فلش‌کارت‌های آموزشی تحلیل و مصورسازی داده‌ها با پایتون: از مقدماتی تا پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و مصورسازی داده‌ها با پایتون: از مقدماتی تا پیشرفته

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: تحلیل و پردازش داده‌ها با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌ها با پایتون
• 2. نصب و پیکربندی محیط توسعه پایتون
• 3. آشنایی با ساختارهای داده‌ای پایه در پایتون
• 4. کار با لیست‌ها و تاپل‌ها در پایتون
• 5. کار با دیکشنری‌ها و مجموعه‌ها در پایتون
• 6. مقدمه‌ای بر کتابخانه NumPy
• 7. عملیات پایه‌ای با آرایه‌های NumPy
• 8. عملیات ریاضی و منطقی با NumPy
• 9. شکل‌دهی و دستکاری آرایه‌های NumPy
• 10. نمونه‌گیری و انتخاب داده‌ها در NumPy
• 11. مقدمه‌ای بر کتابخانه Pandas
• 12. ساختار داده DataFrame در Pandas
• 13. ساختار داده Series در Pandas
• 14. خواندن و نوشتن داده‌ها (CSV, Excel)
• 15. انتخاب و فیلتر کردن داده‌ها در DataFrame
• 16. مدیریت داده‌های گمشده (Missing Data)
• 17. پاکسازی و پیش‌پردازش داده‌ها
• 18. تکنیک‌های تغییر شکل داده‌ها (Reshaping)
• 19. ترکیب و ادغام DataFrames
• 20. عملیات گروه‌بندی و تجمیع داده‌ها (GroupBy)
• 21. توابع پنجره‌ای (Window Functions) در Pandas
• 22. مقدمه‌ای بر مصورسازی داده‌ها
• 23. اصول طراحی نمودارهای مؤثر
• 24. مقدمه‌ای بر کتابخانه Matplotlib
• 25. رسم نمودارهای خطی (Line Plots)
• 26. رسم نمودارهای پراکندگی (Scatter Plots)
• 27. رسم نمودارهای میله‌ای (Bar Plots)
• 28. رسم نمودارهای هیستوگرام (Histograms)
• 29. رسم نمودارهای جعبه‌ای (Box Plots)
• 30. رسم نمودارهای دایره‌ای (Pie Charts)
• 31. سفارشی‌سازی نمودارها در Matplotlib
• 32. استفاده از Subplots برای نمایش چند نمودار
• 33. مقدمه‌ای بر کتابخانه Seaborn
• 34. نمودارهای آماری پیشرفته با Seaborn
• 35. نمودارهای توزیع (Distribution Plots)
• 36. نمودارهای دسته‌بندی (Categorical Plots)
• 37. نمودارهای رگرسیون (Regression Plots)
• 38. نمودارهای ماتریسی (Matrix Plots)
• 39. نمودارهای خوشه‌بندی (Clustering Plots)
• 40. مقدمه‌ای بر تحلیل آماری در پایتون
• 41. آمار توصیفی با NumPy و Pandas
• 42. آزمون‌های فرض آماری مقدماتی
• 43. مقدمه‌ای بر آمار استنباطی
• 44. مفاهیم احتمال و توزیع‌های آماری
• 45. کار با داده‌های سری زمانی (Time Series)
• 46. مقدمه‌ای بر تحلیل اکتشافی داده‌ها (EDA)
• 47. شناسایی الگوها و روندها در داده‌ها
• 48. تشخیص داده‌های پرت (Outliers)
• 49. ارزیابی کیفیت داده‌ها
• 50. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
• 51. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 52. پیش‌پردازش داده‌ها برای مدل‌سازی
• 53. انتخاب ویژگی (Feature Selection)
• 54. مهندسی ویژگی (Feature Engineering)
• 55. مقدمه‌ای بر رگرسیون خطی
• 56. ارزیابی مدل‌های رگرسیون
• 57. مقدمه‌ای بر طبقه‌بندی (Classification)
• 58. رگرسیون لجستیک (Logistic Regression)
• 59. ماشین بردار پشتیبان (SVM) مقدماتی
• 60. درخت تصمیم (Decision Trees) مقدماتی
• 61. ارزیابی مدل‌های طبقه‌بندی
• 62. مقدمه‌ای بر یادگیری بدون نظارت
• 63. خوشه‌بندی (Clustering) با K-Means
• 64. کاهش ابعاد با PCA
• 65. مقدمه‌ای بر پردازش متن (Text Processing)
• 66. توکن‌سازی و پاکسازی متن
• 67. نمایش متنی (Vectorization)
• 68. مقدمه‌ای بر تحلیل احساسات (Sentiment Analysis)
• 69. کار با داده‌های متنی در پایتون
• 70. مقدمه‌ای بر پایگاه داده‌ها
• 71. مقدمه‌ای بر SQL
• 72. کوئری‌های پایه در SQL
• 73. کار با پایگاه داده‌های رابطه‌ای در پایتون
• 74. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 75. چالش‌های کار با داده‌های حجیم
• 76. مقدمه‌ای بر ابزارهای داده‌های بزرگ (اختیاری)
• 77. کار با داده‌های جغرافیایی (Geospatial Data)
• 78. مقدمه‌ای بر مصورسازی تعاملی (Interactive Visualization)
• 79. کتابخانه Plotly برای مصورسازی
• 80. نمودارهای تعاملی با Plotly
• 81. ساخت داشبوردهای تحلیلی مقدماتی
• 82. کار با داده‌های شبکه‌های اجتماعی (اختیاری)
• 83. مقدمه‌ای بر اخلاق در تحلیل داده‌ها
• 84. حفظ حریم خصوصی و امنیت داده‌ها
• 85. سوگیری در الگوریتم‌ها و داده‌ها
• 86. ملاحظات اخلاقی در مصورسازی داده‌ها
• 87. پروژه عملی تحلیل و مصورسازی داده‌ها (نمونه)
• 88. کار روی مجموعه داده‌های واقعی
• 89. ارائه نتایج تحلیل و مصورسازی
• 90. مباحث پیشرفته در تحلیل داده‌ها (اختیاری)
• 91. مقدمه‌ای بر یادگیری عمیق (Deep Learning) (اختیاری)
• 92. کاربردها و آینده تحلیل داده‌ها
• 93. بازنگری مفاهیم کلیدی
• 94. جمع‌بندی دوره آموزشی