فلش‌کارت‌های آموزشی ارتقای مهارت‌های دستکاری و تفسیر داده‌ها در تحلیل آماری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ارتقای مهارت‌های دستکاری و تفسیر داده‌ها در تحلیل آماری

موضوع کلی: علوم داده و تحلیل اطلاعات

موضوع میانی: مهارت‌های تحلیل و تفسیر داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و تحلیل آماری
• 2. مبانی دستکاری داده‌ها
• 3. پاکسازی و پیش‌پردازش داده‌ها
• 4. شناسایی و مدیریت مقادیر گمشده
• 5. رسیدگی به داده‌های پرت
• 6. استانداردسازی و نرمال‌سازی داده‌ها
• 7. تبدیل متغیرها
• 8. ایجاد متغیرهای جدید
• 9. استفاده از توابع آماری پایه
• 10. محاسبه معیارهای مرکزی (میانگین، میانه، مد)
• 11. محاسبه معیارهای پراکندگی (واریانس، انحراف معیار)
• 12. محاسبه چارک‌ها و دامنه میان چارکی
• 13. همبستگی و کوواریانس
• 14. مبانی تحلیل اکتشافی داده‌ها (EDA)
• 15. مصورسازی داده‌ها: نمودارهای میله‌ای و هیستوگرام
• 16. مصورسازی داده‌ها: نمودارهای پراکندگی
• 17. مصورسازی داده‌ها: نمودارهای جعبه‌ای
• 18. مصورسازی داده‌ها: نمودارهای خطی
• 19. مصورسازی داده‌ها: نقشه‌ها و نمودارهای حرارتی
• 20. تفسیر نتایج مصورسازی
• 21. مبانی مدل‌سازی آماری
• 22. رگرسیون خطی ساده
• 23. تفسیر ضرایب رگرسیون
• 24. ارزیابی مدل رگرسیون خطی
• 25. رگرسیون خطی چندگانه
• 26. انتخاب بهترین مدل رگرسیون
• 27. مبانی آزمون فرض آماری
• 28. مفهوم p-value
• 29. خطای نوع اول و دوم
• 30. آزمون t تک‌نمونه‌ای
• 31. آزمون t دو نمونه‌ای مستقل
• 32. آزمون t زوجی
• 33. تحلیل واریانس یک‌طرفه (ANOVA)
• 34. تفسیر نتایج ANOVA
• 35. مبانی رگرسیون لجستیک
• 36. کاربرد رگرسیون لجستیک در طبقه‌بندی
• 37. تفسیر ضرایب رگرسیون لجستیک
• 38. ارزیابی مدل رگرسیون لجستیک
• 39. مقدمه‌ای بر تحلیل سری‌های زمانی
• 40. شناسایی روند و فصلیت
• 41. پیش‌بینی با استفاده از مدل‌های ساده سری زمانی
• 42. مبانی خوشه‌بندی
• 43. الگوریتم K-Means
• 44. تفسیر نتایج خوشه‌بندی
• 45. مبانی کاهش ابعاد
• 46. تحلیل مولفه‌های اصلی (PCA)
• 47. تفسیر نتایج PCA
• 48. مقدمه‌ای بر یادگیری ماشین
• 49. یادگیری نظارت‌شده و بدون نظارت
• 50. مبانی طبقه‌بندی
• 51. درختان تصمیم
• 52. مبانی رگرسیون
• 53. شبکه‌های عصبی مقدماتی
• 54. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 55. تحلیل احساسات
• 56. استخراج کلمات کلیدی
• 57. مقدمه‌ای بر کلان داده‌ها
• 58. مفاهیم Big Data
• 59. ابزارهای مرتبط با کلان داده‌ها
• 60. مبانی مهندسی ویژگی
• 61. ساخت ویژگی‌های ترکیبی
• 62. انتخاب ویژگی
• 63. مقدمه‌ای بر یادگیری عمیق
• 64. شبکه‌های عصبی کانولوشنی (CNN)
• 65. شبکه‌های عصبی بازگشتی (RNN)
• 66. مقدمه‌ای بر یادگیری تقویتی
• 67. کاربردهای یادگیری تقویتی
• 68. مبانی یادگیری انتقالی
• 69. کاربرد یادگیری انتقالی در مسائل مختلف
• 70. مقدمه‌ای بر داده‌کاوی
• 71. قوانین انجمنی
• 72. مفاهیم پیش‌بینی در داده‌کاوی
• 73. ارزیابی مدل‌های پیش‌بینی
• 74. مقدمه‌ای بر مصورسازی تعاملی
• 75. ابزارهای مصورسازی تعاملی
• 76. کاربرد داشبوردهای مدیریتی
• 77. اصول طراحی داشبوردهای موثر
• 78. مبانی اخلاق در علم داده
• 79. حریم خصوصی داده‌ها
• 80. سوگیری در الگوریتم‌ها
• 81. مسئولیت‌پذیری در علم داده
• 82. مقدمه‌ای بر هوش مصنوعی مولد
• 83. کاربرد هوش مصنوعی مولد در تولید محتوا
• 84. ملاحظات اخلاقی در هوش مصنوعی مولد
• 85. آینده علم داده و تحلیل اطلاعات
• 86. روندهای نوظهور در تحلیل داده
• 87. مهارت‌های لازم برای تحلیلگران داده آینده
• 88. پروژه‌های عملی در تحلیل داده
• 89. مطالعه موردی ۱: تحلیل داده‌های فروش
• 90. مطالعه موردی ۲: تحلیل داده‌های مشتری
• 91. مطالعه موردی ۳: تحلیل داده‌های سلامت
• 92. مطالعه موردی ۴: تحلیل داده‌های مالی
• 93. مطالعه موردی ۵: تحلیل داده‌های شبکه اجتماعی
• 94. ارتقای مهارت‌های حل مسئله با داده
• 95. تفکر انتقادی در تحلیل داده
• 96. توسعه مهارت‌های ارتباطی برای تحلیلگران داده
• 97. ارائه موثر نتایج تحلیل داده
• 98. کارگاه عملی: پیاده‌سازی مدل‌های آماری
• 99. کارگاه عملی: ساخت داشبورد
• 100. کارگاه عملی: تحلیل داده‌های واقعی