دوره جامع پایتون برای تحلیل داده و یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع پایتون برای تحلیل داده و یادگیری ماشین

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: تحلیل داده و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی پایتون برای تحلیل داده
• 2. نصب و پیکربندی محیط توسعه
• 3. کار با انواع داده‌های پایه در پایتون
• 4. ساختارهای داده: لیست‌ها و تاپل‌ها
• 5. ساختارهای داده: دیکشنری‌ها و مجموعه‌ها
• 6. عملیات مقدماتی با رشته‌ها
• 7. توابع در پایتون
• 8. ماژول‌ها و بسته‌های پایتون
• 9. مقدمه‌ای بر NumPy
• 10. آرایه‌های NumPy و عملیات پایه
• 11. عملیات ریاضی و منطقی با NumPy
• 12. اندیس‌گذاری و برش در NumPy
• 13. تغییر شکل و عملیات روی ابعاد آرایه‌ها
• 14. توابع آماری در NumPy
• 15. مقدمه‌ای بر Pandas
• 16. ساختار داده Series در Pandas
• 17. ساختار داده DataFrame در Pandas
• 18. بارگذاری و ذخیره داده‌ها
• 19. انتخاب و فیلتر کردن داده‌ها در DataFrame
• 20. عملیات روی ستون‌ها و ردیف‌ها
• 21. مدیریت داده‌های گمشده
• 22. ادغام و پیوستن DataFrames
• 23. گروه‌بندی و تجمیع داده‌ها
• 24. عملیات متنی در Pandas
• 25. کار با داده‌های تاریخ و زمان
• 26. مقدمه‌ای بر Matplotlib
• 27. رسم نمودارهای پایه‌ای (خطی، میله‌ای، پراکندگی)
• 28. سفارشی‌سازی نمودارها
• 29. رسم نمودارهای آماری
• 30. مقدمه‌ای بر Seaborn
• 31. نمودارهای توزیع در Seaborn
• 32. نمودارهای رابطه‌ای در Seaborn
• 33. نمودارهای دسته‌بندی در Seaborn
• 34. نمودارهای ماتریسی و آماری پیچیده
• 35. مقدمه‌ای بر یادگیری ماشین
• 36. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 37. مراحل کلی در پروژه‌های یادگیری ماشین
• 38. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 39. مهندسی ویژگی (Feature Engineering)
• 40. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 41. کدگذاری متغیرهای دسته‌ای
• 42. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 43. ارزیابی مدل‌ها: معیارهای طبقه‌بندی
• 44. ارزیابی مدل‌ها: معیارهای رگرسیون
• 45. مقدمه‌ای بر الگوریتم‌های یادگیری نظارت شده
• 46. رگرسیون خطی
• 47. مدل‌های رگرسیون چندجمله‌ای
• 48. رگرسیون لجستیک برای طبقه‌بندی
• 49. ماشین‌های بردار پشتیبان (SVM)
• 50. درخت‌های تصمیم
• 51. جنگل‌های تصادفی (Random Forests)
• 52. گره‌ترین همسایگان (K-Nearest Neighbors)
• 53. مقدمه‌ای بر یادگیری بدون نظارت
• 54. خوشه‌بندی K-Means
• 55. خوشه‌بندی سلسله مراتبی
• 56. تحلیل مؤلفه‌های اصلی (PCA)
• 57. مقدمه‌ای بر مدل‌های پیشرفته
• 58. شبکه‌های عصبی مصنوعی
• 59. مقدمه‌ای بر یادگیری عمیق
• 60. شبکه‌های عصبی کانولوشنی (CNN)
• 61. شبکه‌های عصبی بازگشتی (RNN)
• 62. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 63. پردازش متن با NLTK و spaCy
• 64. مدل‌سازی موضوعی (Topic Modeling)
• 65. تحلیل احساسات (Sentiment Analysis)
• 66. مقدمه‌ای بر یادگیری تقویتی
• 67. مقدمه‌ای بر بهینه‌سازی مدل‌ها
• 68. تنظیم فراپارامترها (Hyperparameter Tuning)
• 69. اعتبارسنجی متقابل (Cross-Validation)
• 70. مدیریت بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 71. مقدمه‌ای بر استقرار مدل
• 72. ذخیره و بارگذاری مدل‌های یادگیری ماشین
• 73. مقدمه‌ای بر توسعه وب با پایتون (چارچوب‌های مجاز)
• 74. کار با پایگاه داده‌های رابطه‌ای (SQL)
• 75. مقدمه‌ای بر مفاهیم داده‌کاوی
• 76. قوانین وابستگی (Association Rules)
• 77. مقدمه‌ای بر یادگیری ترکیبی (Ensemble Learning)
• 78. بایسینگ (Bagging) و بوستینگ (Boosting)
• 79. مقدمه‌ای بر پردازش داده‌های بزرگ (مفاهیم)
• 80. مقدمه‌ای بر هوش تجاری (BI)
• 81. مقدمه‌ای بر امنیت داده‌ها و حریم خصوصی
• 82. اصول اخلاقی در علم داده
• 83. کاربردها در صنعت و پژوهش
• 84. مطالعه موردی: تحلیل داده‌های فروش
• 85. مطالعه موردی: پیش‌بینی قیمت مسکن
• 86. مطالعه موردی: طبقه‌بندی تصاویر (مفاهیم)
• 87. مطالعه موردی: تحلیل متن اخبار
• 88. مقدمه‌ای بر ابزارهای خط فرمان لینوکس (مفاهیم)
• 89. کار با Git و GitHub برای مدیریت پروژه
• 90. مقدمه‌ای بر Docker (مفاهیم)
• 91. مقدمه‌ای بر مفاهیم بیگ دیتا (Big Data)
• 92. مقدمه‌ای بر ابزارهای پردازش بیگ دیتا (مفاهیم)
• 93. مقدمه‌ای بر داده‌های سری زمانی (Time Series Data)
• 94. تحلیل داده‌های سری زمانی با Pandas
• 95. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 96. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 97. مقدمه‌ای بر یادگیری با داده‌های نامتوازن
• 98. اصول طراحی داشبوردهای تحلیلی
• 99. مقدمه‌ای بر مصورسازی تعاملی داده‌ها
• 100. کار با کتابخانه‌های مصورسازی پیشرفته (مفاهیم)