فلش‌کارت‌های آموزشی راهنمای جامع Jupyter Notebooks برای دانشمندان داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع Jupyter Notebooks برای دانشمندان داده

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Jupyter Notebooks

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Jupyter Notebook و کاربردهای آن
• 2. نصب و پیکربندی Jupyter Notebook
• 3. آشنایی با محیط کاربری Jupyter Notebook
• 4. ایجاد و ذخیره نوت‌بوک‌های جدید
• 5. بخش‌بندی نوت‌بوک‌ها با استفاده از سلول‌ها (Markdown و Code)
• 6. نوشتن کد پایتون در سلول‌های کد
• 7. اجرای سلول‌های کد و مشاهده خروجی‌ها
• 8. استفاده از Markdown برای مستندسازی و توضیحات
• 9. فرمت‌دهی متن در Markdown (عنوان، لیست، لینک، تصویر)
• 10. کار با انواع داده‌های پایه در پایتون
• 11. دستورات شرطی و حلقه‌ها در پایتون
• 12. توابع و ماژول‌ها در پایتون
• 13. مقدمه‌ای بر کتابخانه NumPy برای محاسبات عددی
• 14. آرایه‌های NumPy و عملیات پایه
• 15. عملیات بر روی ابعاد آرایه‌های NumPy
• 16. توابع آماری در NumPy
• 17. مقدمه‌ای بر کتابخانه Pandas برای تحلیل داده
• 18. ساختار داده Series در Pandas
• 19. ساختار داده DataFrame در Pandas
• 20. وارد کردن داده‌ها از فایل‌های CSV و Excel
• 21. انتخاب و فیلتر کردن داده‌ها در DataFrame
• 22. مدیریت داده‌های گم‌شده (Missing Data)
• 23. تولید ستون‌های جدید بر اساس داده‌های موجود
• 24. گروه‌بندی و تجمیع داده‌ها با Pandas
• 25. ترکیب و ادغام DataFrames
• 26. مقدمه‌ای بر کتابخانه Matplotlib برای رسم نمودار
• 27. رسم نمودارهای خطی ساده
• 28. رسم نمودارهای پراکندگی (Scatter Plots)
• 29. رسم نمودارهای میله‌ای (Bar Charts)
• 30. رسم نمودارهای هیستوگرام
• 31. تنظیمات پیشرفته نمودارها (عنوان، برچسب‌ها، رنگ‌ها)
• 32. ذخیره نمودارها در فرمت‌های مختلف
• 33. مقدمه‌ای بر کتابخانه Seaborn برای نمودارهای آماری
• 34. نمودارهای توزیع در Seaborn
• 35. نمودارهای دسته‌بندی در Seaborn
• 36. نمودارهای رابطه‌ای در Seaborn
• 37. نمودارهای ماتریسی در Seaborn
• 38. کاربرد Jupyter Notebook در پروژه‌های علم داده
• 39. مراحل اولیه تحلیل داده اکتشافی (EDA)
• 40. پاکسازی داده‌ها در Jupyter Notebook
• 41. نمایش آماری داده‌ها در Jupyter Notebook
• 42. مصورسازی داده‌ها برای درک بهتر
• 43. آماده‌سازی داده‌ها برای مدل‌سازی
• 44. مقدمه‌ای بر یادگیری ماشین
• 45. انواع مسائل در یادگیری ماشین (نظارت‌شده، بدون نظارت)
• 46. مقدمه‌ای بر کتابخانه Scikit-learn
• 47. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 48. مدل‌های رگرسیون خطی در Scikit-learn
• 49. ارزیابی مدل‌های رگرسیون
• 50. مدل‌های طبقه‌بندی (Classification)
• 51. مدل K-نزدیک‌ترین همسایه (KNN)
• 52. ماشین بردار پشتیبان (SVM)
• 53. درخت تصمیم (Decision Trees)
• 54. جنگل تصادفی (Random Forest)
• 55. ارزیابی مدل‌های طبقه‌بندی (دقت، صحت، فراخوانی)
• 56. مقدمه‌ای بر شبکه‌های عصبی
• 57. مقدمه‌ای بر یادگیری عمیق
• 58. کاربرد Jupyter Notebook در یادگیری عمیق
• 59. مقدمه‌ای بر کتابخانه TensorFlow
• 60. ساخت مدل‌های ساده با TensorFlow
• 61. مقدمه‌ای بر کتابخانه Keras
• 62. ساخت مدل‌های طبقه‌بندی با Keras
• 63. ساخت مدل‌های رگرسیون با Keras
• 64. استفاده از GPU برای آموزش مدل‌ها
• 65. تنظیمات پیشرفته در Keras
• 66. ذخیره و بارگذاری مدل‌های آموزش‌دیده
• 67. کاربرد Jupyter Notebook در پردازش زبان طبیعی (NLP)
• 68. مقدمه‌ای بر کتابخانه NLTK
• 69. پردازش اولیه متن (توکن‌سازی، حذف کلمات توقف)
• 70. ریشه‌یابی و بن‌واژه‌سازی (Stemming & Lemmatization)
• 71. بردارهای کلمه (Word Embeddings)
• 72. مقدمه‌ای بر کتابخانه SpaCy
• 73. استفاده از SpaCy برای تحلیل متن
• 74. کاربرد Jupyter Notebook در تحلیل سری‌های زمانی
• 75. مقدمه‌ای بر کتابخانه Statsmodels
• 76. مدل‌های ARIMA برای پیش‌بینی
• 77. مصورسازی نتایج پیش‌بینی سری‌های زمانی
• 78. کاربرد Jupyter Notebook در بهینه‌سازی
• 79. الگوریتم‌های بهینه‌سازی پایه
• 80. کاربرد Jupyter Notebook در ساخت داشبوردهای تعاملی (با استفاده از ipywidgets)
• 81. ایجاد ویجت‌های ورودی
• 82. ایجاد ویجت‌های نمایشی
• 83. اتصال ویجت‌ها به توابع پایتون
• 84. ساخت فرم‌های ساده
• 85. قابلیت اشتراک‌گذاری نوت‌بوک‌ها
• 86. تبدیل نوت‌بوک به فرمت‌های دیگر (HTML, PDF)
• 87. نکات و ترفندهای پیشرفته در Jupyter Notebook
• 88. مدیریت محیط‌های مجازی (Virtual Environments)
• 89. استفاده از JupyterLab
• 90. کاربرد Jupyter Notebook در پروژه‌های تیمی
• 91. نکات امنیتی در استفاده از Jupyter Notebook
• 92. بهترین شیوه‌ها برای کدنویسی تمیز و خوانا
• 93. استفاده از Git برای مدیریت نسخه نوت‌بوک‌ها
• 94. مقدمه‌ای بر ابزارهای دیگر مانند Google Colab
• 95. جمع‌بندی و آینده Jupyter Notebook در علم داده