دوره تحلیل داده‌های ذخیره‌شده با ابزارهای موجود همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های ذخیره‌شده با ابزارهای موجود

موضوع کلی: برنامه‌نویسی و مدیریت داده در بی‌بی‌سی میکرومپیوتر

موضوع میانی: ذخیره‌سازی و بازیابی اطلاعات

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌های ذخیره‌شده
• 2. انواع ساختارهای داده ذخیره‌شده
• 3. مفاهیم پایگاه داده رابطه‌ای
• 4. طراحی پایگاه داده رابطه‌ای
• 5. زبان پرس‌وجوی SQL: مبانی
• 6. دستور SELECT در SQL
• 7. فیلتر کردن داده‌ها با WHERE
• 8. مرتب‌سازی نتایج با ORDER BY
• 9. دستور INSERT برای افزودن داده
• 10. دستور UPDATE برای اصلاح داده
• 11. دستور DELETE برای حذف داده
• 12. عملیات JOIN در SQL
• 13. انواع JOIN (INNER, LEFT, RIGHT, FULL)
• 14. توابع تجمعی در SQL (COUNT, SUM, AVG, MIN, MAX)
• 15. گروه‌بندی داده‌ها با GROUP BY
• 16. فیلتر کردن گروه‌ها با HAVING
• 17. زیرپرس‌وجوها (Subqueries) در SQL
• 18. عبارات جدولی مشترک (CTEs)
• 19. توابع پنجره‌ای (Window Functions)
• 20. شاخص‌گذاری (Indexing) در پایگاه داده
• 21. بهینه‌سازی پرس‌وجوهای SQL
• 22. مقدمه‌ای بر NoSQL
• 23. انواع پایگاه داده NoSQL
• 24. پایگاه داده‌های سند-محور
• 25. پایگاه داده‌های کلید-مقدار
• 26. پایگاه داده‌های ستون-محور
• 27. پایگاه داده‌های گراف
• 28. مفاهیم پایگاه داده‌های گراف
• 29. زبان پرس‌وجوی پایگاه داده‌های گراف (Cypher)
• 30. مقدمه‌ای بر تحلیل آماری داده‌ها
• 31. آمار توصیفی: شاخص‌های مرکزی
• 32. آمار توصیفی: شاخص‌های پراکندگی
• 33. توزیع‌های آماری رایج
• 34. مقدمه‌ای بر آزمون فرض
• 35. آزمون t تک‌نمونه‌ای
• 36. آزمون t دو‌نمونه‌ای مستقل
• 37. آزمون t زوجی
• 38. آزمون تحلیل واریانس (ANOVA) یک‌طرفه
• 39. آزمون تحلیل واریانس (ANOVA) دو‌طرفه
• 40. آزمون کای‌دو برای استقلال
• 41. مقدمه‌ای بر رگرسیون خطی
• 42. رگرسیون خطی ساده
• 43. تفسیر ضرایب رگرسیون
• 44. ارزیابی مدل رگرسیون خطی
• 45. مقدمه‌ای بر رگرسیون لجستیک
• 46. رگرسیون لجستیک برای طبقه‌بندی دودویی
• 47. تفسیر نسبت شانس (Odds Ratio)
• 48. مقدمه‌ای بر یادگیری ماشین
• 49. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت)
• 50. الگوریتم‌های طبقه‌بندی (K-نزدیک‌ترین همسایه)
• 51. الگوریتم‌های طبقه‌بندی (درخت تصمیم)
• 52. الگوریتم‌های طبقه‌بندی (ماشین بردار پشتیبان - SVM)
• 53. الگوریتم‌های طبقه‌بندی (نایوبه‌یز)
• 54. الگوریتم‌های خوشه‌بندی (K-Means)
• 55. الگوریتم‌های خوشه‌بندی (خوشه‌بندی سلسله‌مراتبی)
• 56. روش‌های ارزیابی مدل‌های طبقه‌بندی
• 57. ماتریس درهم‌ریختگی (Confusion Matrix)
• 58. دقت (Accuracy)، صحت (Precision)، بازیابی (Recall)
• 59. امتیاز F1
• 60. منحنی ROC و سطح زیر منحنی (AUC)
• 61. مقدمه‌ای بر تحلیل سری‌های زمانی
• 62. مفاهیم پایه در سری‌های زمانی
• 63. شناسایی روند (Trend)
• 64. شناسایی فصلی بودن (Seasonality)
• 65. شناسایی نویز (Noise)
• 66. مدل‌های ARIMA
• 67. پیش‌بینی با مدل‌های سری زمانی
• 68. مقدمه‌ای بر بصری‌سازی داده‌ها
• 69. اصول بصری‌سازی مؤثر
• 70. انواع نمودارها (میله‌ای، خطی، دایره‌ای، پراکندگی)
• 71. نمودارهای پیشرفته (نقشه حرارتی، جعبه‌ای)
• 72. ابزارهای بصری‌سازی داده‌ها (مثال: Matplotlib)
• 73. بصری‌سازی با کتابخانه Seaborn
• 74. بصری‌سازی تعاملی (مثال: Plotly)
• 75. مقدمه‌ای بر تحلیل متن
• 76. پاک‌سازی و پیش‌پردازش متن
• 77. نمایش متن به صورت عددی (Bag-of-Words)
• 78. نمایش متن به صورت عددی (TF-IDF)
• 79. مدل‌های زبانی (Word Embeddings)
• 80. تحلیل احساسات (Sentiment Analysis)
• 81. مدل‌های طبقه‌بندی متن
• 82. مقدمه‌ای بر تحلیل گراف
• 83. ساختارهای داده برای نمایش گراف
• 84. الگوریتم پیمایش گراف (BFS, DFS)
• 85. یافتن کوتاه‌ترین مسیر (Dijkstra)
• 86. مقدمه‌ای بر داده‌کاوی
• 87. قوانین وابستگی (Association Rules)
• 88. الگوریتم Apriori
• 89. پاک‌سازی و پیش‌پردازش داده‌ها
• 90. مدیریت داده‌های گمشده
• 91. شناسایی و حذف داده‌های پرت (Outliers)
• 92. مهندسی ویژگی (Feature Engineering)
• 93. انتخاب ویژگی (Feature Selection)
• 94. ارزیابی کیفیت داده‌ها
• 95. مقدمه‌ای بر داده‌های حجیم (Big Data)
• 96. مفاهیم اکوسیستم Hadoop
• 97. ذخیره‌سازی توزیع‌شده (HDFS)
• 98. پردازش موازی (MapReduce)
• 99. پایگاه داده‌های NoSQL برای Big Data
• 100. تحلیل داده‌ها در محیط‌های ابری