مقدمه‌ای بر یادگیری تقویتی
• 71. الگوریتم‌های یادگیری تقویتی
• 72. کاربرد یادگیری تقویتی
• 73. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 74. کاربرد GNN در تحلیل شبکه‌ها
• 75. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 76. کاربرد یادگیری انتقالی
• 77. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 78. کاربرد یادگیری فدرال
• 79. استقرار مدل‌های علم داده (Deployment)
• 80. نظارت بر مدل‌ها (Model Monitoring)
• 81. مقدمه‌ای بر داده‌های سری زمانی (Time Series)
• 82. مدل‌سازی داده‌های سری زمانی
• 83. پیش‌بینی سری زمانی
• 84. مقدمه‌ای بر داده‌های مکانی (Spatial Data)
• 85. تحلیل داده‌های مکانی
• 86. کاربرد علم داده در حوزه سلامت
• 87. کاربرد علم داده در حوزه مالی
• 88. کاربرد علم داده در حوزه آموزش
• 89. کاربرد علم داده در حوزه کشاورزی
• 90. کاربرد علم داده در حوزه محیط زیست
• 91. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 92. تکنیک‌های کشف الگو در داده‌کاوی
• 93. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 94. تحلیل روابط در شبکه‌های اجتماعی
• 95. مقدمه‌ای بر داده‌های متنی (Text Data)
• 96. استخراج اطلاعات از متن
• 97. تحلیل پیشرفته متن
• 98. مقدمه‌ای بر داده‌های تصویری (Image Data)
• 99. استخراج ویژگی از تصاویر
• 100. تحلیل و طبقه‌بندی تصاویر