فلش‌کارت‌های آموزشی تحلیل داده‌های حجیم و بصری‌سازی با پایتون (Pandas و Matplotlib)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های حجیم و بصری‌سازی با پایتون (Pandas و Matplotlib)

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: تحلیل داده و هوش تجاری

📋 سرفصل‌های دوره

• 1. مبانی علوم داده در پایتون
• 2. نصب و پیکربندی محیط توسعه پایتون
• 3. آشنایی با ساختارهای داده پایه در پایتون
• 4. کار با لیست‌ها، تاپل‌ها و دیکشنری‌ها
• 5. مقدمات زبان برنامه‌نویسی پایتون
• 6. کنترل جریان و دستورات شرطی
• 7. حلقه‌ها و تکرار در پایتون
• 8. توابع و ماژول‌ها در پایتون
• 9. مدیریت خطا و استثنا در پایتون
• 10. مقدمه‌ای بر کتابخانه NumPy
• 11. آرایه‌های NumPy و عملیات بر روی آن‌ها
• 12. توابع ریاضی و آماری در NumPy
• 13. نمایه‌گذاری و برش در آرایه‌های NumPy
• 14. مقدمه‌ای بر کتابخانه Pandas
• 15. ساختارهای داده Pandas: Series
• 16. ساختارهای داده Pandas: DataFrame
• 17. بارگذاری و ذخیره‌سازی داده‌ها در Pandas
• 18. پاکسازی و پیش‌پردازش داده‌ها
• 19. مدیریت مقادیر گمشده
• 20. تکنیک‌های مختلف حذف و جایگزینی داده‌های گمشده
• 21. استانداردسازی و نرمال‌سازی داده‌ها
• 22. تبدیل انواع داده‌ها در Pandas
• 23. فیلتر کردن و انتخاب داده‌ها
• 24. مرتب‌سازی و گروه‌بندی داده‌ها
• 25. ادغام و پیوستن DataFrames
• 26. عملیات تجمعی بر روی داده‌ها
• 27. کار با داده‌های متنی در Pandas
• 28. کار با داده‌های تاریخ و زمان
• 29. مقدمه‌ای بر بصری‌سازی داده‌ها
• 30. اهمیت بصری‌سازی در تحلیل داده
• 31. مقدمه‌ای بر کتابخانه Matplotlib
• 32. اجزای اصلی نمودار در Matplotlib
• 33. رسم نمودارهای خطی ساده
• 34. رسم نمودارهای پراکندگی (Scatter Plots)
• 35. رسم نمودارهای میله‌ای (Bar Charts)
• 36. رسم نمودارهای هیستوگرام
• 37. رسم نمودارهای دایره‌ای (Pie Charts)
• 38. سفارشی‌سازی نمودارها
• 39. تنظیم عناوین، برچسب‌ها و راهنماها
• 40. تغییر رنگ، سبک خط و نشانگرها
• 41. رسم چندین نمودار در یک شکل
• 42. کار با زیرنمودارها (Subplots)
• 43. استفاده از Matplotlib برای داده‌های آماری
• 44. رسم نمودارهای جعبه‌ای (Box Plots)
• 45. رسم نمودارهای ویولن (Violin Plots)
• 46. رسم نمودارهای آماری پیچیده‌تر
• 47. مقدمه‌ای بر کتابخانه Seaborn
• 48. مزایای Seaborn نسبت به Matplotlib
• 49. رسم نمودارهای آماری با Seaborn
• 50. نمودارهای توزیع (Distribution Plots)
• 51. نمودارهای دسته‌بندی (Categorical Plots)
• 52. نمودارهای ماتریسی (Matrix Plots)
• 53. نمودارهای رگرسیون (Regression Plots)
• 54. سفارشی‌سازی نمودارهای Seaborn
• 55. مقدمه‌ای بر تحلیل داده‌های حجیم
• 56. مفاهیم کلیدی در داده‌های حجیم
• 57. چالش‌های تحلیل داده‌های حجیم
• 58. کاربرد پایتون در تحلیل داده‌های حجیم
• 59. مقدمه‌ای بر مفاهیم هوش تجاری
• 60. اجزای سیستم‌های هوش تجاری
• 61. نقش تحلیل داده در هوش تجاری
• 62. مبانی گزارش‌دهی و داشبوردسازی
• 63. ابزارهای تحلیل و بصری‌سازی داده
• 64. فرایند تحلیل کسب‌وکار
• 65. مفهوم انبار داده (Data Warehouse)
• 66. مدل‌سازی داده برای انبار داده
• 67. مقدمه‌ای بر مفاهیم OLAP
• 68. مقدمه‌ای بر مفاهیم OLTP
• 69. استخراج، تبدیل و بارگذاری (ETL)
• 70. اصول طراحی پایگاه داده تحلیلی
• 71. مفهوم Data Lake
• 72. مقایسه Data Warehouse و Data Lake
• 73. کاربرد داده‌کاوی در هوش تجاری
• 74. مقدمه‌ای بر یادگیری ماشین در تحلیل داده
• 75. انتخاب الگوریتم مناسب برای تحلیل
• 76. ارزیابی مدل‌های تحلیلی
• 77. مبانی تحلیل پیش‌بینانه
• 78. مبانی تحلیل تشخیصی
• 79. مبانی تحلیل تجویزی
• 80. اصول امنیت داده در پایتون
• 81. مدیریت دسترسی به داده‌ها
• 82. حفظ حریم خصوصی در تحلیل داده
• 83. مقدمه‌ای بر استانداردهای داده در ایران
• 84. مقررات مربوط به داده و اطلاعات
• 85. قوانین حاکم بر محتوای دیجیتال
• 86. اصول اخلاقی در تحلیل داده
• 87. کاربرد تحلیل داده در صنایع مختلف
• 88. تحلیل داده در بازاریابی
• 89. تحلیل داده در مالی
• 90. تحلیل داده در سلامت
• 91. تحلیل داده در صنعت
• 92. مقدمه‌ای بر ابزارهای BI متن‌باز
• 93. پروژه‌های متن‌باز در حوزه BI
• 94. مروری بر کتابخانه‌های تحلیل داده پیشرفته
• 95. آینده تحلیل داده و هوش تجاری