کتاب صوتی پایتون برای تحلیل داده‌ها با کتابخانه‌های کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایتون برای تحلیل داده‌ها با کتابخانه‌های کاربردی

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: برنامه‌نویسی برای علم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و تحلیل آماری
• 2. آشنایی با مفاهیم کلیدی علم داده
• 3. نقش پایتون در علم داده
• 4. نصب و راه‌اندازی محیط توسعه پایتون
• 5. مبانی زبان برنامه‌نویسی پایتون
• 6. انواع داده‌ها در پایتون
• 7. ساختارهای داده‌ای: لیست‌ها و تاپل‌ها
• 8. ساختارهای داده‌ای: دیکشنری‌ها و مجموعه‌ها
• 9. دستورات شرطی و حلقه‌ها در پایتون
• 10. توابع و ماژول‌ها در پایتون
• 11. مدیریت خطا و استثنا در پایتون
• 12. مقدمه‌ای بر کتابخانه NumPy
• 13. آرایه‌های NumPy و عملیات پایه
• 14. عملیات برداری و شاخص‌گذاری در NumPy
• 15. توابع ریاضی و آماری NumPy
• 16. مقدمه‌ای بر کتابخانه Pandas
• 17. ساختار داده DataFrame در Pandas
• 18. کار با داده‌های از دست رفته در Pandas
• 19. فیلتر کردن و انتخاب داده‌ها در Pandas
• 20. گروه‌بندی و تجمیع داده‌ها در Pandas
• 21. ادغام و اتصال DataFrame ها
• 22. عملیات تاریخ و زمان در Pandas
• 23. مقدمه‌ای بر کتابخانه Matplotlib
• 24. رسم نمودارهای پایه با Matplotlib
• 25. سفارشی‌سازی نمودارها در Matplotlib
• 26. رسم نمودارهای پراکندگی و خطی
• 27. رسم نمودارهای میله‌ای و هیستوگرام
• 28. رسم نمودارهای دایره‌ای و جعبه‌ای
• 29. مقدمه‌ای بر کتابخانه Seaborn
• 30. نمودارهای آماری پیشرفته با Seaborn
• 31. نقشه‌های حرارتی و تحلیل همبستگی
• 32. تجسم داده‌های طبقه‌بندی شده
• 33. مقدمه‌ای بر تحلیل آماری
• 34. آمار توصیفی: میانگین، میانه، مد
• 35. انحراف معیار و واریانس
• 36. توزیع‌های آماری: نرمال، یکنواخت
• 37. مقدمه‌ای بر آزمون فرض آماری
• 38. آزمون t تک‌نمونه‌ای
• 39. آزمون t دو نمونه‌ای مستقل
• 40. آزمون t زوجی
• 41. تحلیل واریانس یک‌طرفه (ANOVA)
• 42. مقدمه‌ای بر رگرسیون خطی
• 43. رگرسیون خطی ساده
• 44. ارزیابی مدل رگرسیون خطی
• 45. مقدمه‌ای بر رگرسیون لجستیک
• 46. کاربرد رگرسیون لجستیک در طبقه‌بندی
• 47. مقدمه‌ای بر یادگیری ماشین
• 48. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 49. مقدمه‌ای بر الگوریتم‌های طبقه‌بندی
• 50. الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 51. درخت تصمیم برای طبقه‌بندی
• 52. الگوریتم ماشین بردار پشتیبان (SVM)
• 53. مقدمه‌ای بر الگوریتم‌های خوشه‌بندی
• 54. الگوریتم K-Means
• 55. ارزیابی مدل‌های طبقه‌بندی
• 56. متریک‌های ارزیابی: دقت، صحت، بازیابی
• 57. ماتریس درهم‌ریختگی (Confusion Matrix)
• 58. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 59. اعتبارسنجی متقابل (Cross-Validation)
• 60. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 61. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 62. پیش‌پردازش متن: توکنایز کردن
• 63. حذف کلمات توقف (Stop Words)
• 64. ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
• 65. نمایش متنی: کیسه کلمات (Bag-of-Words)
• 66. نمایش متنی: TF-IDF
• 67. مقدمه‌ای بر تحلیل احساسات
• 68. کاربرد تحلیل احساسات در پایتون
• 69. مقدمه‌ای بر شبکه‌های عصبی
• 70. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 71. مقدمه‌ای بر کتابخانه‌های یادگیری عمیق
• 72. استفاده از TensorFlow و Keras
• 73. ساخت مدل‌های ساده با Keras
• 74. آموزش و ارزیابی مدل‌های عمیق
• 75. مقدمه‌ای بر تحلیل سری‌های زمانی
• 76. مفاهیم پایه سری‌های زمانی
• 77. پیش‌بینی سری‌های زمانی با مدل‌های آماری
• 78. کاربرد پایتون در تحلیل سری‌های زمانی
• 79. مقدمه‌ای بر کلان داده‌ها (Big Data)
• 80. مفاهیم اولیه کلان داده‌ها
• 81. ابزارهای پردازش کلان داده‌ها
• 82. مقدمه‌ای بر مهندسی داده
• 83. پایپ‌لاین‌های داده (Data Pipelines)
• 84. ذخیره‌سازی داده‌ها: پایگاه‌های داده رابطه‌ای
• 85. ذخیره‌سازی داده‌ها: NoSQL
• 86. مقدمه‌ای بر اخلاق در علم داده
• 87. حریم خصوصی داده‌ها
• 88. سوگیری در الگوریتم‌ها
• 89. کاربرد علم داده در کسب‌وکار
• 90. تحلیل داده‌های بازاریابی
• 91. تحلیل داده‌های مالی
• 92. تحلیل داده‌های بهداشتی
• 93. مقدمه‌ای بر هوش مصنوعی
• 94. مفاهیم پایه هوش مصنوعی
• 95. کاربردهای هوش مصنوعی در صنعت
• 96. پروژه‌های عملی در علم داده
• 97. تکنیک‌های پیشرفته تجسم داده
• 98. تحلیل داده‌های شبکه‌های اجتماعی
• 99. تحلیل داده‌های جغرافیایی (GIS)
• 100. مقدمه‌ای بر داده‌کاوی