کتاب صوتی جامع علم داده و تحلیل آماری با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع علم داده و تحلیل آماری با پایتون

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: تحلیل داده و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و کاربردهای آن
• 2. مبانی پایتون برای علم داده
• 3. ساختار داده‌ها در پایتون: لیست‌ها و تاپل‌ها
• 4. کار با دیکشنری‌ها و مجموعه‌ها در پایتون
• 5. آرایه‌های NumPy برای محاسبات عددی
• 6. مبانی کار با داده‌های جدولی با Pandas
• 7. بارگذاری و ذخیره‌سازی داده‌ها با Pandas
• 8. پاکسازی و پیش‌پردازش داده‌ها
• 9. مدیریت مقادیر گمشده
• 10. شناسایی و مدیریت داده‌های پرت
• 11. تبدیل و ادغام داده‌ها
• 12. تجمیع و گروه‌بندی داده‌ها
• 13. عملیات پیچیده با Pandas
• 14. مبانی مصورسازی داده‌ها
• 15. نمودارهای خطی و پراکندگی
• 16. نمودارهای میله‌ای و هیستوگرام
• 17. نمودارهای جعبه‌ای و ویولن
• 18. مصورسازی داده‌های جغرافیایی
• 19. مقدمه‌ای بر آمار استنباطی
• 20. آمار توصیفی و معیارهای مرکزی
• 21. اندازه‌گیری پراکندگی داده‌ها
• 22. توزیع‌های احتمالاتی رایج
• 23. قضیه حد مرکزی
• 24. آزمون فرض آماری
• 25. آزمون t و تحلیل واریانس
• 26. مبانی رگرسیون خطی
• 27. مدل‌سازی رگرسیون خطی چندگانه
• 28. ارزیابی مدل‌های رگرسیون
• 29. مقدمه‌ای بر یادگیری ماشین
• 30. یادگیری با نظارت و بدون نظارت
• 31. الگوریتم‌های طبقه‌بندی: رگرسیون لجستیک
• 32. الگوریتم‌های طبقه‌بندی: ماشین بردار پشتیبان
• 33. الگوریتم‌های طبقه‌بندی: درخت تصمیم
• 34. الگوریتم‌های طبقه‌بندی: جنگل تصادفی
• 35. الگوریتم‌های طبقه‌بندی: K-نزدیک‌ترین همسایه
• 36. ارزیابی مدل‌های طبقه‌بندی
• 37. مقدمه‌ای بر خوشه‌بندی
• 38. الگوریتم K-Means
• 39. خوشه‌بندی سلسله مراتبی
• 40. ارزیابی مدل‌های خوشه‌بندی
• 41. مقدمه‌ای بر کاهش ابعاد
• 42. تحلیل مؤلفه‌های اصلی (PCA)
• 43. تجزیه مقادیر منفرد (SVD)
• 44. کاربرد PCA در مصورسازی
• 45. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 46. پیش‌پردازش متن: توکنیزاسیون و حذف کلمات توقف
• 47. بردارسازی متن: TF-IDF
• 48. مدل‌های زبانی آماری
• 49. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 50. نورون و لایه‌های شبکه‌های عصبی
• 51. تابع فعال‌سازی و پس‌انتشار خطا
• 52. یادگیری عمیق و شبکه‌های عصبی عمیق
• 53. شبکه‌های عصبی کانولوشنال (CNN)
• 54. کاربرد CNN در پردازش تصویر
• 55. شبکه‌های عصبی بازگشتی (RNN)
• 56. کاربرد RNN در پردازش توالی
• 57. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 58. مقدمه‌ای بر یادگیری تقویتی
• 59. مفاهیم پایه یادگیری تقویتی
• 60. الگوریتم‌های یادگیری تقویتی
• 61. کاربرد علم داده در کسب و کار
• 62. تحلیل رفتار مشتری
• 63. پیش‌بینی فروش
• 64. مدیریت ریسک اعتباری
• 65. تشخیص تقلب
• 66. بهینه‌سازی عملیات
• 67. سیستم‌های توصیه‌گر
• 68. مقدمه‌ای بر مفاهیم داده‌کاوی
• 69. قوانین وابستگی و کشف الگو
• 70. خوشه‌بندی داده‌ها در مقیاس بزرگ
• 71. پیش‌بینی سری‌های زمانی
• 72. تحلیل داده‌های شبکه‌های اجتماعی
• 73. امنیت داده‌ها و حریم خصوصی
• 74. اصول اخلاق در علم داده
• 75. ملاحظات حقوقی و شرعی در تحلیل داده
• 76. حاکمیت داده در سازمان‌ها
• 77. معماری داده‌ها و خطوط لوله داده
• 78. انبار داده و دریاچه داده
• 79. پردازش داده‌های جریانی
• 80. ابزارهای علم داده در پایتون (پیشرفته)
• 81. کتابخانه‌های مصورسازی پیشرفته
• 82. مقدمه‌ای بر یادگیری ماشینی توزیع‌شده
• 83. مقدمه‌ای بر یادگیری ماشینی قابل تفسیر (XAI)
• 84. کاربرد هوش مصنوعی در بخش‌های مختلف اقتصادی کشور
• 85. قوانین و مقررات مربوط به داده و هوش مصنوعی در ایران
• 86. استانداردهای داده و اطلاعات در ایران
• 87. مبانی تحلیل آماری در نرم‌افزارهای آماری
• 88. تنظیمات پیشرفته در مدل‌های آماری
• 89. ارزیابی کیفی مدل‌های پیش‌بینی
• 90. مدل‌سازی سری‌های زمانی با رویکردهای اسلامی
• 91. کاربرد علم داده در بهینه‌سازی مصرف انرژی
• 92. تحلیل داده‌های سلامت و پزشکی در چارچوب اسلامی
• 93. مقدمه‌ای بر استنتاج آماری بیزی
• 94. مقدمه‌ای بر مدل‌های گرافیکی احتمالاتی
• 95. یادگیری ماشینی با داده‌های حجیم (Big Data)
• 96. زیرساخت‌های پردازش داده در ایران
• 97. نکات پیشرفته در پاکسازی و آماده‌سازی داده
• 98. مصورسازی داده‌های پیچیده و چندبعدی
• 99. مبانی تحلیل داده‌های متنی پیشرفته
• 100. مقدمه‌ای بر مدل‌های تولید متن