کتاب صوتی تحلیل شبکه‌های اجتماعی و انتشار ایده‌ها با استفاده از علوم داده محاسباتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل شبکه‌های اجتماعی و انتشار ایده‌ها با استفاده از علوم داده محاسباتی

موضوع کلی: علوم داده و تحلیل رفتارهای اجتماعی

موضوع میانی: تحلیل داده‌های شبکه‌های اجتماعی با رویکردهای محاسباتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و تحلیل رفتارهای اجتماعی
• 2. مبانی تحلیل شبکه‌های اجتماعی
• 3. شناخت ساختار شبکه‌های اجتماعی
• 4. معرفی ابزارهای علوم داده محاسباتی
• 5. اصول وب اسکرپینگ (Web Scraping)
• 6. جمع‌آوری داده از منابع عمومی آنلاین
• 7. اخلاق در جمع‌آوری داده
• 8. پردازش اولیه داده‌های جمع‌آوری شده
• 9. پاکسازی و آماده‌سازی داده‌ها
• 10. شناخت انواع داده‌های متنی
• 11. مبانی پردازش زبان طبیعی (NLP)
• 12. تحلیل احساسات در متن
• 13. مدل‌سازی موضوعی (Topic Modeling)
• 14. استخراج موجودیت‌های نام‌دار (NER)
• 15. شناخت مفاهیم پایه‌ای شبکه‌های اجتماعی
• 16. انواع گره‌ها و یال‌ها در شبکه‌ها
• 17. معیارهای مرکزی بودن گره‌ها
• 18. معیارهای مرکزی بودن یال‌ها
• 19. تشخیص گروه‌ها و خوشه‌ها در شبکه‌ها
• 20. مدل‌سازی انتشار اطلاعات در شبکه‌ها
• 21. معرفی مدل‌های انتشار اطلاعات
• 22. مدل انتشار مستقل (Independent Cascade)
• 23. مدل انتشار خطی (Linear Threshold)
• 24. شبیه‌سازی انتشار ایده‌ها
• 25. مبانی مدل‌سازی عامل‌بنیان (Agent-Based Modeling)
• 26. طراحی عامل‌ها در مدل‌های ABM
• 27. محیط شبیه‌سازی در ABM
• 28. سناریوهای انتشار ایده‌ها
• 29. کاربرد علوم داده در تحلیل شبکه‌های اجتماعی
• 30. مطالعات موردی تحلیل شبکه‌های اجتماعی
• 31. تحلیل شبکه‌های اجتماعی در بستر فرهنگی ایران
• 32. رعایت چارچوب‌های شرعی در تحلیل داده‌های شبکه‌های اجتماعی
• 33. مبانی آماری برای تحلیل داده‌ها
• 34. آمار توصیفی برای داده‌های شبکه‌های اجتماعی
• 35. آمار استنباطی در تحلیل شبکه‌های اجتماعی
• 36. مقدمه‌ای بر مفاهیم یادگیری ماشین
• 37. یادگیری نظارت‌شده در تحلیل داده‌های متنی
• 38. یادگیری نظارت‌نشده در خوشه‌بندی داده‌ها
• 39. ارزیابی مدل‌های تحلیل داده
• 40. مقدمه‌ای بر تحلیل داده‌های زمانی
• 41. شناخت الگوهای رفتاری در طول زمان
• 42. تحلیل روندها و فصلی بودن داده‌ها
• 43. مبانی بصری‌سازی داده‌ها (Data Visualization)
• 44. ابزارهای بصری‌سازی داده‌های شبکه‌های اجتماعی
• 45. طراحی داشبوردهای تحلیلی
• 46. اخلاق حرفه‌ای در علوم داده
• 47. حریم خصوصی در تحلیل داده‌های اجتماعی
• 48. مسئولیت‌پذیری در انتشار یافته‌های تحلیلی
• 49. کاربرد تحلیل شبکه‌ها در مطالعات فرهنگی
• 50. تحلیل شبکه‌های تبادل اطلاعات
• 51. شناخت الگوهای ارتباطی
• 52. مدل‌سازی پویایی شبکه‌ها
• 53. تحلیل رفتار کاربران در پلتفرم‌های اجتماعی
• 54. شناخت مخاطبان هدف
• 55. تحلیل تأثیرگذاری در شبکه‌های اجتماعی
• 56. مبانی نظری انتشار نوآوری
• 57. کاربرد مدل‌های انتشار در سیاست‌گذاری فرهنگی
• 58. تحلیل شبکه‌های اجتماعی برای شناسایی افکار عمومی
• 59. مبانی تحلیل شبکه‌های معنایی
• 60. پیاده‌سازی مدل‌های تحلیل شبکه‌های اجتماعی با پایتون
• 61. مقدمه‌ای بر کتابخانه‌های پایتون برای تحلیل شبکه (NetworkX)
• 62. نوشتن اسکریپت‌های وب اسکرپینگ با BeautifulSoup
• 63. پردازش متن با NLTK یا SpaCy
• 64. پیاده‌سازی مدل‌های NLP برای تحلیل احساسات
• 65. بصری‌سازی شبکه‌ها با Matplotlib یا Plotly
• 66. ساخت مدل‌های عامل‌بنیان با Mesa
• 67. ارزیابی نتایج شبیه‌سازی‌ها
• 68. مقدمه‌ای بر تحلیل داده‌های بزرگ (Big Data)
• 69. چالش‌های تحلیل داده‌های بزرگ
• 70. معرفی پلتفرم‌های تحلیل داده بزرگ
• 71. اصول مهندسی داده
• 72. معماری سیستم‌های داده
• 73. امنیت داده‌ها در سیستم‌های بزرگ
• 74. حاکمیت داده (Data Governance)
• 75. مدیریت چرخه حیات داده
• 76. مبانی هوش تجاری (Business Intelligence)
• 77. کاربرد هوش تجاری در تحلیل رفتارهای اجتماعی
• 78. تحلیل پیش‌بینانه (Predictive Analytics)
• 79. مدل‌سازی پیش‌بینانه برای رفتار کاربران
• 80. کاربرد تحلیل شبکه‌ها در مدیریت بحران
• 81. شناخت الگوهای انتشار اطلاعات نادرست
• 82. روش‌های مقابله با انتشار اخبار جعلی
• 83. تحلیل شبکه‌های اجتماعی در حوزه سلامت
• 84. کاربرد علوم داده در پژوهش‌های اجتماعی
• 85. فرهنگ داده در سازمان‌ها
• 86. توسعه مهارت‌های تحلیلی برای پژوهشگران
• 87. مقدمه‌ای بر مدل‌سازی ریاضی رفتار اجتماعی
• 88. مدل‌های ریاضی انتشار بیماری در شبکه‌ها
• 89. مدل‌های ریاضی انتشار عقاید در جامعه
• 90. کاربرد مدل‌سازی در پیش‌بینی تحولات اجتماعی
• 91. اخلاق در پژوهش‌های داده‌محور
• 92. اصول گزارش‌دهی شفاف یافته‌های تحلیلی
• 93. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 94. شبکه‌های عصبی کانولوشنال (CNN) برای تحلیل تصویر
• 95. شبکه‌های عصبی بازگشتی (RNN) برای تحلیل متن
• 96. کاربرد یادگیری عمیق در تحلیل شبکه‌های اجتماعی
• 97. اصول تحلیل شبکه‌های پیچیده
• 98. مقدمه‌ای بر نظریه بازی‌ها در تحلیل رفتارهای اجتماعی
• 99. کاربرد نظریه بازی‌ها در مدل‌سازی تعاملات
• 100. تحلیل شبکه‌های همکاری