کتاب صوتی Python and PySpark for Data Science

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Python and PySpark for Data Science

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Apache Spark

📋 سرفصل‌های دوره

• 1. مبانی برنامه‌نویسی پایتون برای علم داده
• 2. نصب و پیکربندی پایتون و محیط‌های توسعه
• 3. ساختارهای داده‌ای پایه در پایتون (لیست‌ها، تاپل‌ها، دیکشنری‌ها)
• 4. عملگرها و عبارات شرطی در پایتون
• 5. حلقه‌ها و کنترل جریان برنامه در پایتون
• 6. توابع و ماژول‌ها در پایتون
• 7. مدیریت خطا و استثناها در پایتون
• 8. کار با فایل‌ها در پایتون
• 9. مفاهیم برنامه‌نویسی شیءگرا در پایتون
• 10. مقدمه‌ای بر کتابخانه‌های علم داده پایتون
• 11. نصب و استفاده از NumPy برای محاسبات عددی
• 12. عملیات بر روی آرایه‌های NumPy
• 13. مقدمه‌ای بر کتابخانه Pandas برای تحلیل داده
• 14. ساخت و دستکاری DataFrame ها در Pandas
• 15. عملیات خواندن و نوشتن داده در Pandas (CSV, Excel)
• 16. فیلتر کردن و انتخاب داده در Pandas
• 17. گروه‌بندی و تجمیع داده در Pandas
• 18. ترکیب و ادغام DataFrame ها
• 19. پردازش داده‌های گم‌شده (Missing Data) در Pandas
• 20. مقدمه‌ای بر مصورسازی داده با Matplotlib
• 21. رسم نمودارهای خطی و پراکندگی
• 22. رسم نمودارهای میله‌ای و هیستوگرام
• 23. تنظیمات پیشرفته نمودارها در Matplotlib
• 24. مقدمه‌ای بر مصورسازی داده با Seaborn
• 25. نمودارهای آماری در Seaborn
• 26. نمودارهای شرطی و توزیع در Seaborn
• 27. مقدمه‌ای بر PySpark
• 28. محیط‌های اجرای PySpark (Standalone, YARN, Mesos)
• 29. مفاهیم RDD (Resilient Distributed Dataset)
• 30. عملیات تبدیل و اکشن بر روی RDD ها
• 31. کار با DataFrame ها در PySpark
• 32. عملیات خواندن و نوشتن داده در PySpark
• 33. فیلتر کردن و انتخاب ستون‌ها در PySpark DataFrame
• 34. گروه‌بندی و تجمیع داده در PySpark DataFrame
• 35. عملیات Joins در PySpark DataFrame
• 36. توابع پنجره‌ای (Window Functions) در PySpark
• 37. کار با داده‌های ساختاریافته (StructType) در PySpark
• 38. کار با انواع داده‌ای پیچیده (Arrays, Maps) در PySpark
• 39. مقدمه‌ای بر یادگیری ماشین در پایتون
• 40. پیش‌پردازش داده برای یادگیری ماشین
• 41. تقسیم داده به مجموعه آموزش و آزمون
• 42. مدل‌های یادگیری نظارت شده (Supervised Learning)
• 43. رگرسیون خطی (Linear Regression)
• 44. رگرسیون لجستیک (Logistic Regression)
• 45. ماشین بردار پشتیبان (SVM)
• 46. درخت تصمیم (Decision Trees)
• 47. جنگل تصادفی (Random Forests)
• 48. مدل‌های یادگیری نظارت نشده (Unsupervised Learning)
• 49. خوشه‌بندی K-Means
• 50. تحلیل مولفه‌های اصلی (PCA)
• 51. ارزیابی مدل‌های یادگیری ماشین
• 52. معیارهای ارزیابی رگرسیون (MSE, R-squared)
• 53. معیارهای ارزیابی طبقه‌بندی (Accuracy, Precision, Recall)
• 54. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 55. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 56. پیاده‌سازی شبکه‌های عصبی با TensorFlow/Keras
• 57. آموزش و تنظیم مدل‌های شبکه‌های عصبی
• 58. شبکه‌های عصبی کانولوشنی (CNN)
• 59. کاربرد CNN در پردازش تصویر
• 60. شبکه‌های عصبی بازگشتی (RNN)
• 61. کاربرد RNN در پردازش زبان طبیعی
• 62. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 63. توکن‌سازی و پیش‌پردازش متن
• 64. مدل‌سازی موضوعی (Topic Modeling)
• 65. تحلیل احساسات (Sentiment Analysis)
• 66. کار با مدل‌های زبانی پیشرفته
• 67. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 68. کاربرد MongoDB در علم داده
• 69. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 70. تکنیک‌های مهندسی ویژگی
• 71. ساخت ویژگی‌های ترکیبی
• 72. استخراج ویژگی از داده‌های متنی
• 73. استخراج ویژگی از داده‌های زمانی
• 74. مقدمه‌ای بر سیستم‌های توصیه‌گر (Recommender Systems)
• 75. فیلترینگ مشارکتی (Collaborative Filtering)
• 76. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 77. ارزیابی سیستم‌های توصیه‌گر
• 78. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 79. مفاهیم داده‌های جریانی (Streaming Data)
• 80. کار با Apache Kafka
• 81. پردازش داده‌های جریانی با Spark Streaming
• 82. مقدمه‌ای بر بهینه‌سازی مدل‌ها
• 83. تنظیم فراپارامترها (Hyperparameter Tuning)
• 84. اعتبارسنجی متقابل (Cross-Validation)
• 85. تکنیک‌های منظم‌سازی (Regularization)
• 86. کاهش ابعاد (Dimensionality Reduction)
• 87. کاربرد PCA در کاهش ابعاد
• 88. مقدمه‌ای بر مفاهیم آماری در علم داده
• 89. آمار توصیفی
• 90. آمار استنباطی
• 91. آزمون فرض آماری
• 92. مقدمه‌ای بر مفاهیم ریاضی در علم داده
• 93. جبر خطی
• 94. حساب دیفرانسیل و انتگرال
• 95. بهینه‌سازی در علم داده
• 96. کاربرد NumPy و SciPy در محاسبات علمی
• 97. مقدمه‌ای بر اخلاق در علم داده
• 98. حریم خصوصی داده‌ها
• 99. سوگیری در الگوریتم‌ها
• 100. مسئولیت‌پذیری در علم داده