فلش‌کارت‌های آموزشی تحلیل و پردازش داده با پانداس در پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و پردازش داده با پانداس در پایتون

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: تحلیل داده و علم داده با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و پایتون
• 2. نصب و راه‌اندازی محیط تحلیل داده
• 3. آشنایی با ساختارهای داده در پایتون
• 4. مبانی کتابخانه NumPy
• 5. عملیات پایه‌ای با آرایه‌های NumPy
• 6. نمایه‌گذاری و برش‌دهی در NumPy
• 7. توابع ریاضی و آماری در NumPy
• 8. مقدمه‌ای بر کتابخانه Pandas
• 9. ساختارهای داده Series و DataFrame
• 10. عملیات با DataFrame
• 11. خواندن و نوشتن داده‌ها (CSV, Excel)
• 12. پاکسازی داده‌ها: شناسایی و حذف مقادیر گمشده
• 13. پاکسازی داده‌ها: جایگزینی مقادیر گمشده
• 14. شناسایی و حذف داده‌های پرت
• 15. تبدیل انواع داده‌ها
• 16. عملیات ترکیب و ادغام DataFrame ها
• 17. گروه‌بندی و تجمیع داده‌ها
• 18. تجزیه و تحلیل داده‌های سری زمانی
• 19. عملیات متنی بر روی داده‌ها
• 20. آشنایی با مصورسازی داده‌ها
• 21. مبانی مصورسازی با Matplotlib
• 22. مصورسازی با Seaborn
• 23. نمودارهای پراکندگی و خطی
• 24. نمودارهای میله‌ای و هیستوگرام
• 25. نمودارهای جعبه‌ای و ویولن
• 26. مصورسازی داده‌های جغرافیایی (مقدماتی)
• 27. مقدمه‌ای بر آمار استنباطی
• 28. آزمون فرض آماری
• 29. مفاهیم رگرسیون خطی
• 30. رگرسیون خطی چندگانه
• 31. مقدمه‌ای بر طبقه‌بندی
• 32. الگوریتم K-نزدیک‌ترین همسایه
• 33. درخت‌های تصمیم
• 34. مقدمه‌ای بر یادگیری ماشین
• 35. آماده‌سازی داده‌ها برای مدل‌سازی
• 36. انتخاب ویژگی (Feature Selection)
• 37. مهندسی ویژگی (Feature Engineering)
• 38. ارزیابی مدل‌های یادگیری ماشین
• 39. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 40. معیارهای ارزیابی مدل‌های رگرسیون
• 41. اعتبارسنجی متقابل (Cross-Validation)
• 42. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 43. آشنایی با شبکه‌های عصبی (مقدماتی)
• 44. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 45. تحلیل احساسات (Sentiment Analysis)
• 46. مدل‌سازی موضوعی (Topic Modeling)
• 47. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 48. مصورسازی شبکه‌های اجتماعی
• 49. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 50. مفاهیم Hadoop و Spark
• 51. کار با ابزارهای پردازش توزیع‌شده (مقدماتی)
• 52. اصول مهندسی نرم‌افزار در پروژه‌های داده
• 53. روش‌های توسعه چابک (Agile) در پروژه‌های داده
• 54. مدیریت پیکربندی (Configuration Management)
• 55. سیستم‌های کنترل نسخه (Git)
• 56. مبانی پایگاه داده رابطه‌ای
• 57. طراحی پایگاه داده (مقدماتی)
• 58. زبان SQL برای تحلیل داده
• 59. کار با پایگاه داده در پایتون
• 60. اصول امنیت داده‌ها در پایتون
• 61. حفظ حریم خصوصی داده‌ها
• 62. ملاحظات اخلاقی در علم داده
• 63. پیاده‌سازی الگوریتم‌های یادگیری عمیق (مقدماتی)
• 64. شبکه‌های عصبی کانولوشنال (CNN)
• 65. شبکه‌های عصبی بازگشتی (RNN)
• 66. مقدمه‌ای بر پردازش تصویر با پایتون
• 67. کار با کتابخانه OpenCV
• 68. کار با کتابخانه Pillow
• 69. تحلیل داده‌های صوتی (مقدماتی)
• 70. پردازش سیگنال‌های دیجیتال (مقدماتی)
• 71. مقدمه‌ای بر بهینه‌سازی (Optimization)
• 72. الگوریتم‌های ژنتیک (مقدماتی)
• 73. کاربرد علم داده در حوزه سلامت (با رعایت پروتکل‌ها)
• 74. کاربرد علم داده در حوزه مالی (با رعایت مقررات)
• 75. کاربرد علم داده در حوزه آموزش
• 76. کاربرد علم داده در صنعت
• 77. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 78. داشبوردهای مدیریتی با پایتون
• 79. اتوماسیون وظایف تحلیل داده
• 80. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 81. مفاهیم پایه یادگیری تقویتی
• 82. الگوریتم‌های Q-Learning
• 83. مقدمه‌ای بر سیستم‌های توصیه‌گر (Recommender Systems)
• 84. فیلترینگ مشارکتی (Collaborative Filtering)
• 85. محتوای مبتنی بر فیلترینگ (Content-Based Filtering)
• 86. ترکیب روش‌های توصیه‌گر
• 87. اصول کار تیمی در پروژه‌های علم داده
• 88. ارتباط موثر با ذینفعان
• 89. مستندسازی پروژه‌های علم داده
• 90. ارائه نتایج تحلیل داده
• 91. بررسی کیس استادی‌های موفق در علم داده
• 92. چالش‌های پیاده‌سازی علم داده در سازمان‌ها
• 93. آینده علم داده و هوش مصنوعی
• 94. مهارت‌های لازم برای متخصص علم داده
• 95. مسیر شغلی در علم داده
• 96. مقدمه‌ای بر قوانین و مقررات داده در ایران
• 97. حقوق مالکیت داده‌ها در ایران
• 98. مسئولیت‌های قانونی در حوزه داده
• 99. استانداردهای داده در ایران
• 100. تکنیک‌های پیشرفته پاکسازی داده