فلش‌کارت‌های آموزشی پایتون برای مصورسازی و تحلیل داده‌ها: از مبانی تا پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایتون برای مصورسازی و تحلیل داده‌ها: از مبانی تا پیشرفته

موضوع کلی: علوم داده و تحلیل با پایتون

موضوع میانی: تجسم و تحلیل داده‌ها با پایتون

📋 سرفصل‌های دوره

• 1. مبانی پایتون برای علوم داده
• 2. ساختار داده‌های کلیدی در پایتون
• 3. کار با لیست‌ها و تاپل‌ها
• 4. کار با دیکشنری‌ها و مجموعه‌ها
• 5. توابع و ماژول‌ها در پایتون
• 6. مقدمه‌ای بر کتابخانه‌های علوم داده
• 7. نصب و پیکربندی محیط توسعه
• 8. آشنایی با NumPy برای محاسبات عددی
• 9. آرایه‌های NumPy و عملیات بر روی آن‌ها
• 10. شاخص‌گذاری و برش در آرایه‌های NumPy
• 11. عملیات ریاضی و آماری با NumPy
• 12. توابع برداری شده در NumPy
• 13. مقدمه‌ای بر Pandas برای تحلیل داده
• 14. ساختارهای داده‌ای Series و DataFrame
• 15. بارگذاری و ذخیره داده‌ها در Pandas
• 16. پاکسازی و آماده‌سازی داده‌ها
• 17. مدیریت داده‌های گمشده
• 18. تبدیل و ادغام داده‌ها
• 19. گروه‌بندی و تجمیع داده‌ها
• 20. عملیات مقایسه‌ای و فیلترینگ داده‌ها
• 21. مقدمه‌ای بر مصورسازی داده‌ها
• 22. اصول اولیه مصورسازی داده‌ها
• 23. کار با کتابخانه Matplotlib
• 24. رسم نمودارهای خطی و نقطه‌ای
• 25. رسم نمودارهای میله‌ای و هیستوگرام
• 26. رسم نمودارهای دایره‌ای و جعبه‌ای
• 27. تنظیمات پیشرفته نمودارها در Matplotlib
• 28. کار با کتابخانه Seaborn برای مصورسازی زیبا
• 29. نمودارهای توزیع و آماری با Seaborn
• 30. نمودارهای دسته‌بندی شده با Seaborn
• 31. نقشه‌های حرارتی (Heatmaps) با Seaborn
• 32. نمودارهای رابطه‌ای (Relational Plots)
• 33. نمودارهای دسته‌ای (Categorical Plots)
• 34. نمودارهای توزیعی (Distribution Plots)
• 35. نمودارهای ماتریسی (Matrix Plots)
• 36. مصورسازی داده‌های جغرافیایی
• 37. مقدمه‌ای بر تحلیل اکتشافی داده‌ها (EDA)
• 38. مراحل کلیدی در EDA
• 39. شناسایی الگوها و روندها
• 40. کشف داده‌های پرت (Outliers)
• 41. ارتباط بین متغیرها
• 42. استفاده از ابزارهای تحلیلی پایتون
• 43. تحلیل سری‌های زمانی با پایتون
• 44. مقدمه‌ای بر یادگیری ماشین
• 45. آماده‌سازی داده‌ها برای مدل‌سازی
• 46. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 47. ارزیابی مدل‌های یادگیری ماشین
• 48. مقدمه‌ای بر تحلیل رگرسیون
• 49. رگرسیون خطی ساده
• 50. رگرسیون خطی چندگانه
• 51. ارزیابی مدل‌های رگرسیون
• 52. مقدمه‌ای بر تحلیل طبقه‌بندی
• 53. رگرسیون لجستیک
• 54. ماشین‌های بردار پشتیبان (SVM)
• 55. درخت‌های تصمیم
• 56. ارزیابی مدل‌های طبقه‌بندی
• 57. مقدمه‌ای بر خوشه‌بندی
• 58. الگوریتم K-Means
• 59. ارزیابی نتایج خوشه‌بندی
• 60. کاربرد پایتون در تحلیل کسب و کار
• 61. تحلیل داده‌های فروش
• 62. تحلیل رفتار مشتریان
• 63. پیش‌بینی روند بازار
• 64. مقدمه‌ای بر داده‌کاوی
• 65. تکنیک‌های یافتن قوانین وابستگی
• 66. کاربرد پایتون در پردازش زبان طبیعی (NLP)
• 67. مقدمه‌ای بر تحلیل احساسات
• 68. کاربرد پایتون در تحلیل شبکه‌های اجتماعی
• 69. تحلیل گراف‌ها و روابط
• 70. مباحث پیشرفته در مصورسازی داده‌ها
• 71. مصورسازی تعاملی با Plotly
• 72. ساخت داشبوردهای تحلیلی
• 73. مقدمه‌ای بر Big Data و پایتون
• 74. کار با Apache Spark
• 75. مباحث اخلاقی در علوم داده
• 76. حفظ حریم خصوصی داده‌ها
• 77. سوگیری در الگوریتم‌ها
• 78. کاربرد علوم داده در حوزه‌های مختلف
• 79. علوم داده در سلامت
• 80. علوم داده در مالی
• 81. علوم داده در بازاریابی
• 82. علوم داده در تولید
• 83. مقدمه‌ای بر یادگیری عمیق
• 84. شبکه‌های عصبی کانولوشنال (CNN)
• 85. شبکه‌های عصبی بازگشتی (RNN)
• 86. کاربرد پایتون در هوش مصنوعی
• 87. بهینه‌سازی مدل‌ها
• 88. تنظیم ابرپارامترها
• 89. مقدمه‌ای بر یادگیری تقویتی
• 90. کاربرد پایتون در اتوماسیون
• 91. تحلیل داده‌های IoT
• 92. مصورسازی داده‌های بزرگ
• 93. مدیریت پایگاه داده با پایتون
• 94. کار با SQL و پایتون
• 95. مقدمه‌ای بر داده‌های متنی
• 96. پردازش و تحلیل متن
• 97. استخراج اطلاعات از متن
• 98. مقدمه‌ای بر داده‌های تصویری
• 99. پردازش و تحلیل تصویر
• 100. استخراج ویژگی از تصاویر