کتاب صوتی مبانی علم داده و تحلیل داده‌های پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی علم داده و تحلیل داده‌های پیشرفته

موضوع کلی: علوم و مهندسی کامپیوتر

موضوع میانی: هوش مصنوعی و علم داده

📋 سرفصل‌های دوره

• 1. مبانی علم داده و تحلیل داده‌های پیشرفته
• 2. مقدمه‌ای بر علم داده
• 3. تاریخچه علم داده
• 4. نقش علم داده در دنیای امروز
• 5. اخلاق در علم داده
• 6. انواع داده‌ها و منابع داده
• 7. جمع‌آوری و ذخیره‌سازی داده‌ها
• 8. مراحل فرآیند علم داده
• 9. پیش‌پردازش داده‌ها: پاکسازی داده‌ها
• 10. پیش‌پردازش داده‌ها: مدیریت داده‌های گمشده
• 11. پیش‌پردازش داده‌ها: تبدیل داده‌ها
• 12. پیش‌پردازش داده‌ها: نرمال‌سازی و استانداردسازی
• 13. پیش‌پردازش داده‌ها: مهندسی ویژگی
• 14. کاوش داده‌ها و تحلیل اکتشافی (EDA)
• 15. مصورسازی داده‌ها: اصول و تکنیک‌ها
• 16. مصورسازی داده‌ها: نمودارهای رایج
• 17. مصورسازی داده‌ها: ابزارهای مصورسازی
• 18. آمار توصیفی برای علم داده
• 19. مفاهیم احتمال و توزیع‌ها
• 20. آزمون فرض آماری
• 21. رگرسیون خطی ساده
• 22. رگرسیون خطی چندگانه
• 23. ارزیابی مدل‌های رگرسیون
• 24. مقدمه‌ای بر یادگیری ماشین
• 25. انواع یادگیری ماشین: نظارت شده
• 26. انواع یادگیری ماشین: بدون نظارت
• 27. انواع یادگیری ماشین: تقویتی
• 28. طبقه‌بندی: الگوریتم‌های K-نزدیک‌ترین همسایه (KNN)
• 29. طبقه‌بندی: درختان تصمیم
• 30. طبقه‌بندی: ماشین‌های بردار پشتیبان (SVM)
• 31. طبقه‌بندی: رگرسیون لجستیک
• 32. طبقه‌بندی: بیز ساده
• 33. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، بازخوانی
• 34. ارزیابی مدل‌های طبقه‌بندی: امتیاز F1 و منحنی ROC
• 35. خوشه‌بندی: الگوریتم K-Means
• 36. خوشه‌بندی: خوشه‌بندی سلسله مراتبی
• 37. خوشه‌بندی: معیارهای ارزیابی خوشه‌بندی
• 38. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 39. کاهش ابعاد: تحلیل تشخیص خطی (LDA)
• 40. مقدمه‌ای بر یادگیری عمیق
• 41. شبکه‌های عصبی مصنوعی
• 42. شبکه‌های عصبی کانولوشنی (CNN)
• 43. شبکه‌های عصبی بازگشتی (RNN)
• 44. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی (NLP)
• 45. کاربرد شبکه‌های عصبی در بینایی ماشین
• 46. یادگیری تقویتی: مفاهیم پایه
• 47. یادگیری تقویتی: الگوریتم‌های Q-Learning
• 48. یادگیری تقویتی: Deep Q-Networks (DQN)
• 49. سیستم‌های توصیه‌گر: مبانی
• 50. سیستم‌های توصیه‌گر: فیلترینگ مشارکتی
• 51. سیستم‌های توصیه‌گر: فیلترینگ مبتنی بر محتوا
• 52. سیستم‌های توصیه‌گر: رویکردهای ترکیبی
• 53. پردازش زبان طبیعی (NLP): تحلیل احساسات
• 54. پردازش زبان طبیعی (NLP): مدل‌سازی موضوع
• 55. پردازش زبان طبیعی (NLP): ترجمه ماشینی
• 56. پردازش زبان طبیعی (NLP): تشخیص موجودیت نام‌گذاری شده (NER)
• 57. علم داده در حوزه سلامت
• 58. علم داده در حوزه مالی
• 59. علم داده در حوزه بازاریابی
• 60. علم داده در حوزه حمل و نقل
• 61. علم داده در حوزه انرژی
• 62. علم داده در حوزه کشاورزی
• 63. علم داده در حوزه آموزش
• 64. علم داده در حوزه حکمرانی و خدمات عمومی
• 65. کلان داده (Big Data): مفاهیم و چالش‌ها
• 66. معماری سیستم‌های کلان داده
• 67. ابزارهای پردازش کلان داده: Hadoop
• 68. ابزارهای پردازش کلان داده: Spark
• 69. قواعد انجمنی (Association Rules): الگوریتم Apriori
• 70. قواعد انجمنی: کاربردها
• 71. سری‌های زمانی: مقدمات
• 72. سری‌های زمانی: مدل‌های ARIMA
• 73. سری‌های زمانی: پیش‌بینی
• 74. پردازش تصویر: فیلترینگ و تشخیص لبه
• 75. پردازش تصویر: استخراج ویژگی
• 76. پردازش تصویر: قطعه‌بندی تصویر
• 77. شبکه‌های عصبی گراف (GNN)
• 78. یادگیری انتقالی (Transfer Learning)
• 79. یادگیری فدرال (Federated Learning)
• 80. هوش مصنوعی قابل توضیح (XAI)
• 81. امنیت در علم داده
• 82. حریم خصوصی در علم داده
• 83. انتقال داده‌ها و ETL
• 84. کیفیت داده‌ها و ارزیابی آن
• 85. نظارت بر مدل‌های یادگیری ماشین
• 86. استقرار مدل‌های یادگیری ماشین
• 87. مدیریت چرخه عمر مدل‌های یادگیری ماشین
• 88. مقدمه‌ای بر یادگیری آماری
• 89. مفاهیم بایاس و واریانس
• 90. اعتبارسنجی متقابل (Cross-Validation)
• 91. تنظیم فراپارامترها (Hyperparameter Tuning)
• 92. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 93. یادگیری خودنظارت (Self-supervised Learning)
• 94. شبکه‌های مولد تخاصمی (GANs)
• 95. مقدمه‌ای بر یادگیری تقویتی عمیق
• 96. کاربردهای پیشرفته علم داده
• 97. آینده علم داده و هوش مصنوعی
• 98. کاربرد هوش مصنوعی در بهینه‌سازی فرآیندها
• 99. مدل‌سازی پیش‌بینانه در کسب و کار
• 100. تحلیل پیش‌بینانه در بخش دولتی