دوره مبانی تحلیل داده: از جمع‌آوری تا بصری‌سازی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی تحلیل داده: از جمع‌آوری تا بصری‌سازی

موضوع کلی: علوم و مهندسی داده

موضوع میانی: مبانی تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم و مهندسی داده
• 2. کاربردها و اهمیت تحلیل داده
• 3. چرخه حیات تحلیل داده
• 4. اصول جمع‌آوری داده
• 5. منابع داده و انواع آن‌ها
• 6. کیفیت داده و معیارهای آن
• 7. پاکسازی داده‌های ناقص
• 8. مدیریت داده‌های پرت
• 9. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای
• 10. زبان SQL برای پرس‌وجو از داده‌ها
• 11. مفاهیم پایگاه‌های داده NoSQL
• 12. ذخیره‌سازی و بازیابی داده‌ها
• 13. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 14. ساختارهای داده در پایتون
• 15. کار با کتابخانه‌های تحلیل داده (Pandas)
• 16. عملیات مقدماتی با DataFrame
• 17. فیلتر کردن و انتخاب داده‌ها
• 18. مرتب‌سازی داده‌ها
• 19. توابع تجمعی و گروه‌بندی داده‌ها
• 20. ادغام و پیوستن DataFrame ها
• 21. کار با داده‌های سری زمانی
• 22. مقدمه‌ای بر آمار توصیفی
• 23. میانگین، میانه و نما
• 24. انحراف معیار و واریانس
• 25. چارک‌ها و دامنه بین چارکی
• 26. نمودارهای توزیع فراوانی
• 27. نمودار هیستوگرام
• 28. نمودار جعبه‌ای (Box Plot)
• 29. نمودار میله‌ای (Bar Chart)
• 30. نمودار دایره‌ای (Pie Chart)
• 31. نمودار پراکندگی (Scatter Plot)
• 32. نمودار خطی (Line Chart)
• 33. مقدمه‌ای بر احتمال
• 34. قوانین احتمال پایه
• 35. احتمال شرطی
• 36. قضیه بیز
• 37. مقدمه‌ای بر توزیع‌های احتمال
• 38. توزیع نرمال
• 39. توزیع یکنواخت
• 40. توزیع برنولی
• 41. توزیع دوجمله‌ای
• 42. توزیع پواسون
• 43. استنباط آماری
• 44. مفهوم نمونه و جامعه
• 45. خطای استاندارد
• 46. فاصله اطمینان
• 47. آزمون فرضیه آماری
• 48. خطای نوع اول و دوم
• 49. آزمون t
• 50. آزمون کای دو
• 51. مقدمه‌ای بر مدل‌سازی پیش‌بینانه
• 52. رگرسیون خطی ساده
• 53. تفسیر ضرایب رگرسیون
• 54. ارزیابی مدل رگرسیون
• 55. مقدمه‌ای بر رگرسیون لجستیک
• 56. کاربرد رگرسیون لجستیک
• 57. ارزیابی مدل طبقه‌بندی
• 58. مقدمه‌ای بر خوشه‌بندی
• 59. الگوریتم K-Means
• 60. معیارهای ارزیابی خوشه‌بندی
• 61. مقدمه‌ای بر تحلیل مولفه اصلی (PCA)
• 62. کاربرد PCA در کاهش ابعاد
• 63. مقدمه‌ای بر یادگیری ماشین
• 64. یادگیری با ناظر و بدون ناظر
• 65. انواع الگوریتم‌های یادگیری ماشین
• 66. ارزیابی مدل‌های یادگیری ماشین
• 67. مقدمه‌ای بر بصری‌سازی داده‌ها
• 68. اصول طراحی بصری‌سازی مؤثر
• 69. انتخاب نمودار مناسب
• 70. ابزارهای بصری‌سازی داده (Tableau)
• 71. کار با Tableau برای ایجاد داشبورد
• 72. مقدمه‌ای بر Power BI
• 73. کار با Power BI برای تحلیل و گزارش‌دهی
• 74. مفاهیم داشبورد مدیریتی
• 75. طراحی داشبوردهای تعاملی
• 76. نکات مهم در بصری‌سازی داده‌ها
• 77. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 78. چالش‌های داده‌های بزرگ
• 79. معماری‌های داده‌های بزرگ (Hadoop)
• 80. مقدمه‌ای بر پردازش توزیع شده
• 81. کاربرد Spark در تحلیل داده
• 82. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 83. ایجاد ویژگی‌های جدید
• 84. انتخاب ویژگی
• 85. مقدمه‌ای بر تحلیل اکتشافی داده (EDA)
• 86. مراحل EDA
• 87. مستندسازی فرآیند تحلیل
• 88. اخلاق در تحلیل داده
• 89. حریم خصوصی داده‌ها
• 90. مسئولیت‌پذیری در تحلیل داده
• 91. مقدمه‌ای بر هوش تجاری (BI)
• 92. نقش BI در تصمیم‌گیری سازمان‌ها
• 93. روندهای آینده در تحلیل داده
• 94. کاربرد تحلیل داده در صنعت
• 95. تحلیل داده در بازاریابی
• 96. تحلیل داده در مالی
• 97. تحلیل داده در بهداشت و درمان
• 98. تحلیل داده در حمل و نقل
• 99. مطالعه موردی: تحلیل داده در یک سناریو واقعی
• 100. جمع‌بندی و گام‌های بعدی