فلش‌کارت‌های آموزشی علم داده و بصری‌سازی اطلاعات در عمل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره علم داده و بصری‌سازی اطلاعات در عمل

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: تحلیل و بصری‌سازی داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علم داده و بصری سازی اطلاعات
• 2. فصل اول: مبانی علم داده
• 3. فصل دوم: انواع داده ها و ساختارها
• 4. فصل سوم: جمع آوری و پاکسازی داده ها
• 5. فصل چهارم: پیش پردازش داده ها
• 6. فصل پنجم: اکتشاف داده ها (EDA)
• 7. فصل ششم: روش های آماری پایه
• 8. فصل هفتم: توزیع های آماری رایج
• 9. فصل هشتم: استنباط آماری
• 10. فصل نهم: آزمون فرض آماری
• 11. فصل دهم: رگرسیون خطی ساده
• 12. فصل یازدهم: رگرسیون خطی چندگانه
• 13. فصل دوازدهم: مفاهیم همبستگی
• 14. فصل سیزدهم: تحلیل واریانس (ANOVA)
• 15. فصل چهاردهم: مقدمه ای بر بصری سازی داده ها
• 16. فصل پانزدهم: اصول طراحی بصری
• 17. فصل شانزدهم: انتخاب نمودار مناسب
• 18. فصل هفدهم: نمودارهای میله ای و ستونی
• 19. فصل هجدهم: نمودارهای خطی و ناحیه ای
• 20. فصل نوزدهم: نمودارهای پراکندگی
• 21. فصل بیستم: نمودارهای دایره ای و حلقه ای
• 22. فصل بیست و یکم: هیستوگرام ها
• 23. فصل بیست و دوم: نمودارهای جعبه ای (Box Plots)
• 24. فصل بیست و سوم: نمودارهای نقشه حرارتی (Heatmaps)
• 25. فصل بیست و چهارم: نمودارهای نقشه ای (Maps)
• 26. فصل بیست و پنجم: بصری سازی داده های متنی
• 27. فصل بیست و ششم: ابزارهای بصری سازی داده ها
• 28. فصل بیست و هفتم: مقدمه ای بر کتابخانه های پایتون برای علم داده
• 29. فصل بیست و هشتم: کار با کتابخانه NumPy
• 30. فصل بیست و نهم: کار با کتابخانه Pandas
• 31. فصل سی ام: تحلیل داده ها با Pandas
• 32. فصل سی و یکم: مقدمه ای بر کتابخانه Matplotlib
• 33. فصل سی و دوم: رسم نمودارهای پایه با Matplotlib
• 34. فصل سی و سوم: سفارشی سازی نمودارها در Matplotlib
• 35. فصل سی و چهارم: مقدمه ای بر کتابخانه Seaborn
• 36. فصل سی و پنجم: نمودارهای آماری با Seaborn
• 37. فصل سی و ششم: بصری سازی روابط با Seaborn
• 38. فصل سی و هفتم: بصری سازی توزیع ها با Seaborn
• 39. فصل سی و هشتم: مقدمه ای بر کتابخانه Plotly
• 40. فصل سی و نهم: نمودارهای تعاملی با Plotly
• 41. فصل چهلم: داشبوردهای تعاملی
• 42. فصل چهل و یکم: مقدمه ای بر یادگیری ماشین
• 43. فصل چهل و دوم: انواع یادگیری ماشین
• 44. فصل چهل و سوم: ارزیابی مدل های یادگیری ماشین
• 45. فصل چهل و چهارم: طبقه بندی (Classification)
• 46. فصل چهل و پنجم: الگوریتم K-نزدیکترین همسایه (KNN)
• 47. فصل چهل و ششم: درخت تصمیم (Decision Trees)
• 48. فصل چهل و هفتم: ماشین بردار پشتیبان (SVM)
• 49. فصل چهل و هشتم: رگرسیون لجستیک (Logistic Regression)
• 50. فصل چهل و نهم: یادگیری جمعی (Ensemble Learning)
• 51. فصل پنجاهم: جنگل تصادفی (Random Forests)
• 52. فصل پنجاه و یکم: تقویت گرادیان (Gradient Boosting)
• 53. فصل پنجاه و دوم: خوشه بندی (Clustering)
• 54. فصل پنجاه و سوم: الگوریتم K-Means
• 55. فصل پنجاه و چهارم: خوشه بندی سلسله مراتبی
• 56. فصل پنجاه و پنجم: کاهش ابعاد (Dimensionality Reduction)
• 57. فصل پنجاه و ششم: تحلیل مولفه های اصلی (PCA)
• 58. فصل پنجاه و هفتم: کاربردهای علم داده در کسب و کار
• 59. فصل پنجاه و هشتم: تحلیل سبد خرید (Market Basket Analysis)
• 60. فصل پنجاه و نهم: سیستم های توصیه گر (Recommender Systems)
• 61. فصل شصتم: تحلیل احساسات (Sentiment Analysis)
• 62. فصل شصت و یکم: پردازش زبان طبیعی (NLP) مقدماتی
• 63. فصل شصت و دوم: علم داده در حوزه بهداشت و درمان
• 64. فصل شصت و سوم: علم داده در حوزه مالی
• 65. فصل شصت و چهارم: علم داده در حوزه بازاریابی
• 66. فصل شصت و پنجم: مقدمه ای بر کلان داده (Big Data)
• 67. فصل شصت و ششم: ابزارهای پردازش کلان داده (مانند Spark)
• 68. فصل شصت و هفتم: معماری سیستم های کلان داده
• 69. فصل شصت و هشتم: چالش های اخلاقی در علم داده
• 70. فصل شصت و نهم: حریم خصوصی داده ها
• 71. فصل هفتادم: سوگیری در الگوریتم ها
• 72. فصل هفتاد و یکم: مسئولیت پذیری در علم داده
• 73. فصل هفتاد و دوم: مقدمه ای بر هوش مصنوعی
• 74. فصل هفتاد و سوم: شبکه های عصبی مصنوعی
• 75. فصل هفتاد و چهارم: یادگیری عمیق (Deep Learning)
• 76. فصل هفتاد و پنجم: کاربردهای یادگیری عمیق
• 77. فصل هفتاد و ششم: پردازش تصویر با یادگیری عمیق
• 78. فصل هفتاد و هفتم: پردازش گفتار با یادگیری عمیق
• 79. فصل هفتاد و هشتم: مقدمه ای بر داده کاوی (Data Mining)
• 80. فصل هفتاد و نهم: الگوریتم های قواعد انجمنی (Association Rules)
• 81. فصل هشتادم: اکتشاف الگوهای پنهان در داده ها
• 82. فصل هشتاد و یکم: مدل سازی پیش بینانه (Predictive Modeling)
• 83. فصل هشتاد و دوم: سری های زمانی (Time Series Analysis)
• 84. فصل هشتاد و سوم: پیش بینی سری های زمانی
• 85. فصل هشتاد و چهارم: مقدمه ای بر تحلیل شبکه های اجتماعی
• 86. فصل هشتاد و پنجم: مفاهیم پایه در تحلیل شبکه
• 87. فصل هشتاد و ششم: بصری سازی شبکه های اجتماعی
• 88. فصل هشتاد و هفتم: ابزارهای تحلیل شبکه
• 89. فصل هشتاد و هشتم: مقدمه ای بر داده های مکانی (Spatial Data)
• 90. فصل هشتاد و نهم: پردازش و تحلیل داده های مکانی
• 91. فصل نودم: بصری سازی داده های مکانی
• 92. فصل نود و یکم: مقدمه ای بر مهندسی ویژگی (Feature Engineering)
• 93. فصل نود و دوم: تکنیک های مهندسی ویژگی
• 94. فصل نود و سوم: تأثیر مهندسی ویژگی بر مدل ها
• 95. فصل نود و چهارم: مقدمه ای بر بهینه سازی مدل (Model Optimization)
• 96. فصل نود و پنجم: تنظیم ابرپارامترها (Hyperparameter Tuning)
• 97. فصل نود و ششم: اعتبارسنجی متقابل (Cross-Validation)
• 98. فصل نود و هفتم: مقدمه ای بر استقرار مدل (Model Deployment)
• 99. فصل نود و هشتم: اصول استقرار مدل در محیط عملیاتی
• 100. فصل نود و نهم: مانیتورینگ و نگهداری مدل ها