مزایای کلیدی این دوره:

• آموزش عملی و کاربردی: تمرکز بر پروژه‌های واقعی و مثال‌های عملی برای درک بهتر مفاهیم.
• پروژه‌های جذاب: انجام پروژه‌های کاربردی در زمینه‌های مختلف مانند تحلیل داده‌های مالی، پیش‌بینی فروش، و تشخیص الگوها.
• ابزارها و کتابخانه‌های پایتون: یادگیری کار با ابزارهای قدرتمند مانند Pandas, NumPy, Scikit-learn و Matplotlib.
• مدرس مجرب: آموزش توسط متخصصان علم داده با تجربه.
• دسترسی آسان: تمامی مطالب دوره بر روی فلش مموری ۳۲ گیگابایتی در دسترس شما خواهد بود.

روز اول: مقدمه‌ای بر علم داده و پایتون

• معرفی علم داده و کاربردهای آن
• آشنایی با زبان برنامه‌نویسی پایتون و محیط‌های توسعه (Jupyter Notebook, VS Code)
• نصب و راه‌اندازی ابزارهای مورد نیاز
• مروری بر مفاهیم پایه‌ای پایتون (متغیرها، انواع داده‌ها، حلقه‌ها، توابع)
• کار با کتابخانه‌های NumPy و Pandas

روز دوم: کار با داده‌ها در پایتون

• وارد کردن و خواندن داده‌ها از فایل‌های مختلف (CSV, Excel, JSON)
• تمیز کردن داده‌ها: حذف داده‌های تکراری، مدیریت مقادیر گمشده
• تبدیل داده‌ها و ایجاد ویژگی‌های جدید
• تجزیه و تحلیل داده‌های توصیفی (میانگین، میانه، انحراف معیار)
• استفاده از کتابخانه Pandas برای انجام عملیات‌های مختلف بر روی داده‌ها

روز سوم: تجسم داده‌ها

• آشنایی با کتابخانه Matplotlib و Seaborn
• ایجاد نمودارهای میله‌ای، نمودارهای خطی، نمودارهای پراکندگی و هیستوگرام
• تنظیمات گرافیکی نمودارها (عنوان، محورها، برچسب‌ها)
• تجسم داده‌ها برای درک بهتر الگوها و روابط
• ایجاد داشبوردهای ساده

روز چهارم: یادگیری ماشین – مفاهیم پایه‌ای

• مقدمه‌ای بر یادگیری ماشین و انواع آن (نظارت‌شده، بدون نظارت، تقویتی)
• آشنایی با مفاهیم کلیدی (مدل، ویژگی، برچسب، داده‌های آموزشی و آزمایشی)
• ارزیابی مدل‌ها: دقت، دقت، فراخوان، امتیاز F1
• آماده‌سازی داده‌ها برای مدل‌سازی (مقیاس‌بندی، تبدیل ویژگی)
• معرفی کتابخانه Scikit-learn

روز پنجم: یادگیری ماشین – مدل‌های پرکاربرد

• رگرسیون خطی و لجستیک: پیاده‌سازی و ارزیابی
• درخت تصمیم و جنگل تصادفی: ساخت و تنظیم
• خوشه‌بندی K-means: شناسایی الگوها در داده‌ها
• انتخاب ویژگی و کاهش ابعاد
• بهینه‌سازی مدل‌ها (GridSearchCV)

روز ششم: پروژه‌های عملی

• انجام پروژه‌های عملی در زمینه‌های مختلف:
• پیش‌بینی فروش
• تحلیل داده‌های مالی
• تشخیص الگوها در داده‌ها
• استفاده از دانش کسب شده در پروژه‌های واقعی

روز هفتم: جمع‌بندی و آینده علم داده

• مروری بر مباحث دوره و جمع‌بندی
• بهترین شیوه‌ها و نکات کلیدی
• معرفی منابع یادگیری بیشتر
• بررسی روندها و فرصت‌های شغلی در علم داده
• ارائه گواهی پایان دوره