کتاب صوتی راهنمای جامع آماده‌سازی داده‌ها برای تحلیل آماری و کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع آماده‌سازی داده‌ها برای تحلیل آماری و کاربردی

موضوع کلی: علوم داده و تحلیل اطلاعات

موضوع میانی: آماده‌سازی و پاکسازی داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و اهمیت آماده‌سازی داده
• 2. فصل اول: چرایی اهمیت آماده‌سازی داده‌ها در تحلیل آماری
• 3. فصل دوم: تعریف و انواع داده‌ها در علوم داده
• 4. فصل سوم: مراحل کلی فرآیند آماده‌سازی داده‌ها
• 5. فصل چهارم: شناسایی و مدیریت داده‌های پرت (Outliers)
• 6. فصل پنجم: تکنیک‌های تشخیص داده‌های پرت
• 7. فصل ششم: روش‌های حذف داده‌های پرت
• 8. فصل هفتم: روش‌های جایگزینی داده‌های پرت
• 9. فصل هشتم: شناسایی و مدیریت داده‌های گمشده (Missing Data)
• 10. فصل نهم: دلایل بروز داده‌های گمشده
• 11. فصل دهم: روش‌های تشخیص داده‌های گمشده
• 12. فصل یازدهم: روش‌های جایگزینی داده‌های گمشده (Imputation)
• 13. فصل دوازدهم: میانگین، میانه و مد برای جایگزینی
• 14. فصل سیزدهم: رگرسیون و روش‌های پیشرفته‌تر جایگزینی
• 15. فصل چهاردهم: استانداردسازی و نرمال‌سازی داده‌ها
• 16. فصل پانزدهم: تفاوت استانداردسازی و نرمال‌سازی
• 17. فصل شانزدهم: کاربرد استانداردسازی در الگوریتم‌ها
• 18. فصل هفدهم: کاربرد نرمال‌سازی در الگوریتم‌ها
• 19. فصل هجدهم: مهندسی ویژگی (Feature Engineering)
• 20. فصل نوزدهم: ایجاد ویژگی‌های جدید از داده‌های موجود
• 21. فصل بیستم: تبدیل متغیرهای طبقه‌بندی به عددی
• 22. فصل بیست و یکم: کدگذاری یک‌طرفه (One-Hot Encoding)
• 23. فصل بیست و دوم: کدگذاری ترتیبی (Ordinal Encoding)
• 24. فصل بیست و سوم: کدگذاری برچسب (Label Encoding)
• 25. فصل بیست و چهارم: ترکیب و ادغام ویژگی‌ها
• 26. فصل بیست و پنجم: مدیریت ابعاد داده‌ها (Dimensionality Reduction)
• 27. فصل بیست و ششم: روش تحلیل مولفه‌های اصلی (PCA)
• 28. فصل بیست و هفتم: کاربردهای PCA در آماده‌سازی داده
• 29. فصل بیست و هشتم: فاکتور آنالیز (Factor Analysis)
• 30. فصل بیست و نهم: پاکسازی داده‌های متنی
• 31. فصل سی‌ام: پیش‌پردازش متن: حذف علائم نگارشی و اعداد
• 32. فصل سی و یکم: توکن‌سازی (Tokenization) و حذف کلمات توقف (Stop Words)
• 33. فصل سی و دوم: ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
• 34. فصل سی و سوم: تبدیل متن به فرمت عددی (TF-IDF)
• 35. فصل سی و چهارم: پاکسازی و آماده‌سازی داده‌های تاریخ و زمان
• 36. فصل سی و پنجم: استخراج اجزای تاریخ و زمان
• 37. فصل سی و ششم: محاسبه فواصل زمانی
• 38. فصل سی و هفتم: مدیریت فرمت‌های مختلف تاریخ و زمان
• 39. فصل سی و هشتم: جمع‌آوری و یکپارچه‌سازی داده‌ها از منابع مختلف
• 40. فصل سی و نهم: چالش‌های جمع‌آوری داده
• 41. فصل چهلم: روش‌های ادغام مجموعه‌داده‌ها
• 42. فصل چهل و یکم: مدیریت داده‌های تکراری (Duplicates)
• 43. فصل چهل و دوم: شناسایی و حذف داده‌های تکراری
• 44. فصل چهل و سوم: اعتبارسنجی داده‌ها (Data Validation)
• 45. فصل چهل و چهارم: تعریف قوانین اعتبارسنجی
• 46. فصل چهل و پنجم: پیاده‌سازی قوانین اعتبارسنجی
• 47. فصل چهل و ششم: ابزارها و کتابخانه‌های آماده‌سازی داده در پایتون
• 48. فصل چهل و هفتم: آشنایی با کتابخانه Pandas
• 49. فصل چهل و هشتم: عملیات پایه‌ای با Pandas برای آماده‌سازی داده
• 50. فصل چهل و نهم: استفاده از NumPy برای عملیات عددی
• 51. فصل پنجاهم: مقدمه‌ای بر Scikit-learn برای پیش‌پردازش
• 52. فصل پنجاه و یکم: ابزارهای پیش‌پردازش در Scikit-learn
• 53. فصل پنجاه و دوم: مدیریت داده‌های نامتعادل (Imbalanced Data)
• 54. فصل پنجاه و سوم: روش‌های نمونه‌برداری (Sampling)
• 55. فصل پنجاه و چهارم: تکنیک‌های Over-sampling (SMOTE)
• 56. فصل پنجاه و پنجم: تکنیک‌های Under-sampling
• 57. فصل پنجاه و ششم: آماده‌سازی داده برای یادگیری ماشین
• 58. فصل پنجاه و هفتم: تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و تست
• 59. فصل پنجاه و هشتم: اهمیت تقسیم‌بندی صحیح داده‌ها
• 60. فصل پنجاه و نهم: تقسیم‌بندی طبقه‌بندی شده (Stratified Splitting)
• 61. فصل شصتم: آماده‌سازی داده برای مصورسازی (Visualization)
• 62. فصل شصت و یکم: انتخاب نوع مصورسازی مناسب
• 63. فصل شصت و دوم: آماده‌سازی داده برای نمودارهای پراکندگی
• 64. فصل شصت و سوم: آماده‌سازی داده برای نمودارهای میله‌ای
• 65. فصل شصت و چهارم: آماده‌سازی داده برای نمودارهای خطی
• 66. فصل شصت و پنجم: آماده‌سازی داده برای نمودارهای جعبه‌ای
• 67. فصل شصت و ششم: آماده‌سازی داده برای نقشه‌ها و داده‌های مکانی
• 68. فصل شصت و هفتم: اصول پاکسازی داده در پروژه‌های واقعی
• 69. فصل شصت و هشتم: مدیریت داده‌های حجیم (Big Data)
• 70. فصل شصت و نهم: ابزارهای پردازش داده‌های حجیم
• 71. فصل هفتادم: آماده‌سازی داده در محیط‌های کلان داده (Spark)
• 72. فصل هفتاد و یکم: اصول حاکمیت داده (Data Governance)
• 73. فصل هفتاد و دوم: اهمیت کیفیت داده (Data Quality)
• 74. فصل هفتاد و سوم: شاخص‌های کیفیت داده
• 75. فصل هفتاد و چهارم: ممیزی داده‌ها (Data Auditing)
• 76. فصل هفتاد و پنجم: مستندسازی فرآیند آماده‌سازی داده
• 77. فصل هفتاد و ششم: اهمیت مستندسازی در تکرارپذیری
• 78. فصل هفتاد و هفتم: نمونه‌سازی از فرآیندهای آماده‌سازی داده
• 79. فصل هفتاد و هشتم: آماده‌سازی داده برای تحلیل سری‌های زمانی
• 80. فصل هفتاد و نهم: شناسایی روند، فصلیت و نویز
• 81. فصل هشتادم: پیش‌پردازش داده‌های سری زمانی
• 82. فصل هشتاد و یکم: آماده‌سازی داده برای تحلیل شبکه‌های اجتماعی
• 83. فصل هشتاد و دوم: ساخت ماتریس مجاورت
• 84. فصل هشتاد و سوم: آماده‌سازی داده برای تحلیل احساسات
• 85. فصل هشتاد و چهارم: آماده‌سازی داده برای تحلیل اکتشافی (EDA)
• 86. فصل هشتاد و پنجم: جمع‌بندی و مرور مفاهیم آماده‌سازی داده
• 87. فصل هشتاد و ششم: چالش‌های مستمر در آماده‌سازی داده
• 88. فصل هشتاد و هفتم: آینده آماده‌سازی داده و یادگیری ماشین
• 89. فصل هشتاد و هشتم: ملاحظات اخلاقی در آماده‌سازی و استفاده از داده
• 90. فصل هشتاد و نهم: رعایت حریم خصوصی در آماده‌سازی داده
• 91. فصل نودم: اصول امنیت داده در طول فرآیند آماده‌سازی
• 92. فصل نود و یکم: ارزیابی تاثیر آماده‌سازی بر نتایج تحلیل
• 93. فصل نود و دوم: سنجش کارایی الگوریتم‌ها پس از آماده‌سازی
• 94. فصل نود و سوم: تکنیک‌های خودکارسازی آماده‌سازی داده
• 95. فصل نود و چهارم: ابزارهای یادگیری ماشینی برای آماده‌سازی خودکار
• 96. فصل نود و پنجم: آماده‌سازی داده برای مدل‌های پیچیده یادگیری عمیق
• 97. فصل نود و ششم: مدیریت داده‌های چندوجهی (Multimodal Data)
• 98. فصل نود و هفتم: استراتژی‌های موثر برای پاکسازی داده
• 99. فصل نود و هشتم: درس‌های آموخته شده از پروژه‌های آماده‌سازی داده
• 100. فصل نود و نهم: آماده‌سازی داده به عنوان یک مهارت کلیدی در علوم داده