فلش‌کارت‌های آموزشی ساخت مهارت‌های ضروری تحلیل داده و تصمیم‌گیری با داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت مهارت‌های ضروری تحلیل داده و تصمیم‌گیری با داده

موضوع کلی: مهارت‌های بنیادین علم داده

موضوع میانی: تحلیل و تفسیر داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهارت‌های بنیادین علم داده
• 2. اهمیت تحلیل و تفسیر داده‌ها در دنیای امروز
• 3. شناخت انواع داده‌ها و ساختارهای آن‌ها
• 4. مبانی جمع‌آوری داده‌های معتبر و قابل اتکا
• 5. اصول پاکسازی و پیش‌پردازش داده‌ها
• 6. شناسایی و مدیریت مقادیر گمشده در داده‌ها
• 7. استانداردسازی و نرمال‌سازی داده‌ها
• 8. مفهوم و کاربرد متغیرهای کیفی و کمی
• 9. تکنیک‌های خلاصه‌سازی داده‌ها
• 10. محاسبه معیارهای مرکزی (میانگین، میانه، نما)
• 11. محاسبه معیارهای پراکندگی (واریانس، انحراف معیار، دامنه)
• 12. شناخت توزیع‌های آماری رایج
• 13. مبانی استنتاج آماری
• 14. مفهوم نمونه و جامعه آماری
• 15. روش‌های نمونه‌گیری تصادفی
• 16. آزمون فرض آماری: مفاهیم پایه
• 17. خطای نوع اول و دوم در آزمون فرض
• 18. آزمون t تک‌نمونه‌ای
• 19. آزمون t دو‌نمونه‌ای مستقل
• 20. آزمون t زوجی
• 21. مقدمه‌ای بر تحلیل واریانس (ANOVA)
• 22. ANOVA یک‌طرفه
• 23. ANOVA دو‌طرفه
• 24. آزمون کای‌دو برای داده‌های طبقه‌بندی شده
• 25. مفهوم همبستگی و انواع آن
• 26. ضریب همبستگی پیرسون
• 27. ضریب همبستگی اسپیرمن
• 28. شناخت رگرسیون خطی ساده
• 29. مفهوم ضریب تعیین (R-squared)
• 30. تفسیر ضرایب رگرسیون خطی ساده
• 31. مبانی رگرسیون خطی چندگانه
• 32. انتخاب متغیر در رگرسیون چندگانه
• 33. مقدمه‌ای بر تحلیل سری‌های زمانی
• 34. شناخت روند، فصلیت و نویز در سری‌های زمانی
• 35. مدل‌های ساده پیش‌بینی سری‌های زمانی
• 36. مقدمه‌ای بر مصورسازی داده‌ها
• 37. اصول طراحی نمودارهای مؤثر
• 38. نمودار میله‌ای و کاربردهای آن
• 39. نمودار خطی و کاربردهای آن
• 40. نمودار دایره‌ای و ملاحظات استفاده
• 41. نمودار پراکندگی و کشف روابط
• 42. نمودار هیستوگرام برای نمایش توزیع
• 43. نمودار جعبه‌ای (Box Plot) برای شناسایی پرت‌ها
• 44. نقش داده‌کاوی در تحلیل داده‌ها
• 45. مبانی خوشه‌بندی (Clustering)
• 46. الگوریتم K-Means
• 47. مفهوم طبقه‌بندی (Classification)
• 48. الگوریتم رگرسیون لجستیک
• 49. الگوریتم درخت تصمیم
• 50. مقدمه‌ای بر یادگیری ماشین نظارت شده
• 51. مقدمه‌ای بر یادگیری ماشین بدون نظارت
• 52. مبانی ارزیابی مدل‌های آماری
• 53. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 54. مفهوم ماتریس درهم‌ریختگی (Confusion Matrix)
• 55. دقت (Accuracy)، حساسیت (Sensitivity) و ویژگی (Specificity)
• 56. مفهوم منحنی ROC و AUC
• 57. معیارهای ارزیابی مدل‌های رگرسیون
• 58. مفهوم خطای میانگین مربعات (MSE)
• 59. مفهوم خطای میانگین قدر مطلق (MAE)
• 60. کاربرد داده‌ها در تصمیم‌گیری‌های کسب‌وکار
• 61. فرایند تصمیم‌گیری مبتنی بر داده
• 62. شناخت شاخص‌های کلیدی عملکرد (KPIs)
• 63. مبانی تحلیل رقابتی با استفاده از داده
• 64. تحلیل رفتار مشتری با داده
• 65. شخصی‌سازی تجربیات مشتری با داده
• 66. مدیریت ریسک با استفاده از داده
• 67. پیش‌بینی تقاضا و بهینه‌سازی موجودی
• 68. نقش علم داده در بهینه‌سازی فرایندهای سازمانی
• 69. مبانی تحلیل داده‌های شبکه‌های اجتماعی
• 70. تحلیل احساسات (Sentiment Analysis)
• 71. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 72. ابزارهای رایج هوش تجاری
• 73. ساخت داشبوردهای مدیریتی
• 74. مبانی تحلیل داده‌های مالی
• 75. تحلیل نسبت‌های مالی
• 76. مقدمه‌ای بر بهینه‌سازی با داده
• 77. مبانی بهینه‌سازی خطی
• 78. کاربرد بهینه‌سازی در تخصیص منابع
• 79. اخلاق در علم داده و تحلیل داده‌ها
• 80. حفظ حریم خصوصی داده‌ها
• 81. سوگیری در الگوریتم‌ها و داده‌ها
• 82. مسئولیت‌پذیری در استفاده از داده‌ها
• 83. اهمیت مستندسازی در پروژه‌های علم داده
• 84. ارتباط مؤثر نتایج تحلیل داده با ذینفعان
• 85. ارائه نتایج تحلیل داده به مخاطبان غیرفنی
• 86. نکات تکمیلی در ساخت مهارت‌های ضروری تحلیل داده
• 87. چالش‌های رایج در تحلیل داده و راهکارها
• 88. آینده علم داده و روندهای نوظهور
• 89. جمع‌بندی و مسیر یادگیری مستمر در علم داده