کتاب صوتی کشف اسرار داده‌ها: سفری در Google Colaboratory

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف اسرار داده‌ها: سفری در Google Colaboratory

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

• 1. آشنایی با Google Colaboratory و محیط آن
• 2. نصب و راه‌اندازی ابزارهای مورد نیاز در Colab
• 3. مدیریت فایل‌ها و پوشه‌ها در Colab
• 4. مقدمه‌ای بر زبان برنامه‌نویسی پایتون برای علم داده
• 5. انواع داده‌ها و ساختارهای پایه‌ای در پایتون
• 6. عملگرها و عبارات در پایتون
• 7. دستورات شرطی و حلقه‌ها در پایتون
• 8. توابع و ماژول‌ها در پایتون
• 9. مقدمه‌ای بر کتابخانه‌های علم داده در پایتون
• 10. کار با آرایه‌ها با استفاده از NumPy
• 11. عملیات بر روی آرایه‌های NumPy
• 12. مقدمه‌ای بر کتابخانه Pandas برای تحلیل داده
• 13. ساخت و مدیریت DataFrame در Pandas
• 14. عملیات پایه بر روی DataFrame
• 15. فیلتر کردن و انتخاب داده‌ها در DataFrame
• 16. دسته‌بندی و تجمیع داده‌ها با Pandas
• 17. ادغام و ترکیب DataFrame ها
• 18. کار با داده‌های سری زمانی در Pandas
• 19. مقدمه‌ای بر مصورسازی داده‌ها
• 20. مصورسازی داده‌ها با Matplotlib
• 21. تنظیمات و سفارشی‌سازی نمودارها در Matplotlib
• 22. مصورسازی داده‌ها با Seaborn
• 23. ایجاد نمودارهای آماری با Seaborn
• 24. مقدمه‌ای بر یادگیری ماشین
• 25. انواع مسائل یادگیری ماشین (نظارت شده، بدون نظارت)
• 26. مراحل پیش‌پردازش داده‌ها برای یادگیری ماشین
• 27. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 28. مهندسی ویژگی (Feature Engineering)
• 29. انتخاب ویژگی (Feature Selection)
• 30. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 31. مقدمه‌ای بر مدل‌های رگرسیون خطی
• 32. پیاده‌سازی رگرسیون خطی با Scikit-learn
• 33. ارزیابی مدل‌های رگرسیون
• 34. مقدمه‌ای بر مدل‌های رگرسیون لجستیک
• 35. پیاده‌سازی رگرسیون لجستیک با Scikit-learn
• 36. ارزیابی مدل‌های طبقه‌بندی
• 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 ماشین‌های بردار پشتیبان (SVM)
• 42. پیاده‌سازی SVM با Scikit-learn
• 43. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 44. الگوریتم K-Means برای خوشه‌بندی
• 45. پیاده‌سازی K-Means با Scikit-learn
• 46. ارزیابی مدل‌های خوشه‌بندی
• 47. مقدمه‌ای بر کاهش ابعاد
• 48. تحلیل مؤلفه‌های اصلی (PCA)
• 49. پیاده‌سازی PCA با Scikit-learn
• 50. کاربرد PCA در مصورسازی داده‌ها
• 51. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 52. توکن‌سازی و نرمال‌سازی متن
• 53. تبدیل متن به بردار (Bag-of-Words, TF-IDF)
• 54. مقدمه‌ای بر مدل‌های زبانی
• 55. کار با کتابخانه NLTK برای NLP
• 56. کار با کتابخانه SpaCy برای NLP
• 57. تحلیل احساسات (Sentiment Analysis)
• 58. مقدمه‌ای بر شبکه‌های عصبی
• 59. معماری پرسپترون چندلایه (MLP)
• 60. پیاده‌سازی MLP با TensorFlow/Keras
• 61. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 62. کاربرد CNN در بینایی ماشین
• 63. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 64. کاربرد RNN در پردازش توالی‌ها
• 65. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 66. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 67. اعتبارسنجی متقابل (Cross-Validation)
• 68. مدیریت و سازماندهی پروژه‌های علم داده
• 69. اصول مستندسازی کد و نتایج
• 70. کار با Git و GitHub برای مدیریت نسخه
• 71. اصول گزارش‌دهی نتایج تحلیل داده
• 72. مقدمه‌ای بر هوش مصنوعی اخلاقی در علم داده
• 73. حفظ حریم خصوصی داده‌ها در پروژه‌ها
• 74. مدیریت سوگیری در مدل‌های یادگیری ماشین
• 75. اصول امنیت در داده‌ها و مدل‌ها
• 76. کاربرد علم داده در حوزه‌های مختلف (مثال‌ها)
• 77. مدیریت مؤثر منابع در Google Colab
• 78. بهینه‌سازی اجرای کد در Colab
• 79. مقدمه‌ای بر مفاهیم آماری پیشرفته
• 80. آزمون فرض آماری
• 81. مقدمه‌ای بر سری‌های زمانی اقتصادی
• 82. تحلیل روند و فصلی بودن در داده‌ها
• 83. مدل‌سازی پیش‌بینی سری‌های زمانی (ARIMA)
• 84. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 85. فیلترینگ مشارکتی (Collaborative Filtering)
• 86. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 87. مقدمه‌ای بر یادگیری تقویتی
• 88. مقدمه‌ای بر پردازش تصویر با پایتون
• 89. تحلیل آماری داده‌های غیرعددی
• 90. مصورسازی داده‌های پیچیده
• 91. استفاده از API ها در Colab
• 92. کار با پایگاه‌های داده در Colab
• 93. مقدمه‌ای بر مفاهیم Big Data
• 94. کاربرد ابزارهای توزیع شده در علم داده
• 95. اصول توسعه نرم‌افزار در پروژه‌های علم داده
• 96. مقدمه‌ای بر مفاهیم DataOps
• 97. روش‌های ارزیابی ریسک در پروژه‌های داده‌محور
• 98. اصول انتقال دانش در تیم‌های علم داده
• 99. مقدمه‌ای بر اتوماسیون در علم داده
• 100. جمع‌بندی و گام‌های بعدی در مسیر علم داده