فلش‌کارت‌های آموزشی بصری‌سازی داده‌های مدلسازی و شبیه‌سازی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب بصری‌سازی داده‌های مدلسازی و شبیه‌سازی

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه و مبانی بصری‌سازی
• 2. چرا بصری‌سازی برای مدلسازی و شبیه‌سازی حیاتی است؟
• 3. تاریخچه مختصر بصری‌سازی داده
• 4. انواع داده‌ها: کمی، کیفی، گسسته و پیوسته
• 5. اصول ادراک بصری و تئوری گشتالت
• 6. گرامر گرافیک‌ها (The Grammar of Graphics)
• 7. آماده‌سازی محیط برنامه‌نویسی (Python, Jupyter, VS Code)
• 8. آشنایی با کتابخانه NumPy برای کار با آرایه‌ها
• 9. آشنایی با کتابخانه Pandas برای مدیریت داده‌ها
• 10. آناتومی یک نمودار: محورها، عنوان، لجند و...
• 11. ابزارهای اصلی بصری‌سازی در پایتون
• 12. مقدمه‌ای بر Matplotlib: کتابخانه بنیادین
• 13. شخصی‌سازی نمودارها در Matplotlib: رنگ، سبک و فونت
• 14. کار با چندین نمودار (Subplots) در Matplotlib
• 15. معرفی Seaborn برای نمودارهای آماری زیباتر
• 16. مقایسه Matplotlib و Seaborn: چه زمانی از کدام استفاده کنیم؟
• 17. مقدمه‌ای بر Plotly برای بصری‌سازی‌های تعاملی
• 18. ساخت اولین نمودار تعاملی با Plotly Express
• 19. مقدمه‌ای بر Bokeh برای اپلیکیشن‌های تحت وب
• 20. مقایسه کتابخانه‌های بصری‌سازی: انتخاب ابزار مناسب
• 21. انواع نمودارهای بنیادی و کاربردهای آنها
• 22. نمودارهای خطی (Line Charts) برای داده‌های سری زمانی
• 23. نمودارهای میله‌ای (Bar Charts): مقایسه‌ای و تجمعی
• 24. نمودارهای پراکندگی (Scatter Plots) برای کشف روابط
• 25. هیستوگرام‌ها برای درک توزیع داده‌ها
• 26. نمودارهای جعبه‌ای (Box Plots) برای نمایش آماره‌های کلیدی
• 27. نمودارهای ویولن (Violin Plots) برای نمایش توزیع و چگالی
• 28. نمودارهای دایره‌ای و دونات (Pie & Donut Charts) و ملاحظات استفاده از آنها
• 29. نقشه‌های حرارتی (Heatmaps) برای نمایش ماتریس‌ها و همبستگی
• 30. نمودارهای سطح (Area Charts) برای نمایش حجم در طول زمان
• 31. نمودارهای جفتی (Pair Plots) برای تحلیل چند متغیره
• 32. افزودن متن و حاشیه‌نویسی (Annotations) به نمودارها
• 33. بصری‌سازی داده‌های خروجی از شبیه‌سازی
• 34. ویژگی‌های منحصربه‌فرد داده‌های شبیه‌سازی (گام زمانی، اجراهای متعدد)
• 35. بصری‌سازی خروجی‌های سری زمانی شبیه‌سازی
• 36. بصری‌سازی فضای حالت و مسیرها (State-Space Trajectories)
• 37. نمایش خروجی چندین اجرای شبیه‌سازی (Spaghetti Plots)
• 38. بصری‌سازی پوشش نتایج (Envelopes) و فواصل اطمینان
• 39. بصری‌سازی نتایج پیمایش پارامتر (Parameter Sweeps)
• 40. تحلیل حساسیت و بصری‌سازی نتایج آن
• 41. بصری‌سازی خروجی‌های شبیه‌سازی‌های تصادفی (Stochastic)
• 42. مقایسه خروجی شبیه‌سازی با داده‌های واقعی
• 43. بصری‌سازی دیاگرام‌های فاز (Phase Diagrams)
• 44. بصری‌سازی نتایج شبیه‌سازی مونت کارلو
• 45. بصری‌سازی مدل‌های مبتنی بر عامل (Agent-Based Models)
• 46. بصری‌سازی شبیه‌سازی رویداد گسسته (Discrete-Event Simulation)
• 47. ایجاد انیمیشن از نتایج شبیه‌سازی در طول زمان
• 48. بصری‌سازی داده‌های مرتبط با مدلسازی
• 49. بصری‌سازی ساختار مدل (مانند معماری شبکه‌های عصبی)
• 50. نمایش اهمیت ویژگی‌ها (Feature Importance) در مدل‌های یادگیری ماشین
• 51. بصری‌سازی درخت‌های تصمیم
• 52. ترسیم خطوط رگرسیون و باندهای اطمینان
• 53. بصری‌سازی مرزهای تصمیم‌گیری در مدل‌های طبقه‌بندی
• 54. ترسیم منحنی ROC و منحنی Precision-Recall
• 55. بصری‌سازی نتایج خوشه‌بندی (Clustering)
• 56. نمودارهای باقیمانده (Residual Plots) برای ارزیابی مدل
• 57. بصری‌سازی ماتریس درهم‌ریختگی (Confusion Matrix)
• 58. بصری‌سازی نمودارهای وابستگی جزئی (Partial Dependence Plots)
• 59. تکنیک‌های بصری‌سازی پیشرفته
• 60. بصری‌سازی داده‌های چندبعدی با تحلیل مولفه اصلی (PCA)
• 61. بصری‌سازی داده‌های چندبعدی با t-SNE
• 62. نمودارهای مختصات موازی (Parallel Coordinates Plots)
• 63. بصری‌سازی داده‌های جغرافیایی: نقشه‌های Choropleth
• 64. بصری‌سازی داده‌های جغرافیایی: نقشه‌های نقطه‌ای (Point Maps)
• 65. بصری‌سازی شبکه‌ها و گراف‌ها (Nodes and Edges)
• 66. دیاگرام‌های سانکی (Sankey Diagrams) برای نمایش جریان
• 67. نمودارهای خورشیدی (Sunburst Charts) برای داده‌های سلسله‌مراتبی
• 68. نقشه‌های درختی (Treemaps) برای نمایش ساختار و نسبت
• 69. نمودارهای جریانی (Streamgraphs) برای داده‌های زمانی حجمی
• 70. ابر کلمات (Word Clouds) برای بصری‌سازی متن
• 71. اصول طراحی و بهترین شیوه‌ها
• 72. اصل نسبت داده-جوهر (Data-Ink Ratio) از ادوارد تافتی
• 73. انتخاب نمودار مناسب برای پیام و داده شما
• 74. استفاده موثر از رنگ: پالت‌ها، کنتراست و دسترسی‌پذیری
• 75. داستان‌سرایی با داده‌ها (Data Storytelling)
• 76. طراحی برای مخاطب: چه کسی نمودار شما را می‌بیند؟
• 77. چگونه با نمودارها دروغ بگوییم: اشتباهات رایج و نحوه اجتناب از آنها
• 78. شفافیت در بصری‌سازی: برچسب‌گذاری، مقیاس و منابع
• 79. ایجاد یک سبک بصری یکپارچه و حرفه‌ای
• 80. طراحی واکنش‌گرا (Responsive) برای نمایشگرهای مختلف
• 81. صادرات و به اشتراک‌گذاری بصری‌سازی‌ها با کیفیت بالا
• 82. بصری‌سازی تعاملی و ساخت داشبورد
• 83. مقدمه‌ای بر داشبوردهای داده
• 84. آشنایی با Streamlit برای ساخت سریع اپلیکیشن‌های داده
• 85. آشنایی با Plotly Dash: ساختار و چیدمان (Layout)
• 86. کامپوننت‌های اصلی Dash: اسلایدرها، منوهای کشویی و...
• 87. استفاده از Callbackها برای ایجاد تعامل در Dash
• 88. مدیریت حالت (State) در اپلیکیشن‌های Dash
• 89. ساخت یک داشبورد برای کاوش تعاملی نتایج شبیه‌سازی
• 90. بهینه‌سازی عملکرد داشبوردهای تعاملی
• 91. مقدمه‌ای بر استقرار (Deploy) داشبوردها روی وب
• 92. مطالعات موردی و پروژه نهایی
• 93. مطالعه موردی: بصری‌سازی یک شبیه‌سازی فیزیکی (مانند آونگ)
• 94. مطالعه موردی: بصری‌سازی یک مدل مالی (مانند قیمت سهام)
• 95. مطالعه موردی: بصری‌سازی یک مدل اپیدمیولوژیک (مانند SIR)
• 96. مطالعه موردی: بصری‌سازی فرآیند آموزش یک مدل یادگیری ماشین
• 97. تعریف پروژه نهایی: انتخاب مدل یا شبیه‌سازی
• 98. گام اول پروژه: جمع‌آوری و پاکسازی داده‌ها
• 99. گام دوم پروژه: ساخت و اجرای مدل/شبیه‌سازی
• 100. گام سوم پروژه: ایجاد بصری‌سازی‌های استاتیک و تعاملی