فلش‌کارت‌های آموزشی تحلیلگر داده: از مقدمات تا کاربردهای عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیلگر داده: از مقدمات تا کاربردهای عملی

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: مهارت‌های عملی در تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و تحلیل آماری
• 2. تعریف داده و انواع آن
• 3. جمع‌آوری داده‌ها و منابع آن
• 4. مراحل اصلی در فرآیند تحلیل داده
• 5. مبانی آمار توصیفی
• 6. شاخص‌های مرکزی گرایش (میانگین، میانه، نما)
• 7. شاخص‌های پراکندگی (واریانس، انحراف معیار، دامنه)
• 8. توزیع‌های آماری رایج (نرمال، یکنواخت، پواسون)
• 9. مبانی احتمال و نظریه احتمال
• 10. احتمال شرطی و استقلال رویدادها
• 11. قضیه بیز و کاربردهای آن
• 12. مفاهیم نمونه‌گیری و توزیع نمونه‌گیری
• 13. مبانی آمار استنباطی
• 14. تخمین نقطه‌ای و فاصله‌ای
• 15. آزمون فرض آماری: مفاهیم پایه
• 16. آزمون فرض برای میانگین جامعه
• 17. آزمون فرض برای نسبت جامعه
• 18. آزمون فرض برای واریانس جامعه
• 19. مقدمه‌ای بر رگرسیون خطی ساده
• 20. مدل رگرسیون خطی ساده
• 21. تفسیر ضرایب رگرسیون
• 22. ارزیابی مدل رگرسیون خطی ساده
• 23. مقدمه‌ای بر رگرسیون خطی چندگانه
• 24. مدل رگرسیون خطی چندگانه
• 25. انتخاب متغیر در مدل‌های رگرسیون
• 26. مقدمه‌ای بر تحلیل واریانس (ANOVA)
• 27. ANOVA یک‌طرفه
• 28. ANOVA دوطرفه
• 29. مقدمه‌ای بر سری‌های زمانی
• 30. تحلیل روند و فصلیت در سری‌های زمانی
• 31. مدل‌های پیش‌بینی سری‌های زمانی (ARIMA)
• 32. مقدمه‌ای بر تحلیل عاملی و خوشه‌بندی
• 33. کاربرد تحلیل عاملی در کاهش ابعاد
• 34. روش‌های خوشه‌بندی (K-Means)
• 35. مبانی یادگیری ماشین
• 36. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 37. ارزیابی مدل‌های یادگیری ماشین
• 38. مقدمه‌ای بر رگرسیون لجستیک
• 39. کاربرد رگرسیون لجستیک در طبقه‌بندی
• 40. مقدمه‌ای بر درخت‌های تصمیم
• 41. ساخت و تفسیر درخت‌های تصمیم
• 42. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 43. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 44. معماری پایه‌ای شبکه‌های عصبی
• 45. مقدمه‌ای بر یادگیری عمیق
• 46. کاربردهای شبکه‌های عصبی کانولوشنی (CNN)
• 47. کاربردهای شبکه‌های عصبی بازگشتی (RNN)
• 48. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 49. کاربرد NLP در تحلیل متن
• 50. مقدمه‌ای بر تحلیل داده‌های حجیم (Big Data)
• 51. پلتفرم‌های پردازش داده‌های حجیم (Spark)
• 52. مقدمه‌ای بر ابزارهای تحلیل داده (Python, R)
• 53. نصب و پیکربندی محیط‌های برنامه‌نویسی
• 54. مبانی زبان برنامه‌نویسی Python برای تحلیل داده
• 55. ساختار داده‌ها در Python (لیست‌ها، دیکشنری‌ها)
• 56. کتابخانه NumPy برای محاسبات عددی
• 57. کتابخانه Pandas برای مدیریت و تحلیل داده
• 58. عملیات پایه با Pandas (خواندن، نوشتن، فیلتر کردن)
• 59. دسته‌بندی و تجمیع داده‌ها با Pandas
• 60. ترکیب و ادغام DataFrame ها
• 61. مقدمه‌ای بر مصورسازی داده‌ها
• 62. کتابخانه Matplotlib برای رسم نمودار
• 63. رسم نمودارهای پایه‌ای (خطی، میله‌ای، پراکندگی)
• 64. شخصی‌سازی نمودارها در Matplotlib
• 65. کتابخانه Seaborn برای مصورسازی آماری
• 66. نمودارهای آماری پیشرفته با Seaborn
• 67. کاربرد مصورسازی در اکتشاف داده‌ها
• 68. مقدمه‌ای بر تحلیل اکتشافی داده (EDA)
• 69. مراحل انجام EDA
• 70. شناسایی و مدیریت داده‌های گمشده
• 71. شناسایی و مدیریت داده‌های پرت (Outliers)
• 72. مهندسی ویژگی (Feature Engineering)
• 73. ایجاد ویژگی‌های جدید از داده‌های موجود
• 74. تبدیل ویژگی‌ها (مقیاس‌بندی، نرمال‌سازی)
• 75. کدگذاری متغیرهای طبقه‌ای
• 76. مقدمه‌ای بر تحلیل و پاکسازی داده‌ها
• 77. اهمیت پاکسازی داده‌ها در تحلیل
• 78. روش‌های مختلف پاکسازی داده‌ها
• 79. اعتبارسنجی داده‌ها و اطمینان از کیفیت
• 80. مقدمه‌ای بر مدل‌سازی پیش‌بینانه
• 81. انتخاب مدل مناسب برای مسئله
• 82. آموزش و ارزیابی مدل‌های پیش‌بینانه
• 83. تنظیم ابرپارامترهای مدل‌ها
• 84. مقدمه‌ای بر یادگیری تقویتی
• 85. کاربرد یادگیری تقویتی
• 86. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 87. الگوریتم‌های کشف الگو
• 88. کاربرد داده‌کاوی در کسب‌وکار
• 89. مقدمه‌ای بر اخلاق در تحلیل داده
• 90. حریم خصوصی و امنیت داده‌ها
• 91. مسئولیت‌پذیری تحلیلگر داده
• 92. کاربردهای عملی تحلیل داده در صنایع مختلف
• 93. تحلیل داده در بازاریابی و فروش
• 94. تحلیل داده در امور مالی و بانکداری
• 95. تحلیل داده در بهداشت و درمان
• 96. تحلیل داده در حمل و نقل و لجستیک
• 97. تحلیل داده در حوزه انرژی
• 98. تحلیل داده در سازمان‌های دولتی
• 99. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین در ایران
• 100. استانداردهای بومی‌سازی فناوری‌های تحلیل داده