دوره تحلیل داده‌های علمی با روش‌های محاسباتی پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های علمی با روش‌های محاسباتی پیشرفته

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: روش‌های محاسباتی در تحلیل داده

📋 سرفصل‌های دوره

• 1. مبانی علوم داده و تحلیل داده
• 2. مقدمه‌ای بر روش‌های محاسباتی در تحلیل داده
• 3. مفاهیم اساسی آمار و احتمال در علوم داده
• 4. آشنایی با انواع داده‌ها و ساختارهای داده
• 5. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 6. مدیریت داده‌های گمشده
• 7. استانداردسازی و مقیاس‌بندی داده‌ها
• 8. شناسایی و حذف داده‌های پرت
• 9. تحلیل اکتشافی داده‌ها (EDA)
• 10. تجسم داده‌ها: نمودارها و گراف‌ها
• 11. مقدمه‌ای بر یادگیری ماشین
• 12. یادگیری با نظارت و بدون نظارت
• 13. رگرسیون خطی ساده و چندگانه
• 14. ارزیابی مدل‌های رگرسیون
• 15. طبقه‌بندی: مفاهیم و الگوریتم‌ها
• 16. رگرسیون لجستیک
• 17. ماشین‌های بردار پشتیبان (SVM)
• 18. درختان تصمیم
• 19. جنگل‌های تصادفی
• 20. ارزیابی مدل‌های طبقه‌بندی
• 21. متریک‌های ارزیابی: دقت، صحت، بازیابی، F1-Score
• 22. منحنی ROC و AUC
• 23. خوشه‌بندی: مفاهیم و الگوریتم‌ها
• 24. K-Means Clustering
• 25. Hierarchical Clustering
• 26. DBSCAN Clustering
• 27. ارزیابی مدل‌های خوشه‌بندی
• 28. کاهش ابعاد
• 29. تحلیل مولفه‌های اصلی (PCA)
• 30. تحلیل تشخیص عوامل (Factor Analysis)
• 31. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 32. توکن‌سازی و نرمال‌سازی متون
• 33. مدل‌سازی موضوعی (Topic Modeling)
• 34. Latent Dirichlet Allocation (LDA)
• 35. مدل‌سازی زبان
• 36. شبکه‌های عصبی و یادگیری عمیق
• 37. مبانی شبکه‌های عصبی مصنوعی
• 38. توابع فعال‌سازی
• 39. پس‌انتشار خطا (Backpropagation)
• 40. شبکه‌های عصبی کانولوشنال (CNN)
• 41. شبکه‌های عصبی بازگشتی (RNN)
• 42. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 43. یادگیری تقویتی
• 44. مقدمه‌ای بر تحلیل سری‌های زمانی
• 45. مدل‌های ARIMA
• 46. پیش‌بینی سری‌های زمانی
• 47. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 48. مدل‌سازی گراف
• 49. شاخص‌های مرکزی در شبکه‌ها
• 50. یافتن جوامع در شبکه‌ها
• 51. تحلیل داده‌های مکانی
• 52. مقدمه‌ای بر داده‌کاوی
• 53. قوانین وابستگی (Association Rules)
• 54. الگوریتم Apriori
• 55. کشف تقلب با داده‌کاوی
• 56. سیستم‌های توصیه‌گر
• 57. مقدمه‌ای بر بهینه‌سازی
• 58. بهینه‌سازی خطی
• 59. بهینه‌سازی غیرخطی
• 60. الگوریتم‌های ژنتیک
• 61. بهینه‌سازی ازدحام ذرات (PSO)
• 62. مقدمه‌ای بر یادگیری عمیق در بینایی ماشین
• 63. تشخیص اشیاء
• 64. تقطیر تصاویر
• 65. کاربردها در سلامت و پزشکی
• 66. تحلیل داده‌های بالینی
• 67. پیش‌بینی بیماری
• 68. سیستم‌های پشتیبان تصمیم‌گیری پزشکی
• 69. کاربردها در اقتصاد و مالی
• 70. تحلیل بازار سهام
• 71. پیش‌بینی قیمت‌ها
• 72. مدل‌سازی ریسک
• 73. کاربردها در علوم اجتماعی
• 74. تحلیل افکار عمومی
• 75. پیش‌بینی رفتار اجتماعی
• 76. تحلیل داده‌های آموزشی
• 77. مقدمه‌ای بر اخلاق در علوم داده
• 78. حریم خصوصی داده‌ها
• 79. امنیت داده‌ها
• 80. مسئولیت‌پذیری در هوش مصنوعی
• 81. سوگیری در الگوریتم‌ها
• 82. روش‌های کاهش سوگیری
• 83. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 84. یادگیری چند وظیفه‌ای (Multi-task Learning)
• 85. یادگیری فدرال (Federated Learning)
• 86. کاربرد در پردازش تصویر پیشرفته
• 87. تولید تصویر با هوش مصنوعی
• 88. توضیح‌پذیری در مدل‌های یادگیری عمیق
• 89. مدل‌های قابل تفسیر (Interpretable Models)
• 90. روش‌های توضیح‌پذیری (XAI)
• 91. تحلیل داده‌های بزرگ (Big Data)
• 92. مقدمه‌ای بر ابزارهای پردازش داده‌های بزرگ
• 93. Spark و Hadoop
• 94. پایگاه‌های داده NoSQL
• 95. کاربردها در صنعت و تولید
• 96. بهینه‌سازی فرآیندها
• 97. پیش‌بینی خرابی تجهیزات
• 98. کنترل کیفیت
• 99. مقدمه‌ای بر یادگیری تقویتی پیشرفته
• 100. یادگیری عمیق تقویتی