فلش‌کارت‌های آموزشی تحلیلگر داده: از جمع‌آوری تا ارائه گزارش‌های کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیلگر داده: از جمع‌آوری تا ارائه گزارش‌های کاربردی

موضوع کلی: علوم داده و تحلیل اطلاعات

موضوع میانی: تحلیل داده‌های کسب‌وکار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و تحلیل اطلاعات
• 2. تعریف تحلیلگر داده و نقش آن در کسب‌وکار
• 3. چرخه عمر پروژه تحلیل داده
• 4. جمع‌آوری داده‌ها: منابع و روش‌ها
• 5. انواع داده‌ها: ساختاریافته، نیمه‌ساختاریافته و بدون ساختار
• 6. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای (SQL)
• 7. اصول طراحی پایگاه داده
• 8. پرس‌وجوهای پایه در SQL: SELECT, FROM, WHERE
• 9. مرتب‌سازی و فیلتر کردن داده‌ها در SQL
• 10. توابع تجمیعی در SQL: COUNT, SUM, AVG, MIN, MAX
• 11. گروه‌بندی داده‌ها با GROUP BY و HAVING
• 12. اتصال جداول در SQL: JOIN ها
• 13. زیرپرس‌وجوها (Subqueries) در SQL
• 14. مقدمه‌ای بر NoSQL و انواع آن
• 15. کار با داده‌های متنی و رشته‌ای در SQL
• 16. کار با داده‌های تاریخ و زمان در SQL
• 17. مقدمه‌ای بر پاکسازی و پیش‌پردازش داده‌ها
• 18. شناسایی و مدیریت مقادیر گمشده (Missing Values)
• 19. شناسایی و مدیریت داده‌های پرت (Outliers)
• 20. استانداردسازی و نرمال‌سازی داده‌ها
• 21. تبدیل انواع داده‌ها
• 22. استخراج ویژگی (Feature Engineering)
• 23. مقدمه‌ای بر زبان برنامه‌نویسی پایتون برای تحلیل داده
• 24. نصب و پیکربندی محیط پایتون (Anaconda, Jupyter Notebook)
• 25. مبانی پایتون: متغیرها، انواع داده، عملگرها
• 26. ساختارهای داده در پایتون: لیست‌ها، تاپل‌ها، دیکشنری‌ها
• 27. کنترل جریان در پایتون: شرط‌ها و حلقه‌ها
• 28. توابع در پایتون
• 29. مقدمه‌ای بر کتابخانه NumPy برای محاسبات عددی
• 30. عملیات بر روی آرایه‌های NumPy
• 31. مقدمه‌ای بر کتابخانه Pandas برای دستکاری داده‌ها
• 32. ساخت DataFrame و Series در Pandas
• 33. خواندن و نوشتن داده‌ها با Pandas (CSV, Excel)
• 34. انتخاب و فیلتر کردن داده‌ها در Pandas
• 35. عملیات روی ستون‌ها و ردیف‌ها در Pandas
• 36. تجمیع و گروه‌بندی داده‌ها در Pandas
• 37. ادغام و اتصال DataFrames در Pandas
• 38. کار با داده‌های تاریخ و زمان در Pandas
• 39. عملیات رشته‌ای در Pandas
• 40. مقدمه‌ای بر مصورسازی داده‌ها
• 41. اصول طراحی نمودارهای موثر
• 42. مصورسازی داده‌ها با Matplotlib
• 43. مصورسازی داده‌ها با Seaborn
• 44. نمودارهای میله‌ای (Bar Charts)
• 45. نمودارهای خطی (Line Charts)
• 46. نمودارهای پراکندگی (Scatter Plots)
• 47. نمودارهای هیستوگرام (Histograms)
• 48. نمودارهای جعبه‌ای (Box Plots)
• 49. نمودارهای دایره‌ای (Pie Charts) - با احتیاط
• 50. نقشه‌های حرارتی (Heatmaps)
• 51. مصورسازی داده‌های جغرافیایی (با احتیاط و چارچوب رسمی)
• 52. مقدمه‌ای بر تحلیل اکتشافی داده‌ها (EDA)
• 53. مراحل انجام EDA
• 54. خلاصه‌سازی آماری داده‌ها
• 55. شناسایی الگوها و روندها در داده‌ها
• 56. ارتباط بین متغیرها
• 57. آزمون فرضیه آماری (با رویکرد رسمی)
• 58. مقدمه‌ای بر مدل‌سازی پیش‌بینانه
• 59. انواع مدل‌های یادگیری ماشین
• 60. مقدمه‌ای بر رگرسیون خطی
• 61. ارزیابی مدل‌های رگرسیون
• 62. مقدمه‌ای بر رگرسیون لجستیک
• 63. مقدمه‌ای بر درخت‌های تصمیم
• 64. مقدمه‌ای بر جنگل‌های تصادفی (Random Forests)
• 65. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 66. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 67. الگوریتم K-Means
• 68. ارزیابی مدل‌های خوشه‌بندی
• 69. مقدمه‌ای بر تحلیل سری‌های زمانی
• 70. پیش‌بینی سری‌های زمانی (با چارچوب رسمی)
• 71. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 72. تحلیل احساسات (Sentiment Analysis) - با احتیاط و چارچوب رسمی
• 73. مقدمه‌ای بر ابزارهای گزارش‌دهی
• 74. طراحی داشبوردهای مدیریتی (با چارچوب رسمی)
• 75. اصول ارائه گزارش‌های داده‌محور
• 76. ارتباط موثر با ذینفعان
• 77. اخلاق در تحلیل داده
• 78. حریم خصوصی داده‌ها و مقررات مربوطه
• 79. امنیت داده‌ها
• 80. مقدمه‌ای بر ابزارهای BI (مانند Tableau یا Power BI - با تمرکز بر نسخه سازگار با ایران)
• 81. کار با ابزارهای BI: اتصال به داده‌ها
• 82. کار با ابزارهای BI: ساخت نمودارها و جداول
• 83. کار با ابزارهای BI: ساخت داشبوردها
• 84. کار با ابزارهای BI: انتشار گزارش‌ها
• 85. مطالعه موردی: تحلیل داده‌های فروش
• 86. مطالعه موردی: تحلیل داده‌های بازاریابی
• 87. مطالعه موردی: تحلیل داده‌های مشتریان
• 88. مطالعه موردی: تحلیل داده‌های عملیاتی
• 89. آینده تحلیل داده و هوش تجاری
• 90. مهارت‌های لازم برای یک تحلیلگر داده موفق
• 91. نکات پایانی و جمع‌بندی دوره
• 92. پروژه نهایی تحلیلگر داده