فلش‌کارت‌های آموزشی مبانی تحلیل و بصری‌سازی داده‌ها با ابزارهای کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی تحلیل و بصری‌سازی داده‌ها با ابزارهای کاربردی

موضوع کلی: علوم و مهندسی کامپیوتر

موضوع میانی: تحلیل و پردازش داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌ها
• 2. انواع داده‌ها و ساختارهای آن‌ها
• 3. مفاهیم پایه آماری در تحلیل داده
• 4. آمار توصیفی و معیارهای مرکزی
• 5. آمار توصیفی و معیارهای پراکندگی
• 6. مقدمه‌ای بر بصری‌سازی داده‌ها
• 7. اهمیت بصری‌سازی در درک داده‌ها
• 8. انواع نمودارهای پایه (میله‌ای، خطی، دایره‌ای)
• 9. انتخاب نمودار مناسب بر اساس نوع داده
• 10. مقدمه‌ای بر زبان برنامه‌نویسی پایتون برای تحلیل داده
• 11. نصب و پیکربندی پایتون و ابزارهای مرتبط
• 12. آشنایی با کتابخانه NumPy
• 13. عملیات پایه‌ای با آرایه‌های NumPy
• 14. مقدمه‌ای بر کتابخانه Pandas
• 15. ساختارهای داده‌ای در Pandas (Series, DataFrame)
• 16. بارگذاری و ذخیره‌سازی داده‌ها با Pandas
• 17. پاکسازی و پیش‌پردازش داده‌ها
• 18. مدیریت مقادیر گمشده
• 19. شناسایی و حذف داده‌های پرت (Outliers)
• 20. تبدیل و نرمال‌سازی داده‌ها
• 21. فیلتر کردن و انتخاب داده‌ها
• 22. دسته‌بندی و تجمیع داده‌ها
• 23. مقدمه‌ای بر بصری‌سازی با Matplotlib
• 24. اصول رسم نمودار در Matplotlib
• 25. رسم نمودارهای خطی و نقطه‌ای
• 26. رسم نمودارهای میله‌ای و هیستوگرام
• 27. رسم نمودارهای پراکندگی (Scatter Plots)
• 28. تنظیمات پیشرفته نمودارها (عنوان، برچسب‌ها، رنگ‌ها)
• 29. مقدمه‌ای بر کتابخانه Seaborn
• 30. مزایای Seaborn نسبت به Matplotlib
• 31. رسم نمودارهای آماری جذاب با Seaborn
• 32. نمودارهای توزیع (Distribution Plots)
• 33. نمودارهای دسته‌بندی (Categorical Plots)
• 34. نمودارهای ماتریسی و همبستگی
• 35. مقدمه‌ای بر بصری‌سازی تعاملی
• 36. کتابخانه Plotly برای بصری‌سازی تعاملی
• 37. ساخت نمودارهای تعاملی با Plotly Express
• 38. بصری‌سازی داده‌های مکانی (Geospatial Visualization)
• 39. مقدمه‌ای بر تحلیل اکتشافی داده (EDA)
• 40. مراحل انجام EDA
• 41. اهمیت EDA در مراحل بعدی تحلیل
• 42. کشف الگوها و روابط در داده‌ها
• 43. شناسایی ویژگی‌های مهم داده‌ها
• 44. مقدمه‌ای بر تحلیل رگرسیون خطی
• 45. مدل‌سازی رگرسیون خطی با Statsmodels
• 46. تفسیر نتایج رگرسیون خطی
• 47. ارزیابی مدل رگرسیون خطی
• 48. مقدمه‌ای بر تحلیل رگرسیون لجستیک
• 49. مدل‌سازی رگرسیون لجستیک
• 50. تفسیر نتایج رگرسیون لجستیک
• 51. ارزیابی مدل رگرسیون لجستیک
• 52. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 53. الگوریتم K-Means برای خوشه‌بندی
• 54. پیاده‌سازی K-Means با Scikit-learn
• 55. تفسیر نتایج خوشه‌بندی
• 56. مقدمه‌ای بر طبقه‌بندی (Classification)
• 57. الگوریتم درخت تصمیم (Decision Tree)
• 58. پیاده‌سازی درخت تصمیم با Scikit-learn
• 59. تفسیر درخت تصمیم
• 60. مقدمه‌ای بر ماشین بردار پشتیبان (SVM)
• 61. پیاده‌سازی SVM با Scikit-learn
• 62. تفسیر مدل SVM
• 63. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (ANN)
• 64. معماری پایه شبکه‌های عصبی
• 65. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 66. کاربرد شبکه‌های عصبی در پردازش تصویر
• 67. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 68. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 69. پردازش متن و پیش‌پردازش متن
• 70. تکنیک‌های استخراج ویژگی از متن
• 71. تحلیل احساسات (Sentiment Analysis)
• 72. مقدمه‌ای بر تحلیل سری‌های زمانی (Time Series Analysis)
• 73. مفاهیم پایه در سری‌های زمانی
• 74. نمودارهای سری زمانی
• 75. شناسایی روند (Trend) و فصلی بودن (Seasonality)
• 76. پیش‌بینی سری‌های زمانی
• 77. مدل‌های پیش‌بینی ساده
• 78. مقدمه‌ای بر معماری داده‌ها (Data Architecture)
• 79. انبار داده (Data Warehouse)
• 80. دریاچه داده (Data Lake)
• 81. تفاوت انبار داده و دریاچه داده
• 82. مقدمه‌ای بر مهندسی داده (Data Engineering)
• 83. پایپ‌لاین‌های داده (Data Pipelines)
• 84. ابزارهای پردازش داده‌های بزرگ (Big Data)
• 85. مقدمه‌ای بر اخلاق در تحلیل داده
• 86. حریم خصوصی داده‌ها
• 87. سوگیری در الگوریتم‌ها
• 88. مسئولیت‌پذیری در تحلیل داده
• 89. کاربرد تحلیل داده در حوزه‌های مختلف (مثال‌های واقعی)
• 90. تحلیل داده در کسب‌وکار
• 91. تحلیل داده در بهداشت و سلامت
• 92. تحلیل داده در علوم اجتماعی
• 93. تحلیل داده در مهندسی
• 94. پروژه نهایی: تحلیل و بصری‌سازی یک مجموعه داده واقعی
• 95. انتخاب مجموعه داده
• 96. پیش‌پردازش و پاکسازی داده‌ها
• 97. تحلیل اکتشافی داده‌ها
• 98. ساخت مدل‌های تحلیلی (در صورت نیاز)
• 99. بصری‌سازی نتایج و ارائه گزارش