فلش‌کارت‌های آموزشی تحلیل داده‌های کاربردی برای تصمیم‌گیری هوشمندانه

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های کاربردی برای تصمیم‌گیری هوشمندانه

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: تحلیل داده‌های کاربردی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌های کاربردی
• 2. مفاهیم کلیدی علم داده
• 3. چرخه حیات پروژه علم داده
• 4. انواع داده‌ها و ساختارهای آن‌ها
• 5. جمع‌آوری داده‌ها از منابع مختلف
• 6. پیش‌پردازش و پاکسازی داده‌ها
• 7. مدیریت داده‌های گمشده و پرت
• 8. مهندسی ویژگی: ایجاد ویژگی‌های جدید
• 9. انتخاب ویژگی: کاهش ابعاد
• 10. مقدمه‌ای بر آمار توصیفی
• 11. نمودارهای توصیفی برای داده‌های عددی
• 12. نمودارهای توصیفی برای داده‌های طبقه‌ای
• 13. مفهوم توزیع داده‌ها
• 14. آزمون فرضیه آماری: اصول پایه
• 15. آزمون‌های آماری متداول
• 16. مقدمه‌ای بر یادگیری ماشین
• 17. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 18. رگرسیون خطی ساده
• 19. ارزیابی مدل‌های رگرسیون
• 20. رگرسیون لجستیک
• 21. طبقه‌بندی: درخت تصمیم
• 22. ارزیابی مدل‌های طبقه‌بندی
• 23. یادگیری ماشین بدون نظارت: خوشه‌بندی
• 24. الگوریتم K-Means
• 25. مقدمه‌ای بر کاهش ابعاد
• 26. تحلیل مولفه‌های اصلی (PCA)
• 27. کاربرد PCA در تحلیل داده
• 28. تحلیل سری‌های زمانی: مفاهیم پایه
• 29. پیش‌بینی با استفاده از سری‌های زمانی
• 30. مدل‌های ARIMA
• 31. تجزیه و تحلیل سببی
• 32. تست‌های علت و معلولی
• 33. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 34. شاخص‌های کلیدی در شبکه‌های اجتماعی
• 35. کاربرد تحلیل شبکه‌های اجتماعی
• 36. مقدمه‌ای بر داده‌کاوی
• 37. قوانین وابستگی (Association Rules)
• 38. الگوریتم Apriori
• 39. خوشه‌بندی در داده‌کاوی
• 40. طبقه‌بندی در داده‌کاوی
• 41. روش‌های اعتبارسنجی متقابل
• 42. تنظیم فراپارامترها (Hyperparameter Tuning)
• 43. مقدمه‌ای بر یادگیری عمیق
• 44. شبکه‌های عصبی پرسپترون چندلایه
• 45. شبکه‌های عصبی کانولوشنی (CNN)
• 46. کاربرد CNN در بینایی ماشین
• 47. شبکه‌های عصبی بازگشتی (RNN)
• 48. کاربرد RNN در پردازش زبان طبیعی
• 49. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 50. توکن‌سازی و ریشه‌یابی کلمات
• 51. مدل‌های زبانی
• 52. تحلیل احساسات
• 53. مقدمه‌ای بر هوش مصنوعی مولد
• 54. مدل‌های زبانی بزرگ (LLMs)
• 55. مقدمه‌ای بر اخلاق در علم داده
• 56. سوگیری در داده‌ها و مدل‌ها
• 57. حریم خصوصی داده‌ها
• 58. امنیت داده‌ها
• 59. اصول حاکمیت داده
• 60. مقدمه‌ای بر ابزارهای علم داده
• 61. محیط‌های توسعه پایتون
• 62. کتابخانه‌های کلیدی علم داده: NumPy, Pandas
• 63. کتابخانه‌های بصری‌سازی: Matplotlib, Seaborn
• 64. کتابخانه‌های یادگیری ماشین: Scikit-learn
• 65. مقدمه‌ای بر ابزارهای هوش مصنوعی
• 66. پلتفرم‌های ابری برای علم داده
• 67. مقدمه‌ای بر تحلیل داده‌های مالی
• 68. شاخص‌های کلیدی عملکرد مالی
• 69. پیش‌بینی روند بازار سهام
• 70. تحلیل ریسک اعتباری
• 71. مقدمه‌ای بر تحلیل داده‌های سلامت
• 72. تشخیص بیماری‌ها با استفاده از داده‌ها
• 73. تحلیل داده‌های ژنتیکی
• 74. مقدمه‌ای بر تحلیل داده‌های بازاریابی
• 75. بخش‌بندی مشتریان
• 76. تحلیل سبد خرید
• 77. پیش‌بینی ریزش مشتری
• 78. مقدمه‌ای بر تحلیل داده‌های دولتی
• 79. بهینه‌سازی خدمات عمومی
• 80. تحلیل داده‌های حمل و نقل
• 81. مقدمه‌ای بر تصمیم‌گیری هوشمندانه
• 82. نقش تحلیل داده در تصمیم‌گیری
• 83. چارچوب‌های تصمیم‌گیری مبتنی بر داده
• 84. ارزیابی نتایج تصمیم‌گیری
• 85. پیاده‌سازی راهکارها
• 86. پایش و بهبود مستمر
• 87. مطالعات موردی در تحلیل داده‌های کاربردی
• 88. تحلیل داده در صنعت خرده‌فروشی
• 89. تحلیل داده در صنعت بانکداری
• 90. تحلیل داده در صنعت سلامت
• 91. تحلیل داده در صنعت تولید
• 92. تحلیل داده در بخش عمومی
• 93. آینده تحلیل داده و هوش مصنوعی
• 94. روندهای نوظهور در علم داده
• 95. چالش‌های آینده در تحلیل داده
• 96. نقش متخصصان علم داده در آینده
• 97. توسعه مهارت‌های لازم برای آینده