دوره مقدمه‌ای بر ابزارهای پایتون برای تحلیل داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر ابزارهای پایتون برای تحلیل داده

موضوع کلی: علوم کامپیوتر و مهندسی داده

موضوع میانی: تحلیل و پردازش داده با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده در پایتون
• 2. نصب و راه‌اندازی محیط توسعه پایتون
• 3. آشنایی با Jupyter Notebook
• 4. انواع داده‌ها در پایتون
• 5. ساختارهای داده پایه: لیست‌ها
• 6. کار با تاپل‌ها
• 7. کار با دیکشنری‌ها
• 8. کار با مجموعه‌ها (Sets)
• 9. عملگرها در پایتون
• 10. ساختارهای کنترلی: شرط‌ها (if, elif, else)
• 11. حلقه‌های تکرار: for loop
• 12. حلقه‌های تکرار: while loop
• 13. تعریف و فراخوانی توابع
• 14. مدیریت خطاها و استثناها (try-except)
• 15. مقدمه‌ای بر کتابخانه‌های علمی پایتون
• 16. معرفی NumPy برای محاسبات عددی
• 17. ساخت آرایه‌های NumPy
• 18. عملیات پایه‌ای روی آرایه‌های NumPy
• 19. اندیس‌گذاری و برش آرایه‌های NumPy
• 20. عملیات ریاضی روی آرایه‌های NumPy
• 21. توابع آماری در NumPy
• 22. مقدمه‌ای بر Pandas برای تحلیل داده
• 23. ساختار داده Series در Pandas
• 24. ساخت Series از لیست و دیکشنری
• 25. اندیس‌گذاری و برش Series
• 26. ساختار داده DataFrame در Pandas
• 27. ساخت DataFrame از دیکشنری و لیست
• 28. انتخاب ستون‌ها و ردیف‌ها در DataFrame
• 29. فیلتر کردن داده‌ها در DataFrame
• 30. عملیات پایه‌ای روی DataFrame
• 31. مدیریت مقادیر گمشده (Missing Values)
• 32. حذف و جایگزینی مقادیر گمشده
• 33. مرتب‌سازی داده‌ها در DataFrame
• 34. گروه‌بندی داده‌ها (Group By)
• 35. تجمیع داده‌ها (Aggregation)
• 36. ترکیب DataFrame ها (Merge, Join, Concat)
• 37. عملیات ورودی/خروجی فایل‌های CSV
• 38. عملیات ورودی/خروجی فایل‌های Excel
• 39. مقدمه‌ای بر بصری‌سازی داده‌ها
• 40. معرفی Matplotlib
• 41. رسم نمودارهای خطی ساده
• 42. رسم نمودارهای پراکندگی (Scatter Plot)
• 43. رسم نمودارهای میله‌ای (Bar Chart)
• 44. رسم نمودارهای هیستوگرام
• 45. تنظیمات نمودارها (عنوان، برچسب‌ها، راهنما)
• 46. کار با زیرنمودارها (Subplots)
• 47. معرفی Seaborn برای بصری‌سازی پیشرفته
• 48. نمودارهای آماری با Seaborn
• 49. نمودارهای توزیع با Seaborn
• 50. نمودارهای دسته‌بندی با Seaborn
• 51. نمودارهای ماتریسی با Seaborn
• 52. تنظیمات ظاهری نمودارها در Seaborn
• 53. کار با داده‌های زمانی (Time Series)
• 54. فیلتر کردن داده‌های زمانی
• 55. تغییر فرکانس داده‌های زمانی
• 56. محاسبات پنجره‌ای متحرک (Rolling Window)
• 57. مقدمه‌ای بر یادگیری ماشین
• 58. انواع مسائل یادگیری ماشین (نظارت شده، بدون نظارت)
• 59. مراحل کلی در یک پروژه یادگیری ماشین
• 60. آماده‌سازی داده‌ها برای مدل‌سازی
• 61. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 62. معرفی کتابخانه Scikit-learn
• 63. پیاده‌سازی رگرسیون خطی ساده
• 64. ارزیابی مدل‌های رگرسیون
• 65. پیاده‌سازی طبقه‌بندی (Classification)
• 66. پیاده‌سازی الگوریتم K-نزدیکترین همسایه (KNN)
• 67. ارزیابی مدل‌های طبقه‌بندی (دقت، فراخوانی)
• 68. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 69. پیاده‌سازی الگوریتم K-Means
• 70. مقدمه‌ای بر کاهش ابعاد
• 71. تحلیل مولفه‌های اصلی (PCA)
• 72. کار با داده‌های متنی (Text Data)
• 73. پردازش اولیه متن (توکن‌سازی، حذف کلمات توقف)
• 74. تبدیل متن به بردار (Bag-of-Words, TF-IDF)
• 75. مقدمه‌ای بر شبکه‌های عصبی
• 76. معرفی مفاهیم پایه یادگیری عمیق
• 77. کاربردها در پردازش داده
• 78. اصول اخلاقی در تحلیل داده
• 79. حفظ حریم خصوصی داده‌ها
• 80. امنیت داده‌ها در پایتون
• 81. استفاده مسئولانه از الگوریتم‌ها
• 82. ملاحظات قانونی در استفاده از داده
• 83. قوانین مربوط به داده در ایران
• 84. پایش و به‌روزرسانی دانش تحلیل داده
• 85. مطالعه موردی: تحلیل داده‌های فروش
• 86. مطالعه موردی: تحلیل داده‌های مشتریان
• 87. مطالعه موردی: تحلیل داده‌های شبکه‌های اجتماعی
• 88. مقدمه‌ای بر داده‌کاوی
• 89. تکنیک‌های کشف الگو در داده‌ها
• 90. شناخت داده‌های پرت (Outliers)
• 91. پیش‌بینی روندها در داده‌ها
• 92. خوشه‌بندی مشتریان بر اساس رفتار خرید
• 93. تحلیل سبد خرید (Market Basket Analysis)
• 94. کاربرد تحلیل داده در کسب‌وکار
• 95. تصمیم‌گیری مبتنی بر داده
• 96. بهینه‌سازی فرآیندها با داده
• 97. افزایش بهره‌وری با تحلیل داده
• 98. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 99. نقش تحلیل داده در هوش تجاری
• 100. ابزارهای رایج هوش تجاری