فلش‌کارت‌های آموزشی تحلیل و بصری‌سازی داده‌ها با پایتون: مقدمه‌ای بر Matplotlib و Pandas

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و بصری‌سازی داده‌ها با پایتون: مقدمه‌ای بر Matplotlib و Pandas

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: تحلیل و بصری‌سازی داده‌ها با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌ها در پایتون
• 2. نصب و راه‌اندازی محیط پایتون برای تحلیل داده
• 3. آشنایی با کتابخانه NumPy برای محاسبات عددی
• 4. ساختار داده‌های NumPy: آرایه‌ها و عملیات پایه
• 5. عملیات ریاضی و منطقی بر روی آرایه‌های NumPy
• 6. آشنایی با کتابخانه Pandas برای کار با داده‌های جدولی
• 7. ساختارهای داده Pandas: Series و DataFrame
• 8. بارگذاری و ذخیره داده‌ها با Pandas (CSV, Excel)
• 9. انتخاب و فیلتر کردن داده‌ها در DataFrame
• 10. عملیات روی ستون‌ها و ردیف‌های DataFrame
• 11. گروه‌بندی و تجمیع داده‌ها با Pandas
• 12. ادغام و پیوستن DataFrame ها
• 13. مدیریت داده‌های گمشده (Missing Data)
• 14. تغییر شکل و بازسازی DataFrame ها
• 15. مقدمه‌ای بر بصری‌سازی داده‌ها
• 16. اهمیت بصری‌سازی در تحلیل داده
• 17. آشنایی با کتابخانه Matplotlib
• 18. ساختار کلی Matplotlib: Figure و Axes
• 19. رسم نمودارهای خطی ساده
• 20. تنظیمات نمودار: عنوان، برچسب محورها، راهنما
• 21. رسم نمودارهای پراکندگی (Scatter Plots)
• 22. رسم نمودارهای میله‌ای (Bar Charts)
• 23. رسم نمودارهای هیستوگرام (Histograms)
• 24. رسم نمودارهای دایره‌ای (Pie Charts)
• 25. کنترل رنگ، سبک خط و نشانگرها در نمودارها
• 26. تنظیم مقیاس محورها (خطی و لگاریتمی)
• 27. ایجاد چندین نمودار در یک Figure (Subplots)
• 28. نوشتن متن و حاشیه‌نویسی در نمودارها
• 29. ذخیره نمودارها در فرمت‌های مختلف
• 30. مقدمه‌ای بر Style های Matplotlib
• 31. استفاده از Style های از پیش تعریف شده
• 32. ایجاد Style های سفارشی
• 33. بصری‌سازی داده‌های زمانی (Time Series)
• 34. کار با داده‌های دسته‌بندی شده (Categorical Data)
• 35. بصری‌سازی داده‌های دو بعدی و سه بعدی
• 36. نمودارهای جعبه‌ای (Box Plots)
• 37. نمودارهای ویولن (Violin Plots)
• 38. نمودارهای نوار خطایی (Error Bars)
• 39. رسم نمودارهای چندگانه برای مقایسه
• 40. بصری‌سازی داده‌های آماری
• 41. مقدمه‌ای بر Seaborn برای بصری‌سازی پیشرفته
• 42. نصب و استفاده از Seaborn
• 43. نمودارهای رابطه‌ای (Relational Plots) در Seaborn
• 44. نمودارهای توزیعی (Distribution Plots) در Seaborn
• 45. نمودارهای دسته‌بندی (Categorical Plots) در Seaborn
• 46. نمودارهای ماتریسی (Matrix Plots) در Seaborn
• 47. نمودارهای رگرسیون در Seaborn
• 48. شخصی‌سازی نمودارهای Seaborn
• 49. استفاده از تم‌های Seaborn
• 50. مقدمه‌ای بر Plotly برای بصری‌سازی تعاملی
• 51. نصب و استفاده از Plotly
• 52. رسم نمودارهای تعاملی با Plotly Express
• 53. ذخیره نمودارهای Plotly
• 54. کار با داده‌های بزرگ و بهینه‌سازی
• 55. مقدمه‌ای بر تحلیل اکتشافی داده (EDA)
• 56. مراحل کلیدی در EDA
• 57. شناسایی الگوها و روندها در داده‌ها
• 58. شناسایی داده‌های پرت (Outliers)
• 59. ارزیابی کیفیت داده‌ها
• 60. پیش‌پردازش داده‌ها برای بصری‌سازی
• 61. استفاده از نمودارها برای اعتبارسنجی فرضیات
• 62. بصری‌سازی داده‌های مکانی (Spatial Data)
• 63. مقدمه‌ای بر علم داده در ایران
• 64. چارچوب‌های قانونی تحلیل داده در ایران
• 65. حفظ حریم خصوصی داده‌ها
• 66. امنیت داده‌ها در پایتون
• 67. ملاحظات اخلاقی در تحلیل داده
• 68. کاربرد تحلیل و بصری‌سازی داده در صنایع ایران
• 69. بررسی نمونه‌های موفق تحلیل داده در ایران
• 70. مباحث پیشرفته در بصری‌سازی داده
• 71. طراحی داشبوردهای مدیریتی با ابزارهای پایتون
• 72. مقدمه‌ای بر ابزارهای BI (مانند Tableau)
• 73. مقایسه ابزارهای بصری‌سازی
• 74. نکات طراحی رابط کاربری (UI) برای بصری‌سازی
• 75. ارزیابی اثربخشی بصری‌سازی‌ها
• 76. خلاصه‌سازی گزارش‌های تحلیلی
• 77. بصری‌سازی داده‌های شبکه‌های اجتماعی
• 78. تحلیل احساسات (Sentiment Analysis)
• 79. بصری‌سازی نتایج مدل‌های یادگیری ماشین
• 80. معرفی منابع تکمیلی برای تحلیل داده
• 81. مسیر شغلی در حوزه تحلیل داده
• 82. چالش‌های تحلیل داده در دنیای واقعی
• 83. بهترین شیوه‌ها در بصری‌سازی داده
• 84. نکات پایانی در تحلیل و بصری‌سازی داده
• 85. مروری بر مفاهیم اصلی
• 86. آزمون عملی: تحلیل و بصری‌سازی یک مجموعه داده
• 87. پروژه نهایی: تحلیل و بصری‌سازی داده‌های واقعی
• 88. ارائه نتایج پروژه
• 89. جمع‌بندی دوره