دوره ساخت نمودارهای پویا با پایتون برای تحلیل داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت نمودارهای پویا با پایتون برای تحلیل داده

موضوع کلی: علوم کامپیوتر و برنامه‌نویسی

موضوع میانی: توسعهٔ نرم‌افزار و ابزارهای برنامه‌نویسی

📋 سرفصل‌های دوره

• 1. مبانی تحلیل داده با پایتون
• 2. آشنایی با کتابخانه‌های تحلیل داده
• 3. نصب و پیکربندی محیط پایتون
• 4. مقدمه‌ای بر نمودارهای ایستا
• 5. اصول بصری‌سازی داده‌ها
• 6. انواع نمودارهای رایج
• 7. انتخاب نمودار مناسب
• 8. مفاهیم داده‌های سری زمانی
• 9. مقدمه‌ای بر انیمیشن در پایتون
• 10. کتابخانه‌های تولید انیمیشن
• 11. اصول طراحی انیمیشن‌های داده‌محور
• 12. اولین نمودار پویا با Matplotlib
• 13. ساخت انیمیشن با FuncAnimation
• 14. کنترل فریم‌ها و زمان‌بندی
• 15. تنظیمات پیشرفته Matplotlib
• 16. کار با داده‌های حجیم در انیمیشن
• 17. نمودارهای میله‌ای پویا
• 18. نمودارهای خطی پویا
• 19. نمودارهای پراکندگی پویا
• 20. نمودارهای ناحیه‌ای پویا
• 21. نمودارهای آماری پویا
• 22. انیمیشن‌های تعاملی
• 23. معرفی کتابخانه Seaborn
• 24. نمودارهای پیشرفته با Seaborn
• 25. تکنیک‌های سفارشی‌سازی نمودارها
• 26. استفاده از Plotly برای نمودارهای تعاملی
• 27. ساخت نمودارهای پویا با Plotly
• 28. انیمیشن‌های سه‌بعدی با Plotly
• 29. تنظیمات تعاملی Plotly
• 30. کار با داده‌های جغرافیایی
• 31. نمودارهای نقشه‌ای پویا
• 32. کار با JSON برای داده‌های جغرافیایی
• 33. معرفی کتابخانه Bokeh
• 34. ساخت نمودارهای تعاملی با Bokeh
• 35. مدل داده در Bokeh
• 36. ادغام Bokeh با وب
• 37. نمودارهای شمعی پویا
• 38. نمودارهای هیستوگرام پویا
• 39. نمودارهای جعبه‌ای پویا
• 40. نمودارهای ویولن پویا
• 41. نمودارهای منحنی تمرکز پویا
• 42. نمودارهای گانت پویا
• 43. نمودارهای جریان پویا
• 44. نمودارهای شبکه پویا
• 45. نمودارهای Sankey پویا
• 46. مدل‌سازی داده‌های پیچیده
• 47. تکنیک‌های پیش‌پردازش داده
• 48. پاکسازی داده‌های ناقص
• 49. مدیریت داده‌های پرت
• 50. مهندسی ویژگی
• 51. انتخاب ویژگی
• 52. تکنیک‌های کاهش ابعاد
• 53. تحلیل مولفه‌های اصلی (PCA)
• 54. تجزیه مقادیر منفرد (SVD)
• 55. یادگیری بدون نظارت
• 56. خوشه‌بندی داده‌ها
• 57. الگوریتم K-Means
• 58. خوشه‌بندی سلسله مراتبی
• 59. ارزیابی مدل‌های خوشه‌بندی
• 60. یادگیری با نظارت
• 61. طبقه‌بندی داده‌ها
• 62. رگرسیون خطی
• 63. رگرسیون لجستیک
• 64. ماشین‌های بردار پشتیبان (SVM)
• 65. درخت‌های تصمیم
• 66. جنگل‌های تصادفی
• 67. شبکه‌های عصبی مصنوعی
• 68. مقدمه‌ای بر یادگیری عمیق
• 69. شبکه‌های عصبی کانولوشنی (CNN)
• 70. شبکه‌های عصبی بازگشتی (RNN)
• 71. کاربرد مدل‌ها در تحلیل داده
• 72. ارزیابی مدل‌های پیش‌بینی
• 73. اعتبارسنجی متقابل
• 74. معیارهای ارزیابی مدل
• 75. بهینه‌سازی هایپرپارامترها
• 76. تنظیم مدل‌ها برای عملکرد بهتر
• 77. مقدمه‌ای بر دیپلوی مدل
• 78. ذخیره‌سازی و بارگذاری مدل‌ها
• 79. ساخت API برای مدل‌ها
• 80. استفاده از Flask برای ساخت API
• 81. استفاده از FastAPI برای ساخت API
• 82. استقرار مدل‌ها در محیط واقعی
• 83. پایش عملکرد مدل‌ها
• 84. به‌روزرسانی مدل‌ها
• 85. اخلاق در علم داده
• 86. حریم خصوصی داده‌ها
• 87. امنیت داده‌ها
• 88. کاربرد پایتون در هوش تجاری
• 89. ساخت داشبوردهای پویا
• 90. اصول طراحی داشبورد
• 91. نمونه‌های عملی داشبورد
• 92. کاربرد در حوزه‌های مختلف
• 93. تحلیل داده‌های مالی
• 94. تحلیل داده‌های بازاریابی
• 95. تحلیل داده‌های سلامت
• 96. تحلیل داده‌های شبکه‌های اجتماعی
• 97. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 98. کاربرد NLP در تحلیل متن
• 99. مقدمه‌ای بر یادگیری تقویتی
• 100. نمونه‌های عملی یادگیری تقویتی