فلش‌کارت‌های آموزشی تحلیل داده با ChatGPT و پایتون: از مقدمات تا پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده با ChatGPT و پایتون: از مقدمات تا پیشرفته

موضوع کلی: هوش مصنوعی در تحلیل داده

موضوع میانی: کاربرد مدل‌های زبانی بزرگ در علم داده

📋 سرفصل‌های دوره

• 1. مبانی تحلیل داده با پایتون
• 2. نصب و پیکربندی محیط توسعه پایتون
• 3. آشنایی با ساختارهای داده پایه در پایتون
• 4. کار با لیست‌ها، تاپل‌ها و دیکشنری‌ها
• 5. مقدمه‌ای بر کتابخانه NumPy برای محاسبات عددی
• 6. عملیات برداری در NumPy
• 7. آشنایی با کتابخانه Pandas برای تحلیل داده
• 8. ساخت و دستکاری DataFrame
• 9. فیلتر کردن و انتخاب داده در Pandas
• 10. گروه‌بندی و تجمیع داده‌ها
• 11. ادغام و اتصال DataFrame ها
• 12. پاکسازی و آماده‌سازی داده‌های خام
• 13. مدیریت مقادیر گمشده
• 14. شناسایی و حذف داده‌های پرت
• 15. تبدیل و نرمال‌سازی داده‌ها
• 16. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 17. معرفی ChatGPT و قابلیت‌های آن
• 18. کاربرد ChatGPT در درک صورت مسئله تحلیل داده
• 19. تولید کد پایتون با ChatGPT
• 20. اشکال‌زدایی کد پایتون با ChatGPT
• 21. توضیح کد پایتون با ChatGPT
• 22. استخراج اطلاعات از متون با ChatGPT
• 23. خلاصه‌سازی متون با ChatGPT
• 24. طبقه‌بندی متون با ChatGPT
• 25. تحلیل احساسات متون با ChatGPT
• 26. تولید داده‌های مصنوعی با ChatGPT
• 27. کاربرد ChatGPT در پرس‌وجو از پایگاه داده
• 28. مقدمه‌ای بر مصورسازی داده‌ها
• 29. مصورسازی با Matplotlib
• 30. مصورسازی با Seaborn
• 31. ایجاد نمودارهای خطی و میله‌ای
• 32. ایجاد نمودارهای پراکندگی و هیستوگرام
• 33. ایجاد نمودارهای جعبه‌ای و ویولن
• 34. مصورسازی داده‌های جغرافیایی
• 35. تنظیمات پیشرفته مصورسازی
• 36. اصول اولیه یادگیری ماشین
• 37. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 38. مقدمه‌ای بر مدل‌های رگرسیون خطی
• 39. پیاده‌سازی رگرسیون خطی با Scikit-learn
• 40. ارزیابی مدل‌های رگرسیون
• 41. مقدمه‌ای بر مدل‌های رگرسیون لجستیک
• 42. پیاده‌سازی رگرسیون لجستیک با Scikit-learn
• 43. مقدمه‌ای بر مدل‌های درخت تصمیم
• 44. پیاده‌سازی درخت تصمیم با Scikit-learn
• 45. مقدمه‌ای بر مدل‌های جنگل تصادفی
• 46. پیاده‌سازی جنگل تصادفی با Scikit-learn
• 47. مقدمه‌ای بر مدل‌های ماشین بردار پشتیبان (SVM)
• 48. پیاده‌سازی SVM با Scikit-learn
• 49. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 50. الگوریتم K-Means
• 51. کاربرد ChatGPT در انتخاب الگوریتم یادگیری ماشین
• 52. کاربرد ChatGPT در تنظیم پارامترهای مدل
• 53. ارزیابی مدل‌های طبقه‌بندی
• 54. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 55. کاربرد LLMs در تحلیل سری‌های زمانی
• 56. تحلیل داده‌های متنی با استفاده از مدل‌های از پیش آموزش دیده
• 57. تنظیم دقیق (Fine-tuning) مدل‌های زبانی برای وظایف خاص
• 58. کاربرد ChatGPT در تولید گزارش‌های تحلیلی
• 59. تولید داشبوردهای تعاملی با پایتون
• 60. مقدمه‌ای بر یادگیری عمیق
• 61. شبکه‌های عصبی کانولوشنال (CNN)
• 62. کاربرد CNN در تحلیل تصاویر
• 63. شبکه‌های عصبی بازگشتی (RNN)
• 64. کاربرد RNN در پردازش توالی‌ها
• 65. شبکه‌های عصبی ترنسفورمر
• 66. معماری ترنسفورمر و مدل‌های مبتنی بر آن
• 67. کاربرد مدل‌های ترنسفورمر در NLP
• 68. کاربرد ChatGPT در تولید محتوای آموزشی
• 69. توسعه مدل‌های سفارشی با استفاده از LLMs
• 70. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 71. سوگیری در داده‌ها و مدل‌ها
• 72. تفسیرپذیری مدل‌های هوش مصنوعی
• 73. حریم خصوصی در تحلیل داده
• 74. امنیت داده‌ها در عصر هوش مصنوعی
• 75. کاربرد ChatGPT در آموزش کدنویسی پایتون
• 76. آموزش مفاهیم پیشرفته تحلیل داده
• 77. کاربرد ChatGPT در حل مسائل پیچیده تحلیل داده
• 78. تحلیل داده‌های بزرگ (Big Data)
• 79. مقدمه‌ای بر مفاهیم داده‌کاوی
• 80. تکنیک‌های پیشرفته داده‌کاوی
• 81. کاربرد ChatGPT در پیش‌بینی روندها
• 82. کاربرد ChatGPT در بهینه‌سازی فرآیندها
• 83. مقدمه‌ای بر یادگیری تقویتی در تحلیل داده
• 84. پروژه‌های عملی تحلیل داده با ChatGPT و پایتون
• 85. خلق یک محصول تحلیل داده با استفاده از ابزارهای آموخته شده