فلش‌کارت‌های آموزشی تحلیل داده‌های ساختاریافته با کتابخانه Pandas در پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های ساختاریافته با کتابخانه Pandas در پایتون

موضوع کلی: علوم کامپیوتر و مهندسی داده

موضوع میانی: تحلیل و پردازش داده با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده و پایتون
• 2. نصب و راه‌اندازی محیط پایتون
• 3. آشنایی با ساختارهای داده در پایتون
• 4. مبانی کتابخانه NumPy
• 5. ساختارهای داده کلیدی Pandas: Series
• 6. ساختارهای داده کلیدی Pandas: DataFrame
• 7. ایجاد Series از لیست‌ها و آرایه‌ها
• 8. ایجاد DataFrame از دیکشنری‌ها و لیست‌های دیکشنری
• 9. شاخص‌گذاری و انتخاب داده در Series
• 10. انتخاب ستون‌ها و ردیف‌ها در DataFrame
• 11. انتخاب داده با استفاده از loc و iloc
• 12. فیلتر کردن داده‌ها بر اساس شرط
• 13. عملیات منطقی بر روی DataFrame
• 14. کار با داده‌های گمشده (Missing Data)
• 15. حذف داده‌های گمشده
• 16. جایگزینی داده‌های گمشده
• 17. مدیریت داده‌های تکراری
• 18. شناسایی و حذف ردیف‌های تکراری
• 19. توابع کاربردی برای پردازش داده
• 20. کار با رشته‌ها در Pandas
• 21. عملیات تاریخ و زمان در Pandas
• 22. توابع تجمعی (Aggregation) در Pandas
• 23. گروه‌بندی داده‌ها با groupby
• 24. توابع مرتب‌سازی و اولویت‌بندی داده‌ها
• 25. ادغام و پیوستن DataFrameها (Merge & Join)
• 26. کار با فایل‌های CSV
• 27. خواندن و نوشتن فایل‌های CSV
• 28. کار با فایل‌های Excel
• 29. خواندن و نوشتن فایل‌های Excel
• 30. کار با پایگاه‌های داده (SQL)
• 31. خواندن داده از پایگاه داده
• 32. نوشتن داده در پایگاه داده
• 33. رسم نمودارهای پایه با Matplotlib
• 34. رسم نمودارهای پیشرفته با Matplotlib
• 35. آشنایی با کتابخانه Seaborn
• 36. رسم نمودارهای آماری با Seaborn
• 37. کار با داده‌های متنی
• 38. پیش‌پردازش داده‌های متنی
• 39. استخراج ویژگی از متن
• 40. تحلیل احساسات متنی (مبانی)
• 41. مقدمه‌ای بر یادگیری ماشین
• 42. انواع یادگیری ماشین
• 43. آماده‌سازی داده برای مدل‌سازی
• 44. تقسیم داده به مجموعه آموزش و آزمون
• 45. ارزیابی مدل‌های یادگیری ماشین
• 46. مقدمه‌ای بر مدل‌های رگرسیون خطی
• 47. پیاده‌سازی رگرسیون خطی با Scikit-learn
• 48. مقدمه‌ای بر مدل‌های طبقه‌بندی
• 49. پیاده‌سازی رگرسیون لجستیک با Scikit-learn
• 50. مقدمه‌ای بر درخت تصمیم
• 51. پیاده‌سازی درخت تصمیم با Scikit-learn
• 52. مقدمه‌ای بر ماشین بردار پشتیبان (SVM)
• 53. پیاده‌سازی SVM با Scikit-learn
• 54. مقدمه‌ای بر مدل‌های خوشه‌بندی
• 55. پیاده‌سازی K-Means با Scikit-learn
• 56. کار با داده‌های سری زمانی
• 57. مبانی تحلیل سری زمانی
• 58. پیش‌بینی سری زمانی (مبانی)
• 59. کار با داده‌های جغرافیایی (مقدماتی)
• 60. مقدمه‌ای بر تحلیل شبکه (مقدماتی)
• 61. اصول پاکسازی داده (Data Cleaning)
• 62. تکنیک‌های انتخاب ویژگی (Feature Selection)
• 63. مهندسی ویژگی (Feature Engineering)
• 64. مدیریت داده‌های نامتعادل (Imbalanced Data)
• 65. مقدمه‌ای بر یادگیری عمیق
• 66. شبکه‌های عصبی کانولوشنی (CNN)
• 67. شبکه‌های عصبی بازگشتی (RNN)
• 68. کاربرد پایتون در علم داده
• 69. مقدمه‌ای بر ابزارهای علم داده
• 70. اخلاق در علم داده
• 71. حریم خصوصی داده‌ها
• 72. امنیت داده‌ها
• 73. کاربرد تحلیل داده در کسب‌وکار
• 74. تحلیل داده در بازاریابی
• 75. تحلیل داده در مالی
• 76. تحلیل داده در بهداشت و درمان
• 77. کاربرد تحلیل داده در علوم اجتماعی
• 78. مقدمه‌ای بر هوش تجاری (BI)
• 79. ابزارهای هوش تجاری
• 80. ساخت داشبوردهای تحلیلی
• 81. مبانی مصورسازی داده (Data Visualization)
• 82. اصول طراحی داشبورد
• 83. تجزیه و تحلیل اکتشافی داده (EDA)
• 84. گزارش‌دهی در علم داده
• 85. مستندسازی پروژه‌های علم داده
• 86. کار تیمی در پروژه‌های علم داده
• 87. مدیریت نسخه با Git
• 88. اصول برنامه‌نویسی تمیز (Clean Code)
• 89. مقدمه‌ای بر پردازش داده‌های بزرگ (Big Data)
• 90. مبانی Apache Spark
• 91. کار با Apache Spark و Python
• 92. مقدمه‌ای بر یادگیری تقویتی
• 93. کاربرد تحلیل داده در صنعت
• 94. تحلیل داده برای بهینه‌سازی
• 95. مقدمه‌ای بر مدل‌سازی پیش‌بینانه
• 96. ساخت مدل‌های پیش‌بینانه پیشرفته
• 97. کاربرد تحلیل داده در تحقیقات علمی
• 98. اصول تفسیر نتایج تحلیل داده
• 99. توسعه شغلی در حوزه علم داده
• 100. موفقیت در پروژه‌های علم داده