سپنتا کتاب اکسپرس
کتاب علم داده و بصری‌سازی اطلاعات در عمل

کتاب علم داده و بصری‌سازی اطلاعات در عمل

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره علم داده و بصری‌سازی اطلاعات در عمل

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: تحلیل و بصری‌سازی داده‌ها

📋 سرفصل‌های دوره

  • 1. مقدمه ای بر علم داده و بصری سازی اطلاعات
  • 2. فصل اول: مبانی علم داده
  • 3. فصل دوم: انواع داده ها و ساختارها
  • 4. فصل سوم: جمع آوری و پاکسازی داده ها
  • 5. فصل چهارم: پیش پردازش داده ها
  • 6. فصل پنجم: اکتشاف داده ها (EDA)
  • 7. فصل ششم: روش های آماری پایه
  • 8. فصل هفتم: توزیع های آماری رایج
  • 9. فصل هشتم: استنباط آماری
  • 10. فصل نهم: آزمون فرض آماری
  • 11. فصل دهم: رگرسیون خطی ساده
  • 12. فصل یازدهم: رگرسیون خطی چندگانه
  • 13. فصل دوازدهم: مفاهیم همبستگی
  • 14. فصل سیزدهم: تحلیل واریانس (ANOVA)
  • 15. فصل چهاردهم: مقدمه ای بر بصری سازی داده ها
  • 16. فصل پانزدهم: اصول طراحی بصری
  • 17. فصل شانزدهم: انتخاب نمودار مناسب
  • 18. فصل هفدهم: نمودارهای میله ای و ستونی
  • 19. فصل هجدهم: نمودارهای خطی و ناحیه ای
  • 20. فصل نوزدهم: نمودارهای پراکندگی
  • 21. فصل بیستم: نمودارهای دایره ای و حلقه ای
  • 22. فصل بیست و یکم: هیستوگرام ها
  • 23. فصل بیست و دوم: نمودارهای جعبه ای (Box Plots)
  • 24. فصل بیست و سوم: نمودارهای نقشه حرارتی (Heatmaps)
  • 25. فصل بیست و چهارم: نمودارهای نقشه ای (Maps)
  • 26. فصل بیست و پنجم: بصری سازی داده های متنی
  • 27. فصل بیست و ششم: ابزارهای بصری سازی داده ها
  • 28. فصل بیست و هفتم: مقدمه ای بر کتابخانه های پایتون برای علم داده
  • 29. فصل بیست و هشتم: کار با کتابخانه NumPy
  • 30. فصل بیست و نهم: کار با کتابخانه Pandas
  • 31. فصل سی ام: تحلیل داده ها با Pandas
  • 32. فصل سی و یکم: مقدمه ای بر کتابخانه Matplotlib
  • 33. فصل سی و دوم: رسم نمودارهای پایه با Matplotlib
  • 34. فصل سی و سوم: سفارشی سازی نمودارها در Matplotlib
  • 35. فصل سی و چهارم: مقدمه ای بر کتابخانه Seaborn
  • 36. فصل سی و پنجم: نمودارهای آماری با Seaborn
  • 37. فصل سی و ششم: بصری سازی روابط با Seaborn
  • 38. فصل سی و هفتم: بصری سازی توزیع ها با Seaborn
  • 39. فصل سی و هشتم: مقدمه ای بر کتابخانه Plotly
  • 40. فصل سی و نهم: نمودارهای تعاملی با Plotly
  • 41. فصل چهلم: داشبوردهای تعاملی
  • 42. فصل چهل و یکم: مقدمه ای بر یادگیری ماشین
  • 43. فصل چهل و دوم: انواع یادگیری ماشین
  • 44. فصل چهل و سوم: ارزیابی مدل های یادگیری ماشین
  • 45. فصل چهل و چهارم: طبقه بندی (Classification)
  • 46. فصل چهل و پنجم: الگوریتم K-نزدیکترین همسایه (KNN)
  • 47. فصل چهل و ششم: درخت تصمیم (Decision Trees)
  • 48. فصل چهل و هفتم: ماشین بردار پشتیبان (SVM)
  • 49. فصل چهل و هشتم: رگرسیون لجستیک (Logistic Regression)
  • 50. فصل چهل و نهم: یادگیری جمعی (Ensemble Learning)
  • 51. فصل پنجاهم: جنگل تصادفی (Random Forests)
  • 52. فصل پنجاه و یکم: تقویت گرادیان (Gradient Boosting)
  • 53. فصل پنجاه و دوم: خوشه بندی (Clustering)
  • 54. فصل پنجاه و سوم: الگوریتم K-Means
  • 55. فصل پنجاه و چهارم: خوشه بندی سلسله مراتبی
  • 56. فصل پنجاه و پنجم: کاهش ابعاد (Dimensionality Reduction)
  • 57. فصل پنجاه و ششم: تحلیل مولفه های اصلی (PCA)
  • 58. فصل پنجاه و هفتم: کاربردهای علم داده در کسب و کار
  • 59. فصل پنجاه و هشتم: تحلیل سبد خرید (Market Basket Analysis)
  • 60. فصل پنجاه و نهم: سیستم های توصیه گر (Recommender Systems)
  • 61. فصل شصتم: تحلیل احساسات (Sentiment Analysis)
  • 62. فصل شصت و یکم: پردازش زبان طبیعی (NLP) مقدماتی
  • 63. فصل شصت و دوم: علم داده در حوزه بهداشت و درمان
  • 64. فصل شصت و سوم: علم داده در حوزه مالی
  • 65. فصل شصت و چهارم: علم داده در حوزه بازاریابی
  • 66. فصل شصت و پنجم: مقدمه ای بر کلان داده (Big Data)
  • 67. فصل شصت و ششم: ابزارهای پردازش کلان داده (مانند Spark)
  • 68. فصل شصت و هفتم: معماری سیستم های کلان داده
  • 69. فصل شصت و هشتم: چالش های اخلاقی در علم داده
  • 70. فصل شصت و نهم: حریم خصوصی داده ها
  • 71. فصل هفتادم: سوگیری در الگوریتم ها
  • 72. فصل هفتاد و یکم: مسئولیت پذیری در علم داده
  • 73. فصل هفتاد و دوم: مقدمه ای بر هوش مصنوعی
  • 74. فصل هفتاد و سوم: شبکه های عصبی مصنوعی
  • 75. فصل هفتاد و چهارم: یادگیری عمیق (Deep Learning)
  • 76. فصل هفتاد و پنجم: کاربردهای یادگیری عمیق
  • 77. فصل هفتاد و ششم: پردازش تصویر با یادگیری عمیق
  • 78. فصل هفتاد و هفتم: پردازش گفتار با یادگیری عمیق
  • 79. فصل هفتاد و هشتم: مقدمه ای بر داده کاوی (Data Mining)
  • 80. فصل هفتاد و نهم: الگوریتم های قواعد انجمنی (Association Rules)
  • 81. فصل هشتادم: اکتشاف الگوهای پنهان در داده ها
  • 82. فصل هشتاد و یکم: مدل سازی پیش بینانه (Predictive Modeling)
  • 83. فصل هشتاد و دوم: سری های زمانی (Time Series Analysis)
  • 84. فصل هشتاد و سوم: پیش بینی سری های زمانی
  • 85. فصل هشتاد و چهارم: مقدمه ای بر تحلیل شبکه های اجتماعی
  • 86. فصل هشتاد و پنجم: مفاهیم پایه در تحلیل شبکه
  • 87. فصل هشتاد و ششم: بصری سازی شبکه های اجتماعی
  • 88. فصل هشتاد و هفتم: ابزارهای تحلیل شبکه
  • 89. فصل هشتاد و هشتم: مقدمه ای بر داده های مکانی (Spatial Data)
  • 90. فصل هشتاد و نهم: پردازش و تحلیل داده های مکانی
  • 91. فصل نودم: بصری سازی داده های مکانی
  • 92. فصل نود و یکم: مقدمه ای بر مهندسی ویژگی (Feature Engineering)
  • 93. فصل نود و دوم: تکنیک های مهندسی ویژگی
  • 94. فصل نود و سوم: تأثیر مهندسی ویژگی بر مدل ها
  • 95. فصل نود و چهارم: مقدمه ای بر بهینه سازی مدل (Model Optimization)
  • 96. فصل نود و پنجم: تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 97. فصل نود و ششم: اعتبارسنجی متقابل (Cross-Validation)
  • 98. فصل نود و هفتم: مقدمه ای بر استقرار مدل (Model Deployment)
  • 99. فصل نود و هشتم: اصول استقرار مدل در محیط عملیاتی
  • 100. فصل نود و نهم: مانیتورینگ و نگهداری مدل ها

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.