فلش‌کارت‌های آموزشی مهندسی پرامپت پیشرفته برای تحلیل داده با پایتون، پانداز و مدل‌های زبانی بزرگ (مانند ChatGPT)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی پرامپت پیشرفته برای تحلیل داده با پایتون، پانداز و مدل‌های زبانی بزرگ (مانند ChatGPT)

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: مهندسی پرامپت و ابزارهای تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علم داده و هوش مصنوعی
• 2. مبانی پایتون برای تحلیل داده
• 3. آشنایی با کتابخانه پانداز
• 4. ساختار داده در پانداز: سری‌ها و دیتافریم‌ها
• 5. بارگذاری و ذخیره داده‌ها
• 6. پاکسازی و پیش‌پردازش داده‌ها
• 7. مدیریت داده‌های گمشده
• 8. تغییر شکل و ترکیب دیتافریم‌ها
• 9. عملیات گروه بندی و تجمیع
• 10. کار با رشته‌ها و تاریخ‌ها در پانداز
• 11. مروری بر مدل‌های زبانی بزرگ (LLMs)
• 12. مفهوم مهندسی پرامپت
• 13. اصول اولیه طراحی پرامپت
• 14. انواع پرامپت‌ها برای تحلیل داده
• 15. استفاده از ChatGPT برای تحلیل اکتشافی داده
• 16. پرسش و پاسخ با داده‌ها با استفاده از LLMs
• 17. خلاصه‌سازی داده‌ها با مدل‌های زبانی
• 18. تولید گزارش‌های اولیه از داده‌ها
• 19. استخراج اطلاعات کلیدی از متن داده‌ها
• 20. تشخیص الگو در داده‌های متنی
• 21. آموزش مدل‌های زبانی برای وظایف خاص داده
• 22. تنظیم دقیق (Fine-tuning) مدل‌ها برای تحلیل داده
• 23. ارزیابی عملکرد مدل‌های زبانی در تحلیل داده
• 24. مقدمه‌ای بر یادگیری ماشین
• 25. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 26. پیش‌پردازش داده‌ها برای مدل‌های یادگیری ماشین
• 27. مهندسی ویژگی برای مدل‌های یادگیری ماشین
• 28. مدل‌های رگرسیون خطی
• 29. ارزیابی مدل‌های رگرسیون
• 30. مدل‌های رده‌بندی: رگرسیون لجستیک
• 31. ارزیابی مدل‌های رده‌بندی
• 32. درختان تصمیم
• 33. جنگل‌های تصادفی
• 34. ماشین‌های بردار پشتیبان (SVM)
• 35. خوشه‌بندی K-Means
• 36. تحلیل مولفه‌های اصلی (PCA)
• 37. مقدمه‌ای بر شبکه‌های عصبی
• 38. شبکه‌های عصبی پرسپترون چندلایه
• 39. یادگیری عمیق برای تحلیل داده
• 40. شبکه‌های عصبی کانولوشنال (CNN)
• 41. شبکه‌های عصبی بازگشتی (RNN)
• 42. شبکه‌های LSTM و GRU
• 43. کاربرد LLMs در پیش‌پردازش داده‌های پیچیده
• 44. استفاده از LLMs برای تولید ویژگی‌های مصنوعی
• 45. ترکیب LLMs با روش‌های سنتی یادگیری ماشین
• 46. پرامپت‌نویسی برای استخراج ویژگی‌های معنایی
• 47. تولید توضیحات برای نمودارها و نتایج تحلیل
• 48. خودکارسازی تولید مستندات تحلیل داده
• 49. طراحی پرامپت برای اعتبارسنجی نتایج تحلیل
• 50. استفاده از LLMs برای تفسیر مدل‌های یادگیری ماشین
• 51. توضیح پیش‌بینی‌های مدل به زبان ساده
• 52. شناسایی و اصلاح سوگیری در داده‌ها با LLMs
• 53. کاربرد LLMs در تحلیل سری‌های زمانی
• 54. پیش‌بینی سری‌های زمانی با استفاده از LLMs
• 55. مدل‌سازی رخدادها با LLMs
• 56. تحلیل داده‌های مکانی با LLMs
• 57. تولید پرسش و پاسخ از داده‌های مکانی
• 58. کاربرد LLMs در پردازش زبان طبیعی (NLP)
• 59. تحلیل احساسات با LLMs
• 60. مدل‌سازی موضوعی با LLMs
• 61. تشخیص موجودیت نام‌گذاری شده (NER) با LLMs
• 62. خلاصه‌سازی متون طولانی با LLMs
• 63. ترجمه ماشینی با LLMs
• 64. تولید متن با LLMs
• 65. کاربرد LLMs در تحلیل داده‌های مالی
• 66. پیش‌بینی روند بازار با LLMs
• 67. تحلیل اخبار مالی با LLMs
• 68. مدیریت ریسک با استفاده از LLMs
• 69. کاربرد LLMs در تحلیل داده‌های پزشکی
• 70. کمک به تشخیص بیماری‌ها با LLMs
• 71. تحلیل پرونده‌های پزشکی با LLMs
• 72. پیش‌بینی نتایج درمانی با LLMs
• 73. طراحی پرامپت برای پرسش‌های فقهی مرتبط با داده
• 74. استفاده از LLMs در تحلیل داده‌های آماری
• 75. اصول آماری برای علم داده
• 76. آزمون فرض آماری
• 77. رگرسیون چندگانه
• 78. آمار توصیفی پیشرفته
• 79. مقدمه‌ای بر طراحی داشبوردهای تحلیلی
• 80. اصول بصری‌سازی داده‌ها
• 81. انتخاب نمودار مناسب برای نمایش داده
• 82. کاربرد ابزارهای بصری‌سازی تعاملی
• 83. طراحی پرامپت برای تولید نمودارهای پیچیده
• 84. تحلیل داده‌های بزرگ (Big Data)
• 85. مقدمه‌ای بر مفاهیم داده‌های بزرگ
• 86. ابزارهای پردازش داده‌های بزرگ (مانند Spark)
• 87. کاربرد LLMs در مدیریت و تحلیل داده‌های بزرگ
• 88. امنیت داده‌ها و حریم خصوصی
• 89. ملاحظات اخلاقی در علم داده
• 90. قوانین و مقررات مربوط به داده‌ها در ایران
• 91. اصول مهندسی پرامپت برای کاربردهای تجاری
• 92. توسعه ابزارهای تحلیل داده سفارشی
• 93. آینده علم داده و هوش مصنوعی
• 94. جمع‌بندی و گام‌های بعدی در مهندسی پرامپت