علم داده ترکیبی از آمار، علوم کامپیوتر و دانش دامنه است که هدف آن استخراج دانش و بینش از داده‌هاست. فرصت‌های شغلی در حوزه علم داده به سرعت در حال رشد هستند و متخصصان این حوزه تقاضای بالایی در بازار کار دارند. از پیش‌بینی روند بازار گرفته تا بهبود تجربه مشتریان، علم داده در تمامی جنبه‌های کسب‌وکار نقش حیاتی ایفا می‌کند.

این بوت‌کمپ با تمرکز بر پروژه‌های واقعی، به شما کمک می‌کند تا:

• درک عمیقی از چرخه حیات پروژه‌های علم داده پیدا کنید.
• با ابزارها و تکنیک‌های پیشرفته تحلیل داده آشنا شوید.
• توانایی حل مسائل پیچیده با استفاده از داده‌ها را کسب کنید.
• نمونه کارهای قوی برای ارائه به کارفرمایان آینده بسازید.

این دوره برای طیف وسیعی از علاقه‌مندان به علم داده طراحی شده است:

• دانشجویان و فارغ‌التحصیلان رشته‌های مرتبط: که به دنبال تکمیل دانش تئوری خود با مهارت‌های عملی هستند.
• متخصصان حوزه فناوری اطلاعات: که قصد دارند به حوزه علم داده وارد شوند یا مهارت‌های خود را در این زمینه ارتقا دهند.
• کارشناسان کسب‌وکار و تحلیلگران: که می‌خواهند با استفاده از داده‌ها، تصمیم‌گیری‌های هوشمندانه‌تری در سازمان خود اتخاذ کنند.
• برنامه‌نویسان: که علاقه‌مند به یادگیری کاربردهای علم داده در پروژه‌های نرم‌افزاری خود هستند.
• هر فردی که کنجکاو است چگونه از داده‌ها برای حل مشکلات استفاده کند.

بوت‌کمپ "صد روزه پروژه‌های کاربردی علم داده" به صورت ماژولار طراحی شده است تا پوشش جامعی از تمامی جنبه‌های علم داده را ارائه دهد. هر روز، چالش‌ها و پروژه‌های جدیدی پیش روی شما قرار می‌گیرد که به تدریج سطح یادگیری شما را افزایش می‌دهد.

روزهای ۱-۱۰: مبانی و آمادگی

در این مرحله، پایه و اساس علم داده را بنا می‌نهیم. با ابزارهای اصلی مانند Python، کتابخانه‌های NumPy و Pandas، و محیط‌های توسعه مانند Jupyter Notebooks آشنا خواهید شد. پروژه‌های اولیه شامل پاکسازی و پیش‌پردازش داده‌ها و تحلیل اکتشافی اولیه (EDA) بر روی مجموعه داده‌های واقعی خواهد بود.

• موضوعات اصلی:
• مقدمه‌ای بر علم داده و کاربردهای آن.
• نصب و پیکربندی محیط توسعه.
• مبانی Python برای علم داده.
• کار با ساختارهای داده‌ای با Pandas.
• مفاهیم کلیدی تحلیل اکتشافی داده (EDA).

روزهای ۱۱-۳۰: بصری‌سازی داده‌ها و آمار

توانایی نمایش داده‌ها به شکلی گویا و قابل فهم، بخش جدایی‌ناپذیر کار یک دانشمند داده است. در این دوره، با کتابخانه‌های قدرتمندی مانند Matplotlib و Seaborn آشنا می‌شوید و یاد می‌گیرید چگونه نمودارها و داشبوردهای موثری برای انتقال یافته‌های خود ایجاد کنید. همچنین، مفاهیم آماری پایه که برای تحلیل داده‌ها ضروری هستند، پوشش داده می‌شوند.

• موضوعات اصلی:
• اصول بصری‌سازی داده‌ها.
• ایجاد انواع نمودارها (هیستوگرام، نمودار پراکندگی، نمودار میله‌ای و...).
• تحلیل آماری توصیفی.
• مفاهیم احتمالات و آزمون فرض.
• پروژه عملی: ساخت داشبورد تعاملی برای تحلیل داده‌های فروش.

روزهای ۳۱-۶۰: یادگیری ماشین (Machine Learning)

این بخش قلب دوره است. با الگوریتم‌های کلیدی یادگیری ماشین، از جمله یادگیری نظارت‌شده (مانند رگرسیون خطی، رگرسیون لجستیک، ماشین‌های بردار پشتیبان) و یادگیری بدون نظارت (مانند خوشه‌بندی K-means) آشنا خواهید شد. همچنین، تکنیک‌های ارزیابی مدل و تنظیم هایپرپارامترها را خواهید آموخت.

• موضوعات اصلی:
• انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی.
• رگرسیون و طبقه‌بندی.
• الگوریتم‌های متداول: درخت تصمیم، جنگل تصادفی، شبکه‌های عصبی پایه.
• ارزیابی عملکرد مدل: دقت، صحت، حساسیت، F1-score.
• پروژه عملی: پیش‌بینی قیمت مسکن با استفاده از رگرسیون.
• پروژه عملی: دسته‌بندی ایمیل‌ها به عنوان اسپم یا غیر اسپم.

روزهای ۶۱-۸۰: پروژه‌های پیشرفته و کاربردی

در این مرحله، دانش خود را در پروژه‌های پیچیده‌تر و متنوع‌تری به کار می‌گیرید. این پروژه‌ها شامل پردازش زبان طبیعی (NLP)، تحلیل سری‌های زمانی و سیستم‌های توصیه‌گر (Recommendation Systems) خواهند بود. با چالش‌های دنیای واقعی مانند داده‌های نامتعادل و انتخاب ویژگی مناسب مواجه خواهید شد.

• موضوعات اصلی:
• مقدمه‌ای بر پردازش زبان طبیعی (NLP).
• مدل‌سازی موضوعی و تحلیل احساسات.
• تحلیل و پیش‌بینی سری‌های زمانی (مانند پیش‌بینی سهام).
• ساخت سیستم‌های توصیه‌گر ساده.
• پروژه عملی: تحلیل نظرات کاربران در شبکه‌های اجتماعی.
• پروژه عملی: پیش‌بینی میزان تقاضا برای محصولات.

روزهای ۸۱-۱۰۰: پروژه‌های جامع و آمادگی شغلی

روزهای پایانی دوره به جمع‌بندی آموخته‌ها و اجرای پروژه‌های جامع اختصاص دارد که تمامی مهارت‌های کسب‌شده را در بر می‌گیرند. همچنین، به موضوعاتی مانند استقرار مدل‌ها، اصول MLOps و آماده‌سازی برای مصاحبه‌های شغلی پرداخته می‌شود. شما یاد می‌گیرید چگونه نتایج کار خود را به صورت حرفه‌ای ارائه دهید و چگونه در تیم‌های علمی داده همکاری کنید.

• موضوعات اصلی:
• پروژه‌های پایانی جامع (End-to-End Projects).
• اصول کار با Big Data (مقدماتی).
• مقدمه‌ای بر MLOps (Machine Learning Operations).
• ساخت رزومه و پروفایل حرفه‌ای.
• آمادگی برای مصاحبه‌های فنی علم داده.
• پروژه نهایی: ساخت یک مدل یادگیری ماشین از ابتدا تا انتها برای حل یک مسئله کسب‌وکار واقعی.

این دوره با ارائه محتوای غنی و رویکردی عملی، مزایای بی‌شماری برای شما به ارمغان می‌آورد:

• یادگیری پروژه‌محور: تمرین عملی بر روی پروژه‌های متنوع، فهم عمیق‌تری از مفاهیم ایجاد می‌کند.
• دسترسی دائمی و آسان: تمامی مطالب بر روی فلش مموری ۳۲ گیگابایتی ارائه می‌شود که امکان دسترسی مادام‌العمر به محتوا را فراهم می‌کند.
• جامعیت مطالب: پوشش سرفصل‌ها از مبانی تا پروژه‌های پیشرفته.
• مهارت‌های قابل عرضه در بازار کار: کسب مهارت‌هایی که مستقیماً در پروژه‌های واقعی قابل استفاده هستند.
• افزایش توانمندی حل مسئله: با روبرو شدن با چالش‌های واقعی، توانایی شما در یافتن راه‌حل‌های خلاقانه تقویت می‌شود.
• ایجاد نمونه کار: پروژه‌های انجام شده، نقطه قوتی در رزومه شما خواهند بود.

برای بهره‌مندی کامل از این دوره، آشنایی اولیه با مفاهیم زیر توصیه می‌شود:

• آشنایی با مفاهیم پایه‌ای برنامه‌نویسی (ترجیحاً Python).
• دانش مقدماتی از ریاضیات (جبر خطی و حساب دیفرانسیل و انتگرال).
• آشنایی با مفاهیم پایه آمار (مفید اما نه الزامی).

اگر با این پیش‌نیازها آشنایی ندارید، هیچ جای نگرانی نیست! این دوره به گونه‌ای طراحی شده است که شما را قدم به قدم با تمامی ابزارها و مفاهیم لازم آشنا سازد.