فلش‌کارت‌های آموزشی مبانی تفکر آماری و ساخت مدل‌های پیش‌بینانه در کسب‌وکار

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی تفکر آماری و ساخت مدل‌های پیش‌بینانه در کسب‌وکار

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: مدل‌سازی پیش‌بینانه با رویکرد آماری

📋 سرفصل‌های دوره

• 1. مقدمه ای بر تفکر آماری و علم داده
• 2. مفاهیم پایه آمار توصیفی
• 3. انواع داده ها و مقیاس های اندازه گیری
• 4. نمایش گرافیکی داده ها
• 5. شاخص های مرکزی و پراکندگی
• 6. مقدمه ای بر آمار استنباطی
• 7. نمونه و جامعه آماری
• 8. توزیع های آماری رایج
• 9. توزیع نرمال و کاربردهای آن
• 10. مقدمه ای بر آزمون فرض آماری
• 11. مفهوم p-value و سطح معنی داری
• 12. آزمون های t تک نمونه ای و دو نمونه ای
• 13. آزمون تحلیل واریانس (ANOVA)
• 14. مقدمه ای بر رگرسیون خطی ساده
• 15. مفهوم همبستگی و رگرسیون
• 16. تفسیر ضرایب رگرسیون
• 17. ارزیابی مدل رگرسیون خطی
• 18. مقدمه ای بر رگرسیون خطی چندگانه
• 19. انتخاب متغیر در مدل های رگرسیون
• 20. مقدمه ای بر رگرسیون لجستیک
• 21. کاربرد رگرسیون لجستیک در طبقه بندی
• 22. مبانی مدل سازی پیش بینانه
• 23. چرخه عمر مدل سازی پیش بینانه
• 24. جمع آوری و آماده سازی داده ها
• 25. پاکسازی داده ها و مدیریت مقادیر گمشده
• 26. مهندسی ویژگی (Feature Engineering)
• 27. تکنیک های کاهش ابعاد
• 28. تحلیل مؤلفه های اصلی (PCA)
• 29. تجزیه و تحلیل تشخیص (LDA)
• 30. مقدمه ای بر یادگیری ماشین
• 31. انواع الگوریتم های یادگیری ماشین
• 32. یادگیری با نظارت و بدون نظارت
• 33. مقدمه ای بر الگوریتم های طبقه بندی
• 34. درخت تصمیم
• 35. قانون انتخاب بهترین شکاف در درخت تصمیم
• 36. روش های تقویتی: بوستینگ و بگینگ
• 37. ماشین بردار پشتیبان (SVM)
• 38. شبکه های عصبی مصنوعی
• 39. مقدمه ای بر الگوریتم های رگرسیون
• 40. مدل های پیش بینی سری زمانی
• 41. مفهوم واریانس، بایاس و بیش برازش
• 42. اعتبارسنجی متقابل (Cross-validation)
• 43. معیارهای ارزیابی مدل های طبقه بندی
• 44. دقت (Accuracy)، صحت (Precision)، بازیابی (Recall)
• 45. امتیاز F1 و منحنی ROC
• 46. معیارهای ارزیابی مدل های رگرسیون
• 47. خطای میانگین مربعات (MSE) و جذر آن (RMSE)
• 48. خطای میانگین قدر مطلق (MAE)
• 49. ضریب تعیین (R-squared)
• 50. مقدمه ای بر تحلیل اکتشافی داده ها (EDA)
• 51. شناسایی الگوها و روندها در داده ها
• 52. تجزیه و تحلیل خوشه‌ای (Clustering)
• 53. الگوریتم K-Means
• 54. مقدمه ای بر تشخیص ناهنجاری (Anomaly Detection)
• 55. کاربرد مدل های پیش بینانه در بازاریابی
• 56. پیش بینی رفتار مشتری
• 57. بخش بندی مشتریان
• 58. پیش بینی ریزش مشتری (Churn Prediction)
• 59. کاربرد مدل های پیش بینانه در مالی
• 60. پیش بینی قیمت سهام
• 61. مدیریت ریسک اعتباری
• 62. تشخیص تقلب
• 63. کاربرد مدل های پیش بینانه در تولید
• 64. پیش بینی تقاضا
• 65. بهینه سازی موجودی
• 66. نگهداری و تعمیرات پیشگیرانه
• 67. کاربرد مدل های پیش بینانه در سلامت
• 68. تشخیص بیماری
• 69. پیش بینی شیوع بیماری
• 70. شخصی سازی درمان
• 71. مقدمه ای بر اخلاق در علم داده
• 72. سوگیری در الگوریتم ها
• 73. حریم خصوصی داده ها
• 74. مسئولیت پذیری در مدل سازی
• 75. مقدمه ای بر ابزارها و زبان های برنامه نویسی
• 76. پایتون برای علم داده
• 77. کتابخانه های NumPy و Pandas
• 78. کتابخانه های Scikit-learn و Matplotlib
• 79. مقدمه ای بر SQL برای تحلیل داده ها
• 80. استفاده از توابع آماری در SQL
• 81. تجسم داده ها با ابزارهای BI
• 82. کاربرد Power BI در تحلیل کسب و کار
• 83. کاربرد Tableau در تحلیل کسب و کار
• 84. روش های پیشرفته در مدل سازی پیش بینانه
• 85. یادگیری عمیق (Deep Learning)
• 86. شبکه های عصبی بازگشتی (RNN)
• 87. شبکه های عصبی کانولوشنی (CNN)
• 88. پردازش زبان طبیعی (NLP)
• 89. مدل سازی موضوعی (Topic Modeling)
• 90. تحلیل احساسات (Sentiment Analysis)
• 91. سیستم های توصیه گر (Recommender Systems)
• 92. مقدمه ای بر یادگیری تقویتی (Reinforcement Learning)
• 93. کاربرد در بهینه سازی فرآیندها
• 94. مقدمه ای بر یادگیری نیمه نظارتی
• 95. ترکیب مدل های مختلف (Ensemble Methods)
• 96. تکنیک های Stackin و Blending
• 97. مقدمه ای بر داده های حجیم (Big Data)
• 98. پلتفرم های داده های حجیم
• 99. مقدمه ای بر مهندسی داده (Data Engineering)
• 100. طراحی پایگاه داده های تحلیلی