کتاب صوتی مبانی علم داده با پایتون و SQL: از تحلیل تا بصری‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی علم داده با پایتون و SQL: از تحلیل تا بصری‌سازی

موضوع کلی: علوم و مهندسی داده

موضوع میانی: تحلیل داده با پایتون و SQL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده
• 2. مفاهیم کلیدی علم داده
• 3. نقش پایتون در علم داده
• 4. مبانی SQL برای علم داده
• 5. انواع داده‌ها و ساختارهای داده
• 6. جمع‌آوری و پاکسازی داده‌ها
• 7. پیش‌پردازش داده‌ها
• 8. فهم و تحلیل اکتشافی داده‌ها (EDA)
• 9. آمار توصیفی برای داده‌ها
• 10. نمودارهای آماری پایه
• 11. مقدمه‌ای بر بصری‌سازی داده‌ها
• 12. کتابخانه‌های پایتون برای علم داده
• 13. نصب و پیکربندی محیط پایتون
• 14. آشنایی با Jupyter Notebook
• 15. کار با NumPy برای محاسبات عددی
• 16. آشنایی با ساختارهای داده NumPy
• 17. عملیات بر روی آرایه‌های NumPy
• 18. عملیات ریاضی با NumPy
• 19. فیلتر کردن و انتخاب داده‌ها در NumPy
• 20. مقدمه‌ای بر Pandas
• 21. ساختار داده Series در Pandas
• 22. ساختار داده DataFrame در Pandas
• 23. بارگذاری داده‌ها در Pandas
• 24. پاکسازی داده‌ها در Pandas
• 25. مدیریت داده‌های گمشده
• 26. تبدیل و ادغام داده‌ها
• 27. گروه‌بندی و تجمیع داده‌ها
• 28. کار با توابع پنجره‌ای در Pandas
• 29. فرهنگ لغت و ساختارهای داده در پایتون
• 30. مقدمه‌ای بر SQL
• 31. دستور SELECT در SQL
• 32. فیلتر کردن با WHERE در SQL
• 33. مرتب‌سازی با ORDER BY در SQL
• 34. گروه‌بندی با GROUP BY در SQL
• 35. فیلتر کردن گروه‌ها با HAVING در SQL
• 36. پیوند جداول با JOIN در SQL
• 37. انواع مختلف JOIN
• 38. زیرپرس‌وجوها (Subqueries) در SQL
• 39. توابع تجمیعی در SQL
• 40. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای
• 41. طراحی پایگاه داده
• 42. نرمال‌سازی پایگاه داده
• 43. مقدمه‌ای بر یادگیری ماشین
• 44. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 45. آماده‌سازی داده‌ها برای مدل‌سازی
• 46. مهندسی ویژگی (Feature Engineering)
• 47. انتخاب ویژگی (Feature Selection)
• 48. مدل‌های رگرسیون خطی
• 49. ارزیابی مدل‌های رگرسیون
• 50. مدل‌های رگرسیون لجستیک
• 51. ارزیابی مدل‌های طبقه‌بندی
• 52. مقدمه‌ای بر درخت‌های تصمیم
• 53. آموزش درخت‌های تصمیم
• 54. تنظیم پارامترهای درخت تصمیم
• 55. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 56. تنظیم پارامترهای SVM
• 57. مقدمه‌ای بر خوشه‌بندی
• 58. الگوریتم K-Means
• 59. ارزیابی مدل‌های خوشه‌بندی
• 60. مقدمه‌ای بر کاهش ابعاد
• 61. تحلیل مولفه‌های اصلی (PCA)
• 62. کاربرد PCA در علم داده
• 63. بصری‌سازی داده‌های چندبعدی
• 64. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 65. پیش‌پردازش متن
• 66. مدل‌سازی موضوعی (Topic Modeling)
• 67. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 68. فیلترینگ مشارکتی
• 69. فیلترینگ مبتنی بر محتوا
• 70. مقدمه‌ای بر شبکه‌های عصبی
• 71. شبکه‌های عصبی پرسپترون چندلایه
• 72. آموزش شبکه‌های عصبی
• 73. بهینه‌سازی شبکه‌های عصبی
• 74. مقدمه‌ای بر یادگیری عمیق
• 75. شبکه‌های عصبی کانولوشنی (CNN)
• 76. کاربرد CNN در بینایی ماشین
• 77. شبکه‌های عصبی بازگشتی (RNN)
• 78. کاربرد RNN در پردازش زبان طبیعی
• 79. مقدمه‌ای بر تحلیل سری‌های زمانی
• 80. مدل‌های ARIMA
• 81. پیش‌بینی با سری‌های زمانی
• 82. مقدمه‌ای بر تحلیل داده‌های شبکه‌ای
• 83. مقدمه‌ای بر داده‌های مکانی
• 84. کار با داده‌های جغرافیایی در پایتون
• 85. مقدمه‌ای بر اخلاق در علم داده
• 86. حریم خصوصی داده‌ها
• 87. امنیت داده‌ها
• 88. تفسیرپذیری مدل‌ها
• 89. مقدمه‌ای بر استقرار مدل‌ها
• 90. ساخت API برای مدل‌ها
• 91. مانیتورینگ مدل‌ها
• 92. مقدمه‌ای بر تحلیل کلان داده (Big Data)
• 93. مفاهیم Hadoop و Spark
• 94. کار با داده‌های بزرگ
• 95. مقدمه‌ای بر ابزارهای علم داده
• 96. ابزارهای بصری‌سازی پیشرفته
• 97. کار با داشبوردهای تعاملی
• 98. مقدمه‌ای بر پروژه‌های علم داده
• 99. برنامه‌ریزی پروژه علم داده
• 100. مستندسازی پروژه علم داده