فلش‌کارت‌های آموزشی تسلط بر Jupyter Notebooks برای تحلیل داده و مدل‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر Jupyter Notebooks برای تحلیل داده و مدل‌سازی

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Jupyter Notebooks

📋 سرفصل‌های دوره

• 1. آشنایی با محیط Jupyter Notebook
• 2. نصب و راه‌اندازی Jupyter Notebook
• 3. ساختار کلی یک نوت‌بوک
• 4. سلول‌های کد و متن در Jupyter
• 5. اجرای کد پایتون در Jupyter
• 6. استفاده از Markdown برای مستندسازی
• 7. فرمول‌نویسی با LaTeX در Jupyter
• 8. مدیریت هسته‌ها (Kernels) در Jupyter
• 9. ذخیره و بارگذاری نوت‌بوک‌ها
• 10. مرتب‌سازی و سازماندهی نوت‌بوک‌ها
• 11. استفاده از Git برای مدیریت نسخه نوت‌بوک‌ها
• 12. نوت‌بوک‌های تعاملی با Widgets
• 13. رسم نمودار با Matplotlib در Jupyter
• 14. رسم نمودار با Seaborn در Jupyter
• 15. رسم نمودار با Plotly در Jupyter
• 16. تجسم داده‌های مکانی با GeoPandas
• 17. مقدمه‌ای بر تحلیل داده با Pandas
• 18. کار با DataFrame ها در Pandas
• 19. فیلتر کردن و انتخاب داده در Pandas
• 20. مرتب‌سازی و گروه‌بندی داده‌ها
• 21. ادغام و پیوستن DataFrame ها
• 22. کار با داده‌های سری زمانی در Pandas
• 23. پاکسازی داده‌های گمشده در Pandas
• 24. مدیریت داده‌های تکراری
• 25. تبدیل و تغییر شکل داده‌ها
• 26. مقدمه‌ای بر NumPy برای محاسبات عددی
• 27. آرایه‌های NumPy
• 28. عملیات ریاضی بر روی آرایه‌های NumPy
• 29. شاخص‌گذاری و برش آرایه‌های NumPy
• 30. توابع آماری NumPy
• 31. مقدمه‌ای بر یادگیری ماشین با Scikit-learn
• 32. تقسیم داده به مجموعه‌های آموزش و آزمون
• 33. پیش‌پردازش داده‌ها (Scaling)
• 34. مدل‌های رگرسیون خطی
• 35. ارزیابی مدل‌های رگرسیون
• 36. مدل‌های رگرسیون چندجمله‌ای
• 37. مدل‌های درخت تصمیم برای رگرسیون
• 38. مدل‌های جنگل تصادفی برای رگرسیون
• 39. مدل‌های ماشین بردار پشتیبان (SVM) برای رگرسیون
• 40. مقدمه‌ای بر طبقه‌بندی
• 41. مدل‌های رگرسیون لجستیک
• 42. مدل‌های درخت تصمیم برای طبقه‌بندی
• 43. مدل‌های جنگل تصادفی برای طبقه‌بندی
• 44. مدل‌های ماشین بردار پشتیبان (SVM) برای طبقه‌بندی
• 45. ارزیابی مدل‌های طبقه‌بندی (Accuracy, Precision, Recall)
• 46. ماتریس درهم‌ریختگی (Confusion Matrix)
• 47. منحنی ROC و AUC
• 48. مدل‌های K-نزدیک‌ترین همسایه (KNN)
• 49. خوشه‌بندی K-Means
• 50. مقدمه‌ای بر شبکه‌های عصبی
• 51. مقدمه‌ای بر یادگیری عمیق
• 52. استفاده از TensorFlow در Jupyter
• 53. استفاده از Keras در Jupyter
• 54. ساخت مدل‌های ساده شبکه عصبی
• 55. آموزش مدل‌های شبکه عصبی
• 56. ارزیابی مدل‌های شبکه عصبی
• 57. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 58. اعتبارسنجی متقابل (Cross-Validation)
• 59. کاهش ابعاد با PCA
• 60. کاهش ابعاد با t-SNE
• 61. مدل‌سازی سری‌های زمانی با ARIMA
• 62. پیش‌بینی با مدل‌های سری زمانی
• 63. تحلیل احساسات با پردازش زبان طبیعی (NLP)
• 64. کار با متن در Python
• 65. استفاده از NLTK در Jupyter
• 66. استفاده از spaCy در Jupyter
• 67. توکن‌سازی و حذف کلمات توقف
• 68. ریشه‌یابی و بن‌واژه‌سازی (Stemming & Lemmatization)
• 69. مدل‌سازی موضوعی (Topic Modeling) با LDA
• 70. کار با داده‌های تصویری
• 71. استفاده از OpenCV در Jupyter
• 72. طبقه‌بندی تصاویر با شبکه‌های عصبی کانولوشنال (CNN)
• 73. ساخت مدل‌های CNN ساده
• 74. آموزش مدل‌های CNN
• 75. پیش‌بینی با مدل‌های CNN
• 76. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 77. فیلتر کردن مشارکتی (Collaborative Filtering)
• 78. فیلتر کردن مبتنی بر محتوا (Content-Based Filtering)
• 79. پیاده‌سازی سیستم توصیه‌گر ساده
• 80. مقدمه‌ای بر بهینه‌سازی
• 81. بهینه‌سازی با الگوریتم‌های ژنتیک
• 82. کار با پایگاه‌های داده در Jupyter
• 83. اتصال به پایگاه داده SQL
• 84. اجرای کوئری‌های SQL
• 85. کار با NoSQL در Jupyter
• 86. مقدمه‌ای بر MLOps
• 87. استقرار مدل‌های یادگیری ماشین
• 88. نظارت بر عملکرد مدل
• 89. اخلاق در هوش مصنوعی
• 90. حریم خصوصی داده‌ها در تحلیل داده
• 91. قوانین و مقررات مربوط به داده در ایران
• 92. کاربرد Jupyter در پروژه‌های علمی
• 93. کاربرد Jupyter در تحقیقات صنعتی
• 94. نکات پیشرفته برای استفاده از Jupyter
• 95. اشکال‌زدایی (Debugging) در Jupyter
• 96. بهینه‌سازی عملکرد کد در Jupyter
• 97. تولید گزارش‌های خودکار از Jupyter
• 98. اشتراک‌گذاری نوت‌بوک‌ها به صورت ایمن
• 99. ملاحظات امنیتی در Jupyter
• 100. آینده Jupyter Notebooks