فلش‌کارت‌های آموزشی تحلیل داده‌ها برای تصمیم‌گیری کسب‌وکار

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌ها برای تصمیم‌گیری کسب‌وکار

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: تحلیل داده‌ها و کاربردهای آن

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌ها و هوش مصنوعی
• 2. مفاهیم پایه علوم داده
• 3. انواع داده‌ها و ساختارهای آن‌ها
• 4. مراحل فرآیند تحلیل داده
• 5. جمع‌آوری داده‌ها از منابع مختلف
• 6. پاکسازی و پیش‌پردازش داده‌ها
• 7. شناسایی و مدیریت داده‌های پرت
• 8. کاوش داده‌ها و مصورسازی
• 9. آمار توصیفی و استنباطی
• 10. مبانی احتمال و توزیع‌های آماری
• 11. آزمون فرض آماری
• 12. رگرسیون خطی ساده
• 13. رگرسیون خطی چندگانه
• 14. مبانی یادگیری ماشین
• 15. یادگیری نظارت شده
• 16. طبقه‌بندی‌کننده‌ها (Classification)
• 17. مدل‌های رگرسیونی (Regression Models)
• 18. درخت تصمیم
• 19. جنگل تصادفی
• 20. ماشین بردار پشتیبان (SVM)
• 21. شبکه‌های عصبی مقدماتی
• 22. یادگیری بدون نظارت
• 23. خوشه‌بندی (Clustering)
• 24. کاهش ابعاد (Dimensionality Reduction)
• 25. تحلیل مؤلفه‌های اصلی (PCA)
• 26. کاهش ابعاد غیرخطی
• 27. یادگیری تقویتی مقدماتی
• 28. مبانی مدل‌سازی پیش‌بینانه
• 29. انتخاب ویژگی (Feature Selection)
• 30. مهندسی ویژگی (Feature Engineering)
• 31. ارزیابی مدل‌های پیش‌بینانه
• 32. معیارهای ارزیابی طبقه‌بندی
• 33. معیارهای ارزیابی رگرسیون
• 34. اعتبارسنجی متقابل (Cross-Validation)
• 35. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 36. تحلیل سری‌های زمانی
• 37. مبانی تحلیل سری‌های زمانی
• 38. مدل‌های ARIMA
• 39. پیش‌بینی در سری‌های زمانی
• 40. تحلیل متن و پردازش زبان طبیعی (NLP)
• 41. مبانی NLP
• 42. مدل‌سازی موضوعی (Topic Modeling)
• 43. تحلیل احساسات (Sentiment Analysis)
• 44. کاربرد تحلیل داده در کسب‌وکار
• 45. تصمیم‌گیری مبتنی بر داده
• 46. تحلیل مشتری و شناخت رفتار او
• 47. بخش‌بندی بازار (Market Segmentation)
• 48. پیش‌بینی تقاضا
• 49. تحلیل سبد خرید (Market Basket Analysis)
• 50. بهینه‌سازی قیمت‌گذاری
• 51. مدیریت ریسک در کسب‌وکار
• 52. شناسایی تقلب (Fraud Detection)
• 53. تحلیل شبکه‌های اجتماعی
• 54. مبانی شبکه‌های اجتماعی
• 55. تحلیل گره‌ها و یال‌ها
• 56. تشخیص جوامع در شبکه‌های اجتماعی
• 57. هوش مصنوعی در کسب‌وکار
• 58. مقدمه‌ای بر یادگیری عمیق
• 59. شبکه‌های عصبی کانولوشنال (CNN)
• 60. شبکه‌های عصبی بازگشتی (RNN)
• 61. پردازش تصویر با یادگیری عمیق
• 62. پردازش گفتار با هوش مصنوعی
• 63. موتورهای توصیه‌گر (Recommender Systems)
• 64. مبانی موتورهای توصیه‌گر
• 65. فیلتر مشارکتی
• 66. فیلتر مبتنی بر محتوا
• 67. ترکیب روش‌ها در موتورهای توصیه‌گر
• 68. اخلاق در علم داده و هوش مصنوعی
• 69. حریم خصوصی داده‌ها
• 70. سوگیری در الگوریتم‌ها
• 71. مسئولیت‌پذیری در هوش مصنوعی
• 72. قوانین و مقررات حوزه داده در ایران
• 73. امنیت داده‌ها و حفاظت از اطلاعات
• 74. حفظ محرمانگی داده‌ها
• 75. روش‌های رمزنگاری داده‌ها
• 76. مقدمه‌ای بر کلان‌داده (Big Data)
• 77. معماری‌های پردازش کلان‌داده
• 78. پلتفرم‌های کلان‌داده
• 79. کاربرد کلان‌داده در صنایع مختلف
• 80. تحلیل داده‌های مکانی
• 81. مبانی سیستم‌های اطلاعات جغرافیایی (GIS)
• 82. تحلیل داده‌های مکانی و مکانی-زمانی
• 83. کاربرد تحلیل داده در بهینه‌سازی فرآیندها
• 84. مدیریت زنجیره تأمین
• 85. بهینه‌سازی عملیات
• 86. تحلیل داده در حوزه سلامت
• 87. تحلیل داده‌های پزشکی
• 88. پیش‌بینی بیماری‌ها
• 89. کاربرد هوش مصنوعی در تشخیص پزشکی
• 90. تحلیل داده در حوزه مالی
• 91. تحلیل ریسک اعتباری
• 92. پیش‌بینی بازارهای مالی
• 93. تشخیص کلاهبرداری‌های مالی
• 94. اخلاق حرفه‌ای در تحلیل داده
• 95. استانداردهای حرفه‌ای تحلیلگران داده
• 96. مدیریت پروژه‌های علم داده
• 97. زبان‌های برنامه‌نویسی برای تحلیل داده (Python, R)
• 98. کتابخانه‌های کلیدی تحلیل داده (Pandas, NumPy, Scikit-learn)
• 99. ابزارهای مصورسازی داده (Matplotlib, Seaborn, Tableau)
• 100. پایگاه‌های داده رابطه‌ای و غیررابطه‌ای