دوره آموزش جامع پایتون برای علم داده و یادگیری ماشین (از مقدماتی تا پیشرفته) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع پایتون برای علم داده و یادگیری ماشین (از مقدماتی تا پیشرفته)

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: برنامه‌نویسی کاربردی و علم داده

📋 سرفصل‌های دوره

• 1. مبانی پایتون برای علم داده
• 2. نصب و راه‌اندازی محیط توسعه
• 3. آشنایی با انواع داده در پایتون
• 4. متغیرها و عملگرها در پایتون
• 5. ساختارهای کنترلی: شرط‌ها
• 6. ساختارهای کنترلی: حلقه‌ها
• 7. توابع در پایتون
• 8. ماژول‌ها و بسته‌های پایتون
• 9. ساختارهای داده: لیست‌ها
• 10. ساختارهای داده: تاپل‌ها
• 11. ساختارهای داده: دیکشنری‌ها
• 12. ساختارهای داده: مجموعه‌ها
• 13. کار با رشته‌ها در پایتون
• 14. مدیریت خطا و استثناها
• 15. مقدمه‌ای بر برنامه‌نویسی شیءگرا
• 16. کلاس‌ها و اشیاء در پایتون
• 17. وراثت و پلی‌مورفیسم
• 18. کار با فایل‌ها در پایتون
• 19. مقدمه‌ای بر علم داده
• 20. اهمیت علم داده در ایران
• 21. ابزارهای علم داده در پایتون
• 22. کتابخانه NumPy برای محاسبات عددی
• 23. آرایه‌های NumPy
• 24. عملیات برداری در NumPy
• 25. توابع آماری در NumPy
• 26. مقدمه‌ای بر کتابخانه Pandas
• 27. ساختار داده Series در Pandas
• 28. ساختار داده DataFrame در Pandas
• 29. بارگذاری و ذخیره داده‌ها
• 30. پاکسازی و پیش‌پردازش داده‌ها
• 31. مدیریت مقادیر گمشده
• 32. فیلتر کردن و انتخاب داده‌ها
• 33. گروه‌بندی و تجمیع داده‌ها
• 34. ادغام و پیوستن DataFrames
• 35. عملیات تاریخ و زمان در Pandas
• 36. مقدمه‌ای بر مصورسازی داده‌ها
• 37. کتابخانه Matplotlib برای مصورسازی
• 38. رسم نمودارهای خطی
• 39. رسم نمودارهای میله‌ای
• 40. رسم نمودارهای پراکندگی
• 41. رسم نمودارهای هیستوگرام
• 42. رسم نمودارهای دایره‌ای
• 43. تنظیمات پیشرفته نمودارها
• 44. مقدمه‌ای بر کتابخانه Seaborn
• 45. نمودارهای آماری با Seaborn
• 46. نمودارهای حرارتی (Heatmaps)
• 47. نمودارهای دسته‌بندی شده
• 48. مصورسازی داده‌های جغرافیایی
• 49. مقدمه‌ای بر یادگیری ماشین
• 50. انواع یادگیری ماشین
• 51. یادگیری نظارت شده
• 52. یادگیری نظارت نشده
• 53. یادگیری تقویتی
• 54. مراحل پروژه یادگیری ماشین
• 55. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 56. ارزیابی مدل‌های یادگیری ماشین
• 57. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 58. معیارهای ارزیابی مدل‌های رگرسیون
• 59. مقدمه‌ای بر کتابخانه Scikit-learn
• 60. آماده‌سازی داده‌ها برای یادگیری ماشین
• 61. پیش‌پردازش داده‌ها با Scikit-learn
• 62. مدل‌های طبقه‌بندی خطی
• 63. رگرسیون خطی
• 64. رگرسیون لجستیک
• 65. ماشین‌های بردار پشتیبان (SVM)
• 66. درختان تصمیم
• 67. جنگل‌های تصادفی
• 68. مدل‌های خوشه‌بندی
• 69. K-Means Clustering
• 70. DBSCAN Clustering
• 71. کاهش ابعاد
• 72. تحلیل مولفه‌های اصلی (PCA)
• 73. مقدمه‌ای بر یادگیری عمیق
• 74. شبکه‌های عصبی مصنوعی
• 75. شبکه‌های عصبی کانولوشنی (CNN)
• 76. شبکه‌های عصبی بازگشتی (RNN)
• 77. کاربرد یادگیری عمیق در پردازش تصویر
• 78. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 79. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 80. پیش‌پردازش متن
• 81. مدل‌سازی موضوعی
• 82. تحلیل احساسات
• 83. سیستم‌های توصیه‌گر
• 84. کاربرد علم داده در اقتصاد و بازرگانی
• 85. کاربرد علم داده در صنعت
• 86. کاربرد علم داده در سلامت
• 87. کاربرد علم داده در علوم اجتماعی
• 88. اخلاق در علم داده
• 89. حریم خصوصی داده‌ها
• 90. امنیت داده‌ها
• 91. پیش‌بینی روند بازار با علم داده
• 92. تحلیل شبکه‌های اجتماعی
• 93. بهینه‌سازی فرآیندها با علم داده
• 94. توسعه ابزارهای یادگیری ماشین سفارشی
• 95. کاربرد پایتون در تحلیل داده‌های بزرگ
• 96. ملاحظات حقوقی و شرعی در تحلیل داده
• 97. چارچوب‌های قانونی برای داده‌ها در ایران
• 98. تعهدات اخلاقی پژوهشگران داده
• 99. ملاحظات فرهنگی در تحلیل داده‌ها
• 100. اصول مهندسی نرم‌افزار در علم داده