, ,

کتاب بصری‌سازی داده‌های علوم کامپیوتر

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب بصری‌سازی داده‌های علوم کامپیوتر

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر بصری‌سازی داده
  • 2. چرا بصری‌سازی داده برای دانشمندان کامپیوتر حیاتی است؟
  • 3. تاریخچه مختصر بصری‌سازی داده
  • 4. اصول ادراک بصری و نظریه گشتالت
  • 5. انواع داده‌ها: کمی، کیفی، گسسته و پیوسته
  • 6. شناخت انواع نمودارها: مقایسه‌ای، توزیعی، رابطه‌ای
  • 7. مبانی طراحی گرافیک: رنگ، فرم و فضا
  • 8. گرامر گرافیک‌ها (The Grammar of Graphics)
  • 9. انتخاب نمودار مناسب برای داده‌های مختلف
  • 10. خطاهای رایج در بصری‌سازی و نحوه اجتناب از آن‌ها
  • 11. اخلاق در بصری‌سازی داده: جلوگیری از ارائه نادرست
  • 12. معرفی ابزارها و کتابخانه‌های پایتون برای بصری‌سازی
  • 13. راه‌اندازی محیط توسعه: Anaconda, Jupyter Notebook و VS Code
  • 14. کار با داده‌ها با استفاده از Pandas: مقدمات لازم
  • 15. پاکسازی و آماده‌سازی داده‌ها برای بصری‌سازی
  • 16. شروع به کار با Matplotlib: اولین نمودار خطی
  • 17. نمودارهای پراکندگی (Scatter Plots) در Matplotlib
  • 18. نمودارهای میله‌ای (Bar Charts) و هیستوگرام‌ها
  • 19. سفارشی‌سازی نمودارها: عناوین، برچسب‌ها و لجندها
  • 20. کار با رنگ‌ها، خطوط و نشانگرها در Matplotlib
  • 21. مدیریت چندین نمودار در یک تصویر: Subplots
  • 22. حاشیه‌نویسی (Annotations) و افزودن متن به نمودارها
  • 23. مقدمه‌ای بر Seaborn: بصری‌سازی آماری سطح بالا
  • 24. نمودارهای توزیع در Seaborn: distplot و kdeplot
  • 25. بصری‌سازی داده‌های دسته‌ای (Categorical Data) با Seaborn
  • 26. نمودارهای ویولن (Violin Plots) و باکس پلات (Box Plots)
  • 27. نمودارهای رابطه‌ای در Seaborn: relplot و scatterplot
  • 28. ماتریس‌های همبستگی و هیت‌مپ‌ها (Heatmaps)
  • 29. سفارشی‌سازی ظاهر نمودارها در Seaborn: استایل و پالت رنگ
  • 30. مقدمه‌ای بر Plotly: ساخت نمودارهای تعاملی
  • 31. ساخت نمودارهای پایه تعاملی با Plotly Express
  • 32. تفاوت Plotly Express و Plotly Graph Objects
  • 33. بصری‌سازی‌های سه‌بعدی (3D) با Plotly
  • 34. ذخیره‌سازی و به اشتراک‌گذاری نمودارها: استاتیک و تعاملی
  • 35. استفاده از قابلیت‌های رسم نمودار در خود Pandas
  • 36. بصری‌سازی داده‌های سلسله مراتبی: Treemaps
  • 37. نمودارهای خورشیدی (Sunburst Charts)
  • 38. بصری‌سازی داده‌های جغرافیایی: مقدمات
  • 39. کار با GeoPandas برای داده‌های مکانی
  • 40. ساخت نقشه‌های Choropleth
  • 41. نمایش نقاط داده روی نقشه با Scatter Maps
  • 42. مقدمه‌ای بر بصری‌سازی گراف و شبکه
  • 43. کار با کتابخانه NetworkX برای تحلیل گراف
  • 44. رسم گراف‌های ساده: نمودارهای گره-پیوند (Node-Link)
  • 45. ماتریس‌های مجاورت (Adjacency Matrices) به عنوان بصری‌سازی
  • 46. بصری‌سازی داده‌های چند بعدی
  • 47. نمودارهای مختصات موازی (Parallel Coordinates)
  • 48. ماتریس‌های پراکندگی (Scatter Plot Matrices)
  • 49. بصری‌سازی سری‌های زمانی: نمودارهای خطی پیشرفته
  • 50. نمودارهای دوره‌ای و تجزیه سری زمانی
  • 51. بصری‌سازی جریان داده: نمودارهای Sankey
  • 52. بصری‌سازی متن: ابر کلمات (Word Clouds)
  • 53. نمودارهای رادار (Radar Charts) برای مقایسه چند متغیره
  • 54. نمودارهای کانتور (Contour Plots) برای نمایش سطح
  • 55. تکنیک‌های کاهش ابعاد برای بصری‌سازی: PCA و t-SNE
  • 56. اصول طراحی تعاملی برای بصری‌سازی
  • 57. افزودن ابزارهای شناور (Hover Tools) و راهنما
  • 58. اتصال نمودارها به یکدیگر: Brushing and Linking
  • 59. مدیریت رویدادها (Events) در نمودارهای تعاملی
  • 60. مقدمه‌ای بر ساخت داشبوردهای وب
  • 61. آشنایی با فریم‌ورک Dash (بر پایه Plotly و Flask)
  • 62. ساختار یک اپلیکیشن Dash: Layout و Components
  • 63. کامپوننت‌های هسته Dash: Dropdowns, Sliders, Inputs
  • 64. برنامه‌نویسی واکنش‌گرا با Callback ها در Dash
  • 65. مدیریت حالت (State) در داشبوردهای تعاملی
  • 66. ساخت داشبورد با چندین ورودی و خروجی
  • 67. آشنایی با فریم‌ورک Streamlit برای ساخت سریع اپلیکیشن‌های داده
  • 68. مقایسه Dash و Streamlit: انتخاب ابزار مناسب
  • 69. اتصال داشبورد به منابع داده زنده (Live Data)
  • 70. مفاهیم استقرار (Deployment) داشبوردهای وب
  • 71. بصری‌سازی الگوریتم‌ها: چرا و چگونه؟
  • 72. بصری‌سازی الگوریتم‌های مرتب‌سازی (Sorting)
  • 73. بصری‌سازی الگوریتم‌های جستجوی مسیر (مانند A*)
  • 74. بصری‌سازی ساختارهای داده: درختان و هیپ‌ها
  • 75. بصری‌سازی ساختارهای داده: لیست‌های پیوندی و صف‌ها
  • 76. بصری‌سازی عملکرد کد: پروفایلینگ (Profiling)
  • 77. نمودارهای شعله (Flame Graphs) برای تحلیل گلوگاه‌ها
  • 78. بصری‌سازی مصرف حافظه و پردازنده در طول زمان
  • 79. بصری‌سازی در یادگیری ماشین: ارزیابی مدل
  • 80. بصری‌سازی ماتریس درهم‌ریختگی (Confusion Matrix)
  • 81. منحنی‌های ROC و Precision-Recall
  • 82. بصری‌سازی مرزهای تصمیم‌گیری (Decision Boundaries)
  • 83. بصری‌سازی اهمیت ویژگی‌ها (Feature Importance)
  • 84. بصری‌سازی ترافیک شبکه و بسته‌های داده
  • 85. بصری‌سازی لاگ‌های سیستم و تحلیل الگوها
  • 86. نظریه رنگ پیشرفته: ساخت پالت‌های رنگی مؤثر
  • 87. طراحی برای همه: در نظر گرفتن کوررنگی
  • 88. روایت‌گری با داده (Data Storytelling): ساختار یک روایت بصری
  • 89. اصول طراحی بصری پیشرفته: تضاد، تکرار، هم‌راستایی، نزدیکی
  • 90. بهینه‌سازی عملکرد برای بصری‌سازی داده‌های بزرگ (Big Data)
  • 91. استفاده از Datashader برای رندر کردن میلیاردها نقطه
  • 92. تکنیک‌های نمونه‌برداری (Sampling) و تجمعی (Aggregation)
  • 93. مقدمه‌ای بر D3.js: قدرت پشت کتابخانه‌های پایتون
  • 94. یکپارچه‌سازی بصری‌سازی‌های D3.js در اپلیکیشن‌های پایتون
  • 95. بصری‌سازی سه‌بعدی پیشرفته و WebGL
  • 96. مفاهیم اولیه بصری‌سازی در واقعیت افزوده (AR) و مجازی (VR)
  • 97. اخلاق و مسئولیت‌پذیری: تشخیص و مقابله با سوگیری (Bias)
  • 98. ساخت پورتفولیو بصری‌سازی داده
  • 99. مطالعه موردی: تحلیل و بصری‌سازی یک مجموعه داده واقعی از ابتدا تا انتها
  • 100. پروژه نهایی: طراحی و پیاده‌سازی یک داشبورد تحلیلی جامع

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب بصری‌سازی داده‌های علوم کامپیوتر”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا