فلش‌کارت‌های آموزشی تحلیل داده‌های انبار و تصمیم‌گیری با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های انبار و تصمیم‌گیری با پایتون

موضوع کلی: اتوماسیون با پایتون

موضوع میانی: اتوماسیون در حوزه مدیریت انبارداری

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه ای بر انبار داده و تحلیل داده
• 2. فصل ۲: نصب و راه اندازی پایتون برای تحلیل داده
• 3. فصل ۳: ساختار داده در پایتون (لیست ها، تاپل ها، دیکشنری ها)
• 4. فصل ۴: کتابخانه NumPy برای محاسبات عددی
• 5. فصل ۵: کتابخانه Pandas برای دستکاری داده ها
• 6. فصل ۶: خواندن و نوشتن انواع فایل های داده (CSV, Excel, JSON)
• 7. فصل ۷: پاکسازی و پیش پردازش داده های واقعی
• 8. فصل ۸: شناسایی و مدیریت مقادیر گمشده
• 9. فصل ۹: تشخیص و حذف داده های پرت
• 10. فصل ۱۰: تبدیل و نرمال سازی داده ها
• 11. فصل ۱۱: مهندسی ویژگی (Feature Engineering)
• 12. فصل ۱۲: آمار توصیفی با Pandas
• 13. فصل ۱۳: مصورسازی داده ها با Matplotlib
• 14. فصل ۱۴: مصورسازی داده ها با Seaborn
• 15. فصل ۱۵: نمودارهای پایه (خطی، میله ای، هیستوگرام)
• 16. فصل ۱۶: نمودارهای پیشرفته (پراکندگی، جعبه ای، آماری)
• 17. فصل ۱۷: بررسی توزیع داده ها
• 18. فصل ۱۸: تحلیل همبستگی بین متغیرها
• 19. فصل ۱۹: کوئری زدن و فیلتر کردن داده ها
• 20. فصل ۲۰: گروه بندی و تجمیع داده ها
• 21. فصل ۲۱: ترکیب داده ها از منابع مختلف (Merge, Join, Concat)
• 22. فصل ۲۲: مقدمه ای بر انبار داده (Data Warehousing)
• 23. فصل ۲۳: مفاهیم کلیدی انبار داده (Dimensionality, Facts, Dimensions)
• 24. فصل ۲۴: طراحی طرحواره ستاره ای (Star Schema)
• 25. فصل ۲۵: طراحی طرحواره برف دانه ای (Snowflake Schema)
• 26. فصل ۲۶: مراحل ETL (Extract, Transform, Load)
• 27. فصل ۲۷: استخراج داده از منابع مختلف
• 28. فصل ۲۸: تبدیل داده ها برای بارگذاری
• 29. فصل ۲۹: بارگذاری داده ها در انبار داده
• 30. فصل ۳۰: مقدمه ای بر یادگیری ماشین در تحلیل داده
• 31. فصل ۳۱: انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 32. فصل ۳۲: ارزیابی مدل های یادگیری ماشین
• 33. فصل ۳۳: رگرسیون خطی ساده
• 34. فصل ۳۴: رگرسیون خطی چندگانه
• 35. فصل ۳۵: ارزیابی مدل های رگرسیون
• 36. فصل ۳۶: طبقه بندی: مقدمه ای بر منطق
• 37. فصل ۳۷: رگرسیون لجستیک
• 38. فصل ۳۸: ماشین بردار پشتیبان (SVM)
• 39. فصل ۳۹: درخت تصمیم
• 40. فصل ۴۰: جنگل تصادفی (Random Forest)
• 41. فصل ۴۱: ارزیابی مدل های طبقه بندی
• 42. فصل ۴۲: معیارهای ارزیابی (دقت، صحت، بازیابی)
• 43. فصل ۴۳: ماتریس درهم ریختگی (Confusion Matrix)
• 44. فصل ۴۴: منحنی ROC و AUC
• 45. فصل ۴۵: خوشه بندی: مقدمه ای بر الگوریتم K-Means
• 46. فصل ۴۶: پیاده سازی K-Means با Scikit-learn
• 47. فصل ۴۷: ارزیابی خوشه ها
• 48. فصل ۴۸: تحلیل سری های زمانی: مقدمه
• 49. فصل ۴۹: تشخیص روند و فصلی بودن
• 50. فصل ۵۰: مدل های ساده سری زمانی (میانگین متحرک)
• 51. فصل ۵۱: مدل ARIMA
• 52. فصل ۵۲: پیش بینی با مدل های سری زمانی
• 53. فصل ۵۳: تحلیل متن: مقدمه ای بر پردازش زبان طبیعی (NLP)
• 54. فصل ۵۴: پاکسازی و پیش پردازش متن
• 55. فصل ۵۵: توکن سازی (Tokenization)
• 56. فصل ۵۶: حذف کلمات توقف (Stop Words)
• 57. فصل ۵۷: لماتیزاسیون و ریشه یابی (Lemmatization & Stemming)
• 58. فصل ۵۸: نمایش متنی به صورت برداری (Bag of Words)
• 59. فصل ۵۹: TF-IDF (Term Frequency-Inverse Document Frequency)
• 60. فصل ۶۰: تحلیل احساسات (Sentiment Analysis)
• 61. فصل ۶۱: مقدمه ای بر تحلیل شبکه های اجتماعی
• 62. فصل ۶۲: نمایش گراف داده ها
• 63. فصل ۶۳: شناسایی گره های مهم (Centrality Measures)
• 64. فصل ۶۴: خوشه بندی در شبکه ها
• 65. فصل ۶۵: ابزارها و کتابخانه های تحلیل شبکه (NetworkX)
• 66. فصل ۶۶: مقدمه ای بر تصمیم گیری مبتنی بر داده
• 67. فصل ۶۷: چارچوب های تصمیم گیری
• 68. فصل ۶۸: تعریف مسئله تصمیم گیری
• 69. فصل ۶۹: جمع آوری و تحلیل داده های مرتبط
• 70. فصل ۷۰: شناسایی معیارهای تصمیم گیری
• 71. فصل ۷۱: تحلیل سناریوهای مختلف
• 72. فصل ۷۲: تحلیل حساسیت (Sensitivity Analysis)
• 73. فصل ۷۳: تحلیل درخت تصمیم گیری (Decision Trees)
• 74. فصل ۷۴: تحلیل هزینه-منفعت (Cost-Benefit Analysis)
• 75. فصل ۷۵: تحلیل ریسک و عدم قطعیت
• 76. فصل ۷۶: مقدمه ای بر ابزارهای BI (Business Intelligence)
• 77. فصل ۷۷: مفهوم داشبوردها
• 78. فصل ۷۸: طراحی داشبوردهای موثر
• 79. فصل ۷۹: اصول مصورسازی داده در داشبوردها
• 80. فصل ۸۰: نمونه های داشبوردهای عملیاتی
• 81. فصل ۸۱: ارتباط تحلیل داده با استراتژی کسب و کار
• 82. فصل ۸۲: معیارهای کلیدی عملکرد (KPIs)
• 83. فصل ۸۳: تعیین اهداف SMART
• 84. فصل ۸۴: داستان گویی با داده ها (Data Storytelling)
• 85. فصل ۸۵: ارتباط موثر یافته های تحلیلی
• 86. فصل ۸۶: اخلاق در تحلیل داده
• 87. فصل ۸۷: حریم خصوصی داده ها
• 88. فصل ۸۸: تعصب در الگوریتم ها
• 89. فصل ۸۹: مسئولیت پذیری در تصمیم گیری
• 90. فصل ۹۰: مفاهیم پیشرفته تحلیل داده
• 91. فصل ۹۱: یادگیری عمیق (Deep Learning) در تحلیل داده
• 92. فصل ۹۲: شبکه های عصبی کانولوشنال (CNN)
• 93. فصل ۹۳: شبکه های عصبی بازگشتی (RNN)
• 94. فصل ۹۴: پردازش زبان طبیعی با مدل های پیشرفته (BERT, GPT)
• 95. فصل ۹۵: سیستم های توصیه گر (Recommender Systems)
• 96. فصل ۹۶: فیلترینگ مشارکتی (Collaborative Filtering)
• 97. فصل ۹۷: فیلترینگ محتوا (Content-Based Filtering)
• 98. فصل ۹۸: پیاده سازی سیستم توصیه گر ساده
• 99. فصل ۹۹: موارد کاربرد پیشرفته انبار داده
• 100. فصل ۱۰۰: جمع بندی و نگاه به آینده