دوره مقدمه‌ای بر علم داده: ابزارها و مفاهیم کاربردی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر علم داده: ابزارها و مفاهیم کاربردی

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: مبانی علم داده

📋 سرفصل‌های دوره

• 1. آشنایی با علم داده و کاربردهای آن
• 2. انواع داده و ساختارهای داده
• 3. مفاهیم کلیدی در علم داده
• 4. تاریخچه علم داده
• 5. نقش علم داده در دنیای امروز
• 6. اخلاق در علم داده و حفظ حریم خصوصی
• 7. مراحل کلی در پروژه علم داده
• 8. جمع‌آوری داده‌ها: منابع و روش‌ها
• 9. پاکسازی و پیش‌پردازش داده‌ها
• 10. مدیریت داده‌های گمشده و پرت
• 11. تبدیل و استانداردسازی داده‌ها
• 12. کاوش و تحلیل اکتشافی داده (EDA)
• 13. مصورسازی داده‌ها: ابزارها و تکنیک‌ها
• 14. نمودارهای پایه برای مصورسازی
• 15. نمودارهای پیشرفته برای مصورسازی
• 16. مقدمه‌ای بر یادگیری ماشین
• 17. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 18. یادگیری ماشین نظارت شده: رگرسیون
• 19. یادگیری ماشین نظارت شده: طبقه‌بندی
• 20. معیارهای ارزیابی مدل‌های رگرسیون
• 21. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 22. یادگیری ماشین بدون نظارت: خوشه‌بندی
• 23. الگوریتم K-Means برای خوشه‌بندی
• 24. یادگیری ماشین بدون نظارت: کاهش ابعاد
• 25. تحلیل مولفه‌های اصلی (PCA)
• 26. مقدمه‌ای بر شبکه‌های عصبی
• 27. شبکه‌های عصبی پرسپترون چند لایه
• 28. مبانی یادگیری عمیق
• 29. شبکه‌های عصبی کانولوشنال (CNN)
• 30. شبکه‌های عصبی بازگشتی (RNN)
• 31. پردازش زبان طبیعی (NLP)
• 32. تکنیک‌های پیش‌پردازش متن
• 33. مدل‌سازی موضوعی در NLP
• 34. تحلیل احساسات در متن
• 35. مقدمه‌ای بر کلان داده (Big Data)
• 36. معماری‌های کلان داده: Hadoop
• 37. اکوسیستم Hadoop: HDFS و MapReduce
• 38. ابزارهای پردازش کلان داده: Spark
• 39. Spark Core و RDDها
• 40. Spark SQL و DataFrames
• 41. Spark Streaming
• 42. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای
• 43. اصول طراحی پایگاه داده رابطه‌ای
• 44. زبان SQL برای مدیریت داده‌ها
• 45. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 46. انواع پایگاه‌های داده NoSQL
• 47. کاربرد پایگاه‌های داده NoSQL
• 48. مقدمه‌ای بر مهندسی داده
• 49. چرخه عمر داده
• 50. نقش مهندس داده
• 51. ابزارهای مهندسی داده
• 52. مفاهیم داده‌کاوی
• 53. قوانین انجمنی و تحلیل سبد خرید
• 54. تشخیص ناهنجاری (Anomaly Detection)
• 55. سیستم‌های توصیه‌گر (Recommender Systems)
• 56. معماری سیستم‌های توصیه‌گر
• 57. روش‌های مبتنی بر محتوا
• 58. روش‌های فیلترینگ مشارکتی
• 59. ارزیابی سیستم‌های توصیه‌گر
• 60. مقدمه‌ای بر هوش مصنوعی (AI)
• 61. رابطه علم داده و هوش مصنوعی
• 62. کاربردهای هوش مصنوعی در صنعت
• 63. اصول آماری در علم داده
• 64. احتمالات و توزیع‌های آماری
• 65. آزمون فرض آماری
• 66. مقدمه‌ای بر ابزارهای برنامه‌نویسی علم داده
• 67. زبان پایتون برای علم داده
• 68. کتابخانه NumPy
• 69. کتابخانه Pandas
• 70. کتابخانه Matplotlib
• 71. کتابخانه Seaborn
• 72. کتابخانه Scikit-learn
• 73. مقدمه‌ای بر ابزارهای ویژوال‌سازی تعاملی
• 74. داشبوردهای مدیریتی
• 75. طراحی داشبوردهای موثر
• 76. کاربرد علم داده در کسب و کار
• 77. تحلیل مشتری و بخش‌بندی بازار
• 78. پیش‌بینی فروش و تقاضا
• 79. بهینه‌سازی فرآیندهای کسب و کار
• 80. علم داده در حوزه سلامت
• 81. کاربرد در تشخیص بیماری
• 82. شخصی‌سازی درمان
• 83. علم داده در حوزه مالی
• 84. مدیریت ریسک
• 85. تشخیص تقلب
• 86. علم داده در حوزه صنعت
• 87. بهینه‌سازی تولید
• 88. نگهداری و تعمیرات پیش‌بینانه
• 89. اخلاق و مسئولیت‌پذیری در علم داده
• 90. حریم خصوصی داده‌ها و قوانین مربوطه
• 91. سوگیری در الگوریتم‌ها و راه‌های مقابله
• 92. شفافیت و قابلیت توضیح‌پذیری مدل‌ها
• 93. آینده علم داده و روندهای نوظهور
• 94. یادگیری تقویتی
• 95. هوش مصنوعی قابل اعتماد
• 96. علم داده در لبه (Edge AI)
• 97. جمع‌بندی مفاهیم کلیدی علم داده
• 98. مسیر شغلی در علم داده
• 99. مهارت‌های مورد نیاز متخصص علم داده
• 100. پروژه‌های عملی در علم داده