کتاب صوتی آماده‌سازی داده‌های اکتشافی برای تحلیل در علم داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آماده‌سازی داده‌های اکتشافی برای تحلیل در علم داده

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: آماده‌سازی و پیش‌پردازش داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه بر آماده‌سازی داده در علم داده
• 2. اهمیت پاکسازی و آماده‌سازی داده‌ها
• 3. انواع رایج داده‌های نامنظم و ناسازگار
• 4. شناسایی و مدیریت مقادیر گمشده
• 5. روش‌های جایگزینی مقادیر گمشده
• 6. شناسایی و حذف داده‌های پرت
• 7. تکنیک‌های شناسایی داده‌های پرت
• 8. مدیریت داده‌های پرت در تحلیل آماری
• 9. استانداردسازی و نرمال‌سازی داده‌ها
• 10. مفاهیم و کاربردهای استانداردسازی
• 11. تکنیک‌های نرمال‌سازی داده‌ها
• 12. تبدیل داده‌های مقوله‌ای به عددی
• 13. کدگذاری یک‌طرفه (One-Hot Encoding)
• 14. کدگذاری ترتیبی (Ordinal Encoding)
• 15. کدگذاری با شمارش (Count Encoding)
• 16. شناسایی و اصلاح داده‌های تکراری
• 17. روش‌های حذف داده‌های تکراری
• 18. مدیریت داده‌های متناقض
• 19. بررسی سازگاری داده‌ها
• 20. تعریف و ایجاد ویژگی‌های جدید (Feature Engineering)
• 21. ترکیب ویژگی‌های موجود
• 22. تجزیه ویژگی‌ها
• 23. کاربرد عملی Feature Engineering
• 24. اهمیت بازبینی و اعتبارسنجی داده‌های آماده‌شده
• 25. مراحل بازبینی داده‌های پاکسازی‌شده
• 26. اهمیت مستندسازی فرآیند آماده‌سازی داده
• 27. ابزارهای رایج برای آماده‌سازی داده
• 28. مقدمه بر کتابخانه‌های پایتون برای علم داده
• 29. کار با کتابخانه Pandas برای آماده‌سازی داده
• 30. عملیات پایه با DataFrame در Pandas
• 31. فیلتر کردن و انتخاب داده‌ها در Pandas
• 32. مرتب‌سازی داده‌ها در Pandas
• 33. تجمیع و گروه‌بندی داده‌ها با Pandas
• 34. مدیریت مقادیر گمشده با Pandas
• 35. حذف و جایگزینی مقادیر گمشده در Pandas
• 36. شناسایی داده‌های پرت با Pandas
• 37. اعمال توابع بر روی داده‌ها در Pandas
• 38. تبدیل انواع داده‌ها در Pandas
• 39. ادغام و پیوستن DataFrameها در Pandas
• 40. کار با داده‌های تاریخ و زمان در Pandas
• 41. پنجره‌های زمانی در Pandas
• 42. استفاده از کتابخانه NumPy برای عملیات عددی
• 43. عملیات برداری در NumPy
• 44. توابع ریاضی در NumPy
• 45. مقدمه بر کتابخانه Scikit-learn برای آماده‌سازی داده
• 46. کلاس‌های پیش‌پردازش داده در Scikit-learn
• 47. استفاده از StandardScaler برای استانداردسازی
• 48. استفاده از MinMaxScaler برای نرمال‌سازی
• 49. استفاده از LabelEncoder برای کدگذاری مقوله‌ای
• 50. استفاده از OneHotEncoder برای کدگذاری یک‌طرفه
• 51. شناسایی داده‌های پرت با روش‌های آماری
• 52. روش‌های آماری برای مدیریت داده‌های پرت
• 53. تکنیک‌های کاهش ابعاد داده
• 54. مقدمه بر تحلیل مؤلفه‌های اصلی (PCA)
• 55. کاربرد PCA در کاهش ابعاد
• 56. تکنیک‌های کاهش ابعاد با استفاده از مدل‌های یادگیری
• 57. آماده‌سازی داده برای مدل‌های یادگیری ماشین
• 58. اهمیت تناسب داده با مدل
• 59. پیش‌پردازش داده برای رگرسیون خطی
• 60. پیش‌پردازش داده برای طبقه‌بندی
• 61. پیش‌پردازش داده برای خوشه‌بندی
• 62. پیش‌پردازش داده برای شبکه‌های عصبی
• 63. اعتبارسنجی متقابل (Cross-validation) در آماده‌سازی داده
• 64. اهمیت اعتبارسنجی در ارزیابی مدل
• 65. روش‌های تقسیم داده برای آموزش و آزمون
• 66. آماده‌سازی داده برای تحلیل سری‌های زمانی
• 67. ویژگی‌های داده‌های سری زمانی
• 68. تبدیل داده‌های سری زمانی
• 69. آماده‌سازی داده برای پردازش زبان طبیعی (NLP)
• 70. پیش‌پردازش متن
• 71. حذف کلمات توقف (Stop words)
• 72. ریشه‌یابی کلمات (Stemming) و واژگان‌سازی (Lemmatization)
• 73. بردارسازی متن (Text Vectorization)
• 74. آماده‌سازی داده برای تحلیل تصویر
• 75. پیش‌پردازش تصاویر
• 76. تغییر اندازه و برش تصاویر
• 77. افزایش داده (Data Augmentation)
• 78. ملاحظات اخلاقی در آماده‌سازی داده
• 79. حفظ حریم خصوصی داده‌ها
• 80. سوگیری در داده‌ها و مدل‌ها
• 81. تکنیک‌های کاهش سوگیری
• 82. مستندسازی جامع فرآیند آماده‌سازی داده
• 83. ایجاد گزارش‌های آماده‌سازی داده
• 84. بازنگری و بهبود مستمر فرآیند آماده‌سازی
• 85. بررسی موارد عملی آماده‌سازی داده
• 86. مثال: آماده‌سازی داده‌های فروش
• 87. مثال: آماده‌سازی داده‌های مشتریان
• 88. مثال: آماده‌سازی داده‌های حسگرها
• 89. تکنیک‌های پیشرفته در آماده‌سازی داده
• 90. مدیریت داده‌های بزرگ (Big Data)
• 91. ابزارهای پردازش داده‌های بزرگ
• 92. آماده‌سازی داده در محیط‌های ابری
• 93. آینده آماده‌سازی داده در علم داده
• 94. جمع‌بندی و نگاه به آینده