فلش‌کارت‌های آموزشی بصری‌سازی داده‌ها با پایتون: از مبانی تا کاربردهای پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بصری‌سازی داده‌ها با پایتون: از مبانی تا کاربردهای پیشرفته

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: تحلیل داده و بصری‌سازی اطلاعات

📋 سرفصل‌های دوره

• 1. مبانی علوم داده در پایتون
• 2. مقدمه‌ای بر تحلیل داده
• 3. نصب و راه‌اندازی ابزارهای پایتون
• 4. آشنایی با کتابخانه NumPy
• 5. عملیات پایه‌ای با آرایه‌های NumPy
• 6. کار با داده‌های چندبعدی در NumPy
• 7. مقدمه‌ای بر کتابخانه Pandas
• 8. ساخت DataFrame در Pandas
• 9. عملیات اولیه با DataFrame
• 10. انتخاب و فیلتر کردن داده‌ها در Pandas
• 11. مدیریت داده‌های گمشده
• 12. تغییر شکل و ادغام DataFrameها
• 13. عملیات گروه‌بندی و تجمیع داده
• 14. مقدمه‌ای بر بصری‌سازی داده
• 15. اصول طراحی بصری مؤثر
• 16. انتخاب نمودار مناسب برای داده
• 17. آشنایی با کتابخانه Matplotlib
• 18. ساخت نمودارهای خطی پایه
• 19. سفارشی‌سازی نمودارهای Matplotlib
• 20. نمودارهای میله‌ای در Matplotlib
• 21. نمودارهای پراکندگی در Matplotlib
• 22. نمودارهای هیستوگرام
• 23. نمودارهای دایره‌ای
• 24. نمودارهای جعبه‌ای (Box Plot)
• 25. نمودارهای سه‌بعدی
• 26. مقدمه‌ای بر کتابخانه Seaborn
• 27. ساخت نمودارهای آماری با Seaborn
• 28. نمودارهای توزیع در Seaborn
• 29. نمودارهای رابطه‌ای در Seaborn
• 30. نمودارهای دسته‌بندی شده
• 31. نمودارهای حرارتی (Heatmap)
• 32. نمودارهای چندگانه (Facet Grid)
• 33. نمودارهای سفارشی با Seaborn
• 34. مقدمه‌ای بر کتابخانه Plotly
• 35. ایجاد نمودارهای تعاملی با Plotly
• 36. نمودارهای خطی تعاملی
• 37. نمودارهای میله‌ای تعاملی
• 38. نمودارهای پراکندگی تعاملی
• 39. نمودارهای سه‌بعدی تعاملی
• 40. داشبوردهای تعاملی با Plotly Dash
• 41. مقدمه‌ای بر بصری‌سازی داده‌های مکانی
• 42. نقشه‌نگاری با GeoPandas
• 43. بصری‌سازی داده‌های جغرافیایی
• 44. بصری‌سازی داده‌های سری زمانی
• 45. تحلیل و بصری‌سازی داده‌های شبکه‌ای
• 46. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 47. بصری‌سازی نتایج مدل‌های یادگیری ماشین
• 48. ارزیابی مدل‌ها با نمودار
• 49. بصری‌سازی داده‌های بزرگ
• 50. کار با پایگاه‌های داده در پایتون
• 51. استخراج داده از منابع مختلف
• 52. پاکسازی و پیش‌پردازش داده‌ها
• 53. شناسایی الگوهای پنهان در داده
• 54. تکنیک‌های اکتشافی تحلیل داده
• 55. بصری‌سازی برای گزارش‌دهی
• 56. اصول روایتگری با داده
• 57. ساخت اسلایدهای بصری با داده
• 58. بصری‌سازی برای تصمیم‌گیری مدیریتی
• 59. کار با داده‌های متنی
• 60. بصری‌سازی احساسات در متن
• 61. بصری‌سازی داده‌های صوتی
• 62. بصری‌سازی داده‌های تصویری
• 63. مقدمه‌ای بر علم داده در حوزه‌های کاربردی
• 64. بصری‌سازی داده در حوزه سلامت
• 65. بصری‌سازی داده در حوزه مالی
• 66. بصری‌سازی داده در حوزه بازاریابی
• 67. بصری‌سازی داده در حوزه آموزش
• 68. بصری‌سازی داده در حوزه صنعت
• 69. بصری‌سازی داده در حوزه شهر هوشمند
• 70. ملاحظات اخلاقی در بصری‌سازی داده
• 71. حریم خصوصی داده‌ها
• 72. تفسیر صحیح نمودارها
• 73. خطاهای رایج در بصری‌سازی
• 74. بهترین شیوه‌ها در بصری‌سازی
• 75. آینده بصری‌سازی داده
• 76. کارگاه عملی: ساخت داشبورد پیشرفته
• 77. کارگاه عملی: تحلیل داده‌های واقعی
• 78. کارگاه عملی: بصری‌سازی داده‌های شبکه‌ای
• 79. کارگاه عملی: بصری‌سازی داده‌های مکانی
• 80. یادگیری عمیق در بصری‌سازی
• 81. شبکه‌های عصبی برای تولید تصویر
• 82. کاربرد پایتون در تحلیل داده‌های کلان
• 83. بهینه‌سازی عملکرد در بصری‌سازی
• 84. آماده‌سازی داده برای بصری‌سازی پیشرفته
• 85. تکنیک‌های پیشرفته فیلتر و گروه‌بندی
• 86. کار با انواع داده‌های نامتعارف
• 87. بصری‌سازی داده‌های چندبعدی پیچیده
• 88. ارتباط بین بصری‌سازی و مهندسی نرم‌افزار
• 89. مقدمه‌ای بر معماری نرم‌افزار برای تحلیل داده
• 90. امنیت داده‌ها در سامانه‌های تحلیلی
• 91. قوانین و مقررات مربوط به داده‌ها در ایران
• 92. چارچوب‌های قانونی تحلیل داده در ایران
• 93. اصول شرعی در تحلیل و بصری‌سازی داده
• 94. ملاحظات فقهی در استفاده از داده‌های حساس
• 95. ملاحظات قانونی در تبادل داده
• 96. کاربرد هوش مصنوعی در تحلیل داده با رعایت قوانین
• 97. بصری‌سازی داده‌ها با رویکرد ایرانی-اسلامی
• 98. اصول کاربردی بصری‌سازی داده
• 99. توسعه مهارت‌های تحلیل داده
• 100. پروژه نهایی: بصری‌سازی یک مجموعه داده کاربردی