این دوره با هدف تجهیز دانشجویان با مهارت‌های اساسی و عملی آمار با استفاده از پایتون طراحی شده است. در پایان این دوره، شرکت‌کنندگان قادر خواهند بود:

• مفاهیم بنیادی آمار توصیفی و استنباطی را به طور کامل درک کنند.
• با استفاده از کتابخانه‌های قدرتمند پایتون مانند NumPy، Pandas، SciPy و Matplotlib/Seaborn، داده‌ها را آماده‌سازی، تحلیل و بصری‌سازی نمایند.
• معیارهای مرکزی و پراکندگی داده‌ها را محاسبه و تفسیر کنند.
• آزمون‌های فرضیه آماری مختلف را برای مقایسه گروه‌ها و بررسی روابط بین متغیرها انجام دهند.
• مدل‌های رگرسیون خطی ساده را برای پیش‌بینی و درک روابط بین متغیرها پیاده‌سازی کنند.
• با استفاده از تکنیک‌های نمونه‌گیری، به استنباط‌های معنادار از داده‌ها دست یابند.
• نتایج تحلیل‌های آماری خود را به صورت مؤثر بصری‌سازی کرده و به اشتراک بگذارند.
• مشکلات واقعی دنیای داده را با رویکرد آماری و برنامه‌نویسی حل کنند و بینش‌های عملی از آن‌ها استخراج نمایند.

کسب دانش و مهارت‌های این دوره، مزایای متعددی را برای شرکت‌کنندگان به ارمغان می‌آورد و آن‌ها را در مسیر شغلی و تحصیلی خود یاری می‌کند:

• افزایش فرصت‌های شغلی: با توجه به رشد روزافزون حوزه علم داده، هوش مصنوعی و تحلیل کسب‌وکار، متخصصان با دانش آماری قوی و مهارت در پایتون از تقاضای بالایی در بازار کار برخوردارند. این دوره شما را برای نقش‌هایی مانند تحلیلگر داده، دانشمند داده جونیور، و تحلیلگر کسب‌وکار آماده می‌سازد.
• تصمیم‌گیری مبتنی بر داده: توانایی تحلیل داده‌ها و استخراج بینش‌های معنادار، به شما کمک می‌کند تا تصمیمات آگاهانه‌تر و مؤثرتری در محیط کار یا پژوهش بگیرید و از حدس و گمان فاصله بگیرید.
• پایه قوی برای مباحث پیشرفته: این دوره اساس محکمی برای ورود به حوزه‌های پیچیده‌تر مانند یادگیری ماشین، یادگیری عمیق، مدل‌سازی پیشرفته آماری و بهینه‌سازی فراهم می‌کند.
• مهارت‌های عملی و قابل انتقال: مهارت‌هایی که در این دوره کسب می‌کنید، نه تنها در علم داده، بلکه در رشته‌های مختلفی از جمله اقتصاد، بازاریابی، علوم اجتماعی، مهندسی، و حتی پزشکی نیز قابل استفاده هستند و به شما امکان می‌دهند تا در هر زمینه‌ای که با داده سروکار دارد، تأثیرگذار باشید.
• اعتماد به نفس در کار با داده‌ها: با تسلط بر ابزارهای پایتون و مفاهیم آماری، با اطمینان بیشتری به تحلیل و تفسیر مجموعه‌داده‌های بزرگ خواهید پرداخت و می‌توانید به سؤالات پیچیده پاسخ دهید.

این دوره برای افرادی با سطوح مختلف آشنایی با آمار و برنامه‌نویسی طراحی شده است، اما برای کسب حداکثر بهره‌وری، داشتن پیش‌نیازهای زیر توصیه می‌شود تا بتوانید با سهولت بیشتری مطالب را دنبال کنید:

• آشنایی مقدماتی با زبان برنامه‌نویسی پایتون: درک مفاهیم پایه‌ای پایتون مانند متغیرها، انواع داده، ساختارهای کنترلی (حلقه‌ها و شرط‌ها)، و نحوه تعریف و فراخوانی توابع. نیازی به تسلط کامل بر پایتون نیست، اما آشنایی اولیه به شما در دنبال کردن مثال‌های عملی و تمرینات کمک شایانی خواهد کرد.
• درک پایه از مفاهیم ریاضی: آشنایی با جبر مقدماتی و درک کلی از توابع و نمودارها می‌تواند مفید باشد. نیازی به دانش عمیق ریاضیات پیشرفته یا آمار قبلی نیست، زیرا مفاهیم آماری از پایه و به صورت گام به گام توضیح داده می‌شوند.
• علاقه به تحلیل داده‌ها: مهم‌ترین پیش‌نیاز، اشتیاق به کشف الگوها، حل مسائل با استفاده از داده‌ها و استخراج اطلاعات ارزشمند از آن‌ها است. این کنجکاوی و علاقه، انگیزه شما را برای یادگیری و پیشرفت در این حوزه تقویت می‌کند.

مقدمه‌ای بر آمار و پایتون

• آشنایی با اهمیت آمار در علم داده و نقش حیاتی پایتون به عنوان ابزاری قدرتمند برای تحلیل داده‌ها.
• نصب و راه‌اندازی محیط توسعه پایتون (مانند Anaconda و Jupyter Notebook) برای شروع کار عملی.
• مروری سریع بر سینتکس اساسی پایتون، ساختار داده‌ها و معرفی کتابخانه‌های بنیادین NumPy برای محاسبات عددی و Pandas برای مدیریت داده‌ها.
• معرفی انواع داده‌های آماری: کمی (گسسته و پیوسته) و کیفی (اسمی و ترتیبی) و نحوه کار با آن‌ها در پایتون.

آمار توصیفی

• معیارهای گرایش مرکزی: آموزش محاسبه و تفسیر میانگین (Mean)، میانه (Median)، و نما (Mode) برای درک مرکزیت داده‌ها.
• معیارهای پراکندگی: محاسبه و تفسیر واریانس (Variance)، انحراف معیار (Standard Deviation)، دامنه (Range) و چارک‌ها (Quartiles) و دامنه بین چارکی (IQR) برای سنجش پراکندگی داده‌ها.
• بصری‌سازی داده‌های توصیفی: ایجاد هیستوگرام‌ها (Histograms) برای نمایش توزیع فراوانی و نمودارهای جعبه‌ای (Box Plots) برای نمایش خلاصه‌ای از توزیع داده‌ها و کشف داده‌های پرت (Outliers).
• کشف داده‌های پرت (Outliers) و تأثیر آن‌ها بر تحلیل‌های آماری و روش‌های مدیریت آن‌ها.

مبانی احتمال و توزیع‌ها

• مفاهیم پایه‌ای احتمال: فضای نمونه، رویدادها، احتمال شرطی و قوانین پایه احتمال.
• توزیع‌های احتمال گسسته: آشنایی با توزیع برنولی، توزیع دوجمله‌ای (Binomial Distribution) و توزیع پواسون (Poisson Distribution) و کاربردهای آن‌ها.
• توزیع‌های احتمال پیوسته: تمرکز بر توزیع نرمال (Gaussian Distribution) و اهمیت محوری آن در آمار و طبیعت.
• استفاده از کتابخانه SciPy برای کار با توزیع‌های احتمال و محاسبه احتمالات.

نمونه‌گیری و تخمین

• چرا نمونه‌گیری می‌کنیم؟ درک تفاوت بین جامعه آماری و نمونه و اهمیت نمونه‌گیری صحیح.
• روش‌های نمونه‌گیری تصادفی: آشنایی با نمونه‌گیری تصادفی ساده، طبقه‌ای، خوشه‌ای و سیستمی.
• قضیه حد مرکزی (Central Limit Theorem): درک این قضیه بنیادین و اهمیت آن در آمار استنباطی.
• بازه اطمینان (Confidence Intervals): محاسبه و تفسیر بازه‌های اطمینان برای میانگین و نسبت و درک میزان قطعیت تخمین‌ها.

آزمون فرضیه

• مفاهیم اساسی: فرضیه صفر (Null Hypothesis) و فرضیه جایگزین (Alternative Hypothesis) و مراحل انجام یک آزمون فرضیه.
• خطاهای نوع اول (Type I Error) و نوع دوم (Type II Error) در آزمون‌های فرضیه و چگونگی به حداقل رساندن آن‌ها.
• p-value و سطح معنی‌داری (Significance Level): درک این مفاهیم برای تصمیم‌گیری در مورد رد یا عدم رد فرضیه صفر.
• آزمون Z برای میانگین یک جامعه زمانی که انحراف معیار جامعه معلوم است.
• آزمون T (تک نمونه‌ای، دو نمونه‌ای مستقل و زوجی) برای مقایسه میانگین‌ها در شرایط مختلف.
• آزمون کای-دو (Chi-square) برای بررسی استقلال بین متغیرهای کیفی و آزمون نیکویی برازش.
• مقدمه‌ای بر آنالیز واریانس (ANOVA) برای مقایسه میانگین‌های بیش از دو گروه.

رگرسیون و همبستگی

• مفاهیم همبستگی: درک و محاسبه ضریب همبستگی پیرسون و اسپیرمن برای سنجش قدرت و جهت رابطه بین دو متغیر.
• رگرسیون خطی ساده: ساخت مدل رگرسیون خطی، تفسیر ضرایب رگرسیون (شیب و عرض از مبدا) و ارزیابی برازش مدل با R-squared.
• استفاده از کتابخانه statsmodels برای مدل‌سازی رگرسیون و تحلیل نتایج آماری آن.
• نمونه‌های عملی از پیش‌بینی با استفاده از مدل‌های رگرسیون در سناریوهای واقعی.

کار با داده‌ها و بصری‌سازی پیشرفته با پایتون

• Pandas: مهارت‌های پیشرفته در فیلتر کردن، مرتب‌سازی، تجمیع، ادغام و پاکسازی داده‌ها برای آماده‌سازی آن‌ها جهت تحلیل.
• مدیریت داده‌های گمشده و نویز در مجموعه داده‌ها با تکنیک‌های مختلف.
• Matplotlib و Seaborn: ایجاد انواع نمودارهای حرفه‌ای و جذاب مانند Scatter Plots، Line Plots، Bar Charts، Heatmaps و Pair Plots برای ارائه داده‌ها.
• داستان‌سرایی با داده‌ها: یادگیری چگونگی ارائه مؤثر نتایج تحلیل‌ها و بصری‌سازی‌ها به مخاطبان مختلف.