دوره مبانی ریاضی و روش‌های آماری در تحلیل داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی ریاضی و روش‌های آماری در تحلیل داده

موضوع کلی: علوم کامپیوتر و مهندسی

موضوع میانی: روش‌های کمی در تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه ای بر روش های کمی در تحلیل داده
• 2. مجموعه ها و روابط در علوم کامپیوتر
• 3. مبانی منطق ریاضی و کاربردهای آن
• 4. مقدمه ای بر جبر خطی و نمایش داده ها
• 5. فضاهای برداری و زیرفضاها
• 6. تبدیلات خطی و ماتریس ها
• 7. مقادیر ویژه و بردارهای ویژه
• 8. مقدمه ای بر حساب دیفرانسیل و انتگرال
• 9. مشتق و کاربردهای آن در بهینه سازی
• 10. انتگرال و محاسبه مساحت
• 11. حساب چند متغیره و گرادیان
• 12. سری های تیلور و تقریب توابع
• 13. مقدمه ای بر آمار و احتمالات
• 14. مفاهیم پایه ای احتمال
• 15. متغیرهای تصادفی گسسته و پیوسته
• 16. توزیع های احتمالی مهم
• 17. امید ریاضی و واریانس
• 18. قضیه حد مرکزی
• 19. مقدمه ای بر استنباط آماری
• 20. برآورد پارامترها
• 21. بازه های اطمینان
• 22. آزمون فرض آماری
• 23. مقدمه ای بر رگرسیون خطی
• 24. مدل رگرسیون خطی ساده
• 25. برآورد پارامترها در رگرسیون خطی
• 26. ارزیابی مدل رگرسیون خطی
• 27. مقدمه ای بر رگرسیون چندگانه
• 28. مدل رگرسیون چندگانه
• 29. انتخاب متغیر در رگرسیون
• 30. مقدمه ای بر تحلیل سری های زمانی
• 31. مفاهیم پایه ای سری های زمانی
• 32. مدل های ARIMA
• 33. پیش بینی با استفاده از سری های زمانی
• 34. مقدمه ای بر تحلیل داده های طبقه بندی شده
• 35. روش های طبقه بندی
• 36. مقدمه ای بر درختان تصمیم
• 37. الگوریتم های درخت تصمیم
• 38. ارزیابی مدل های طبقه بندی
• 39. مقدمه ای بر ماشین های بردار پشتیبان (SVM)
• 40. هسته ها در SVM
• 41. مقدمه ای بر شبکه های عصبی مصنوعی
• 42. توابع فعال سازی
• 43. پس انتشار خطا
• 44. مقدمه ای بر یادگیری عمیق
• 45. شبکه های عصبی کانولوشنال (CNN)
• 46. شبکه های عصبی بازگشتی (RNN)
• 47. مقدمه ای بر روش های خوشه بندی
• 48. الگوریتم K-Means
• 49. خوشه بندی سلسله مراتبی
• 50. ارزیابی روش های خوشه بندی
• 51. مقدمه ای بر کاهش ابعاد
• 52. تحلیل مؤلفه های اصلی (PCA)
• 53. تجزیه مقادیر منفرد (SVD)
• 54. مقدمه ای بر پردازش زبان طبیعی
• 55. نمایش متنی داده ها
• 56. مدل های زبانی
• 57. مقدمه ای بر تحلیل شبکه های اجتماعی
• 58. نمایش گراف داده ها
• 59. شاخص های مرکزی در شبکه ها
• 60. مقدمه ای بر یادگیری تقویتی
• 61. فرایند مارکوف
• 62. الگوریتم Q-Learning
• 63. مقدمه ای بر تحلیل داده های حجیم
• 64. فناوری های پردازش داده های حجیم
• 65. مقدمه ای بر اخلاق در تحلیل داده
• 66. حفظ حریم خصوصی داده ها
• 67. سوگیری در الگوریتم ها
• 68. مقدمه ای بر تحلیل داده های مکانی
• 69. مفاهیم پایه ای تحلیل مکانی
• 70. مدل های رگرسیون مکانی
• 71. مقدمه ای بر تحلیل داده های تصویری
• 72. پردازش اولیه تصاویر
• 73. استخراج ویژگی از تصاویر
• 74. مقدمه ای بر تحلیل داده های صوتی
• 75. پردازش سیگنال صوتی
• 76. استخراج ویژگی از صدا
• 77. مقدمه ای بر تحلیل داده های زمانی-مکانی
• 78. مدل های ترکیبی
• 79. کاربردهای تحلیل داده در علوم مختلف
• 80. تحلیل داده در سلامت
• 81. تحلیل داده در اقتصاد
• 82. تحلیل داده در علوم محیطی
• 83. تحلیل داده در مهندسی
• 84. تحلیل داده در علوم اجتماعی
• 85. روش های پیشرفته در تحلیل داده
• 86. یادگیری عمیق پیشرفته
• 87. یادگیری تقویتی پیشرفته
• 88. پردازش زبان طبیعی پیشرفته
• 89. تحلیل داده های گراف پیشرفته
• 90. مقدمه ای بر تئوری بازی ها و کاربردهای آن
• 91. کاربرد تئوری بازی در اقتصاد
• 92. کاربرد تئوری بازی در علوم سیاسی
• 93. مقدمه ای بر بهینه سازی مقید
• 94. روش لاگرانژ
• 95. مقدمه ای بر بهینه سازی غیر مقید
• 96. روش های گرادیانی
• 97. مقدمه ای بر بهینه سازی محدب
• 98. خواص توابع محدب
• 99. مقدمه ای بر روش های عددی در حل معادلات دیفرانسیل
• 100. روش اویلر