کتاب صوتی مبانی تحلیل داده و مصورسازی با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی تحلیل داده و مصورسازی با پایتون

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: تحلیل داده و یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده
• 2. نصب و راه‌اندازی محیط پایتون
• 3. آشنایی با مفاهیم پایه‌ای پایتون
• 4. انواع داده‌ها در پایتون
• 5. ساختارهای داده‌ای: لیست‌ها و تاپل‌ها
• 6. ساختارهای داده‌ای: دیکشنری‌ها و مجموعه‌ها
• 7. عملیات پایه با رشته‌ها
• 8. کنترل جریان برنامه: دستورات شرطی
• 9. کنترل جریان برنامه: حلقه‌ها
• 10. توابع در پایتون
• 11. ماژول‌ها و بسته‌های پایتون
• 12. آشنایی با NumPy
• 13. آرایه‌های NumPy
• 14. عملیات برداری با NumPy
• 15. توابع ریاضی و آماری NumPy
• 16. آشنایی با Pandas
• 17. ساختارهای داده‌ای Pandas: سری
• 18. ساختارهای داده‌ای Pandas: دیتافریم
• 19. بارگذاری و ذخیره داده‌ها
• 20. انتخاب و فیلتر کردن داده‌ها
• 21. مدیریت داده‌های گم‌شده
• 22. پاکسازی داده‌ها
• 23. تبدیل و تغییر شکل داده‌ها
• 24. ادغام و پیوند دیتافریم‌ها
• 25. عملیات گروه بندی در Pandas
• 26. توابع تجمعی در Pandas
• 27. کار با تاریخ و زمان در Pandas
• 28. آشنایی با Matplotlib
• 29. رسم نمودارهای خطی
• 30. رسم نمودارهای پراکندگی
• 31. رسم نمودارهای میله‌ای
• 32. رسم نمودارهای هیستوگرام
• 33. رسم نمودارهای دایره‌ای
• 34. تنظیمات پیشرفته نمودارها
• 35. آشنایی با Seaborn
• 36. نمودارهای توزیع با Seaborn
• 37. نمودارهای رابطه‌ای با Seaborn
• 38. نمودارهای دسته‌بندی شده با Seaborn
• 39. نقشه‌های حرارتی با Seaborn
• 40. تنظیمات پیشرفته Seaborn
• 41. مقدمه‌ای بر یادگیری ماشین
• 42. انواع یادگیری ماشین: نظارت شده
• 43. انواع یادگیری ماشین: بدون نظارت
• 44. کار با مجموعه داده‌ها
• 45. تقسیم داده‌ها به آموزش و آزمون
• 46. متریک‌های ارزیابی مدل
• 47. رگرسیون خطی
• 48. رگرسیون لجستیک
• 49. ماشین‌های بردار پشتیبان (SVM)
• 50. درخت‌های تصمیم
• 51. جنگل‌های تصادفی
• 52. مقدمه‌ای بر خوشه‌بندی
• 53. الگوریتم K-Means
• 54. خوشه‌بندی سلسله مراتبی
• 55. مقدمه‌ای بر کاهش ابعاد
• 56. تحلیل مولفه‌های اصلی (PCA)
• 57. مقدمه‌ای بر پردازش زبان طبیعی
• 58. آماده‌سازی متن برای تحلیل
• 59. شمارش کلمات و فراوانی‌ها
• 60. مدل‌سازی موضوعی (Topic Modeling)
• 61. مقدمه‌ای بر شبکه‌های عصبی
• 62. شبکه‌های عصبی پرسپترون چندلایه
• 63. تابع فعال‌سازی در شبکه‌های عصبی
• 64. آموزش شبکه‌های عصبی: پس‌انتشار
• 65. بهینه‌سازی در شبکه‌های عصبی
• 66. مقدمه‌ای بر یادگیری عمیق
• 67. شبکه‌های عصبی کانولوشنی (CNN)
• 68. شبکه‌های عصبی بازگشتی (RNN)
• 69. کاربردها در بینایی ماشین
• 70. کاربردها در پردازش زبان طبیعی
• 71. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 72. فیلترینگ مبتنی بر محتوا
• 73. فیلترینگ مشارکتی
• 74. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 75. مقدمه‌ای بر تحلیل سری‌های زمانی
• 76. اجزای سری‌های زمانی
• 77. مدل‌های ARIMA
• 78. پیش‌بینی با سری‌های زمانی
• 79. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 80. نمایش گراف داده‌ها
• 81. متریک‌های مرکزی در شبکه‌ها
• 82. شناسایی جوامع در شبکه‌ها
• 83. تحلیل داده‌های بزرگ
• 84. ابزارهای پردازش داده‌های بزرگ
• 85. مقدمه‌ای بر مفاهیم آماری پیشرفته
• 86. آزمون فرض آماری
• 87. تحلیل واریانس (ANOVA)
• 88. رگرسیون چندگانه
• 89. مقدمه‌ای بر داده‌کاوی
• 90. قوانین وابستگی
• 91. قوانین انجمنی
• 92. الگوریتم Apriori
• 93. مقدمه‌ای بر مصورسازی تعاملی
• 94. کتابخانه‌های مصورسازی تعاملی
• 95. کاربرد مصورسازی در تصمیم‌گیری
• 96. اصول طراحی داشبوردهای مدیریتی
• 97. ارزیابی و بهبود مدل‌های یادگیری ماشین
• 98. اخلاق در تحلیل داده
• 99. حریم خصوصی داده‌ها
• 100. امنیت داده‌ها