دوره تحلیل داده با پایتون: مبانی تا کاربرد در علوم داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده با پایتون: مبانی تا کاربرد در علوم داده

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: برنامه‌نویسی برای تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علوم داده و تحلیل آماری
• 2. آشنایی با محیط توسعه پایتون
• 3. نصب و پیکربندی ابزارهای تحلیل داده
• 4. مبانی زبان پایتون برای تحلیل داده
• 5. انواع داده ها و ساختارهای داده در پایتون
• 6. عملیات پایه با اعداد و رشته ها
• 7. ساختارهای کنترلی: شرط ها و حلقه ها
• 8. توابع در پایتون
• 9. ماژول ها و بسته های پایتون
• 10. مقدمه ای بر NumPy برای محاسبات عددی
• 11. آرایه های NumPy و عملیات پایه
• 12. شاخص گذاری و برش آرایه های NumPy
• 13. عملیات ریاضی و آماری با NumPy
• 14. توابع آشناتر NumPy
• 15. مقدمه ای بر Pandas برای تحلیل داده
• 16. ساختارهای داده ای DataFrame و Series
• 17. بارگذاری و ذخیره سازی داده ها با Pandas
• 18. شاخص گذاری و انتخاب داده ها در DataFrame
• 19. فیلتر کردن و مرتب سازی داده ها
• 20. مدیریت داده های گمشده (Missing Data)
• 21. ادغام و پیوستن DataFrame ها
• 22. عملیات گروه بندی (Grouping) و تجمیع (Aggregation)
• 23. پنجره های متحرک (Rolling Windows)
• 24. کار با داده های زمانی (Time Series)
• 25. مقدمه ای بر Matplotlib برای مصورسازی داده ها
• 26. انواع نمودارهای پایه در Matplotlib
• 27. سفارشی سازی نمودارها
• 28. نمودارهای آماری با Matplotlib
• 29. رسم نمودارهای چندگانه (Subplots)
• 30. مقدمه ای بر Seaborn برای مصورسازی پیشرفته
• 31. نمودارهای توزیع (Distribution Plots)
• 32. نمودارهای رابطه ای (Relational Plots)
• 33. نمودارهای دسته بندی (Categorical Plots)
• 34. نمودارهای ماتریسی (Matrix Plots)
• 35. مقدمه ای بر Scikit-learn برای یادگیری ماشین
• 36. انواع الگوریتم های یادگیری ماشین
• 37. پیش پردازش داده ها برای یادگیری ماشین
• 38. تقسیم داده ها به مجموعه های آموزشی و آزمایشی
• 39. ارزیابی مدل های یادگیری ماشین
• 40. رگرسیون خطی (Linear Regression)
• 41. رگرسیون لجستیک (Logistic Regression)
• 42. درخت تصمیم (Decision Trees)
• 43. جنگل تصادفی (Random Forests)
• 44. ماشین بردار پشتیبان (Support Vector Machines)
• 45. خوشه بندی (Clustering) با K-Means
• 46. تحلیل مولفه های اصلی (PCA)
• 47. مقدمه ای بر آمار توصیفی
• 48. میانگین، میانه، مد
• 49. واریانس و انحراف معیار
• 50. چارک ها و دامنه بین چارکی
• 51. توزیع فراوانی و هیستوگرام
• 52. نمودار جعبه ای (Box Plot)
• 53. مقدمه ای بر آمار استنباطی
• 54. مفهوم نمونه گیری و جامعه آماری
• 55. توزیع نرمال و توزیع های مرتبط
• 56. آزمون فرض آماری
• 57. خطای نوع اول و دوم
• 58. آزمون t (t-test)
• 59. آزمون کای دو (Chi-squared Test)
• 60. مقدمه ای بر تحلیل سری های زمانی
• 61. مفاهیم پایه سری های زمانی
• 62. شناسایی روند، فصلی بودن و نویز
• 63. مدل های خودرگرسیونی (AR)
• 64. مدل های میانگین متحرک (MA)
• 65. مدل های ARIMA
• 66. پیش بینی با استفاده از مدل های سری زمانی
• 67. مقدمه ای بر تحلیل متن
• 68. پیش پردازش متن (پاکسازی، توکن سازی)
• 69. توزیع فراوانی کلمات
• 70. مدل های Bag-of-Words
• 71. مدل TF-IDF
• 72. مقدمه ای بر تحلیل شبکه های اجتماعی
• 73. مفاهیم پایه گراف و شبکه
• 74. شاخص های مرکزیت در شبکه
• 75. شناسایی جوامع (Community Detection)
• 76. تحلیل احساسات (Sentiment Analysis)
• 77. کاربرد تحلیل داده در حوزه سلامت
• 78. کاربرد تحلیل داده در حوزه مالی
• 79. کاربرد تحلیل داده در حوزه بازاریابی
• 80. کاربرد تحلیل داده در حوزه تولید
• 81. کاربرد تحلیل داده در حوزه منابع انسانی
• 82. مقدمه ای بر اخلاق در علم داده
• 83. حریم خصوصی داده ها
• 84. سوگیری در الگوریتم ها
• 85. مسئولیت پذیری در علم داده
• 86. آینده علم داده و هوش مصنوعی
• 87. پروژه عملی: تحلیل داده های فروش
• 88. پروژه عملی: تحلیل داده های مشتریان
• 89. پروژه عملی: تحلیل داده های پزشکی
• 90. پروژه عملی: تحلیل داده های اقتصادی
• 91. پروژه عملی: تحلیل داده های شبکه های اجتماعی
• 92. مقدمه ای بر روش های پیشرفته مصورسازی
• 93. کاربرد ابزارهای BI (مانند Tableau یا Power BI)
• 94. مقدمه ای بر Big Data و اکوسیستم Hadoop
• 95. مقدمه ای بر Spark برای پردازش داده های بزرگ
• 96. مقدمه ای بر یادگیری عمیق (Deep Learning)
• 97. شبکه های عصبی کانولوشنال (CNN)
• 98. شبکه های عصبی بازگشتی (RNN)
• 99. کاربرد پردازش زبان طبیعی (NLP) در تحلیل داده
• 100. کاربرد بینایی ماشین (Computer Vision) در تحلیل داده