فلش‌کارت‌های آموزشی مقدمه‌ای بر علم داده با پایتون: ابزارها و تکنیک‌های تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر علم داده با پایتون: ابزارها و تکنیک‌های تحلیل داده

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: علم داده و تحلیل داده با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و اهمیت آن در دنیای امروز
• 2. آشنایی با محیط برنامه‌نویسی پایتون برای علم داده
• 3. نصب و پیکربندی کتابخانه‌های ضروری علم داده در پایتون
• 4. مبانی زبان پایتون: انواع داده و ساختارهای کنترلی
• 5. توابع و ماژول‌ها در پایتون برای سازماندهی کد
• 6. مقدمه‌ای بر کتابخانه NumPy برای محاسبات عددی
• 7. عملیات پایه با آرایه‌های NumPy
• 8. ایندکس‌گذاری و برش‌دهی در آرایه‌های NumPy
• 9. عملیات ریاضی و آماری با NumPy
• 10. آشنایی با کتابخانه Pandas برای تحلیل داده
• 11. ساخت و کار با ساختارهای داده‌ای Series و DataFrame
• 12. بارگذاری و ذخیره داده‌ها در Pandas
• 13. پاکسازی و پیش‌پردازش داده‌ها با Pandas
• 14. فیلتر کردن و انتخاب داده‌ها در DataFrame
• 15. گروه‌بندی و تجمیع داده‌ها با Pandas
• 16. ادغام و ترکیب DataFrameها
• 17. آشنایی با کتابخانه Matplotlib برای مصورسازی داده‌ها
• 18. رسم نمودارهای پایه: خطی، میله‌ای، پراکندگی
• 19. تنظیمات پیشرفته نمودارها در Matplotlib
• 20. آشنایی با کتابخانه Seaborn برای مصورسازی آماری
• 21. نمودارهای توزیع و ارتباط با Seaborn
• 22. مصورسازی داده‌های طبقه‌بندی شده با Seaborn
• 23. مقدمه‌ای بر یادگیری ماشین
• 24. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 25. پیش‌پردازش داده‌ها برای مدل‌های یادگیری ماشین
• 26. مهندسی ویژگی (Feature Engineering)
• 27. انتخاب ویژگی (Feature Selection)
• 28. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 29. مقدمه‌ای بر رگرسیون خطی
• 30. پیاده‌سازی رگرسیون خطی با Scikit-learn
• 31. ارزیابی مدل‌های رگرسیون
• 32. مقدمه‌ای بر رگرسیون لجستیک
• 33. پیاده‌سازی رگرسیون لجستیک با Scikit-learn
• 34. ارزیابی مدل‌های طبقه‌بندی
• 35. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 36. پیاده‌سازی SVM با Scikit-learn
• 37. مقدمه‌ای بر درخت‌های تصمیم
• 38. پیاده‌سازی درخت‌های تصمیم با Scikit-learn
• 39. مقدمه‌ای بر جنگل‌های تصادفی (Random Forests)
• 40. پیاده‌سازی جنگل‌های تصادفی با Scikit-learn
• 41. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 42. الگوریتم K-Means برای خوشه‌بندی
• 43. ارزیابی مدل‌های خوشه‌بندی
• 44. مقدمه‌ای بر کاهش ابعاد
• 45. تحلیل مولفه‌های اصلی (PCA)
• 46. کاربرد PCA در علم داده
• 47. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 48. پیش‌پردازش متن: توکن‌سازی، حذف کلمات توقف
• 49. تبدیل متن به بردار: TF-IDF
• 50. مقدمه‌ای بر مدل‌های زبانی
• 51. کاربرد NLP در تحلیل داده
• 52. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 53. مبانی شبکه‌های عصبی مصنوعی
• 54. مقدمه‌ای بر یادگیری عمیق با TensorFlow و Keras
• 55. ساخت یک شبکه عصبی ساده
• 56. آموزش و ارزیابی مدل‌های یادگیری عمیق
• 57. مقدمه‌ای بر یادگیری تقویتی
• 58. کاربردهای یادگیری تقویتی
• 59. مقدمه‌ای بر علم داده در عمل: پروژه‌های کاربردی
• 60. تحلیل داده‌های فروشگاه آنلاین
• 61. تحلیل احساسات نظرات مشتریان
• 62. پیش‌بینی قیمت مسکن
• 63. تحلیل داده‌های سلامت
• 64. کاربرد علم داده در صنعت مالی
• 65. کاربرد علم داده در بازاریابی
• 66. کاربرد علم داده در منابع انسانی
• 67. کاربرد علم داده در حمل و نقل
• 68. مقدمه‌ای بر اخلاق در علم داده
• 69. حفظ حریم خصوصی داده‌ها
• 70. سوگیری در الگوریتم‌ها و راه‌های مقابله
• 71. مسئولیت‌پذیری در علم داده
• 72. آینده علم داده و روندهای نوظهور
• 73. ابزارهای پیشرفته تحلیل داده
• 74. مصورسازی تعاملی داده‌ها
• 75. سیستم‌های توصیه گر
• 76. پردازش داده‌های جریانی
• 77. مدیریت کلان داده (Big Data)
• 78. آشنایی با پلتفرم‌های کلان داده
• 79. مقدمه‌ای بر یادگیری ماشین توزیع‌شده
• 80. اصول مهندسی نرم‌افزار در علم داده
• 81. مستندسازی کد و پروژه‌ها
• 82. مقدمه‌ای بر مدیریت چرخه عمر مدل (MLOps)
• 83. استقرار مدل‌های یادگیری ماشین
• 84. نظارت بر عملکرد مدل‌ها
• 85. بازآموزی و به‌روزرسانی مدل‌ها
• 86. مقدمه‌ای بر هوش مصنوعی و کاربردهای آن
• 87. کاربرد هوش مصنوعی در اتوماسیون
• 88. کاربرد هوش مصنوعی در رباتیک
• 89. کاربرد هوش مصنوعی در تشخیص پزشکی
• 90. کاربرد هوش مصنوعی در بازی‌ها
• 91. مروری بر ابزارهای توسعه علم داده
• 92. مباحث پیشرفته در تحلیل داده
• 93. روش‌های نوین یادگیری ماشین
• 94. اخلاق حرفه‌ای در علم داده
• 95. جمع‌بندی و مسیر یادگیری آینده