اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی علم داده و تحلیل داده‌های کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی علم داده و تحلیل داده‌های کاربردی

موضوع کلی: علوم کامپیوتر و داده‌کاوی

موضوع میانی: تحلیل داده و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده
• 2. تاریخچه و تکامل علم داده
• 3. نقش علم داده در دنیای امروز
• 4. مسیر شغلی دانشمند داده
• 5. اخلاق در علم داده
• 6. مفاهیم کلیدی علم داده
• 7. انواع داده‌ها و ساختارهای آن‌ها
• 8. منابع داده و جمع‌آوری داده
• 9. پاکسازی و پیش‌پردازش داده
• 10. کشف و تحلیل اکتشافی داده (EDA)
• 11. تصویرسازی داده (Data Visualization)
• 12. انواع نمودارها و کاربرد آن‌ها
• 13. اصول طراحی داشبوردهای مدیریتی
• 14. مبانی آمار توصیفی
• 15. میانگین، میانه، مد و پراکندگی
• 16. توزیع‌های آماری رایج
• 17. مبانی آمار استنباطی
• 18. آزمون فرض آماری
• 19. انواع رگرسیون خطی
• 20. رگرسیون چندگانه
• 21. ارزیابی مدل‌های رگرسیون
• 22. مبانی دسته‌بندی (Classification)
• 23. رگرسیون لجستیک
• 24. درختان تصمیم
• 25. جنگل‌های تصادفی
• 26. ماشین‌های بردار پشتیبان (SVM)
• 27. شبکه‌های عصبی پایه
• 28. یادگیری عمیق (Deep Learning)
• 29. شبکه‌های عصبی کانولوشنال (CNN)
• 30. شبکه‌های عصبی بازگشتی (RNN)
• 31. پردازش زبان طبیعی (NLP)
• 32. مدل‌سازی موضوعی (Topic Modeling)
• 33. تحلیل احساسات (Sentiment Analysis)
• 34. سیستم‌های توصیه‌گر (Recommender Systems)
• 35. فیلترینگ مشارکتی
• 36. فیلترینگ مبتنی بر محتوا
• 37. خوشه‌بندی (Clustering)
• 38. الگوریتم K-Means
• 39. خوشه‌بندی سلسله مراتبی
• 40. ارزیابی مدل‌های خوشه‌بندی
• 41. کاهش ابعاد
• 42. تحلیل مؤلفه‌های اصلی (PCA)
• 43. تجزیه مقادیر منفرد (SVD)
• 44. کار با داده‌های سری زمانی
• 45. پیش‌بینی سری زمانی
• 46. مدل ARIMA
• 47. یادگیری تقویتی (Reinforcement Learning)
• 48. مقدمه‌ای بر یادگیری تقویتی
• 49. کاربرد یادگیری تقویتی
• 50. مبانی یادگیری بدون نظارت
• 51. یادگیری نیمه‌نظارتی
• 52. یادگیری جمعی (Ensemble Learning)
• 53. تقویت (Boosting)
• 54. کاهش واریانس (Bagging)
• 55. مبانی مهندسی ویژگی (Feature Engineering)
• 56. انتخاب ویژگی
• 57. ساخت ویژگی‌های جدید
• 58. مدیریت داده‌های نامتعادل
• 59. روش‌های نمونه‌برداری
• 60. تکنیک‌های تولید داده مصنوعی
• 61. ارزیابی مدل‌ها در عمل
• 62. اعتبارسنجی متقابل (Cross-Validation)
• 63. متریک‌های ارزیابی دسته‌بندی
• 64. متریک‌های ارزیابی رگرسیون
• 65. مبانی استقرار مدل (Model Deployment)
• 66. معماری‌های استقرار مدل
• 67. تست A/B
• 68. اصول DevOps در علم داده
• 69. مدیریت چرخه حیات مدل
• 70. حاکمیت داده (Data Governance)
• 71. امنیت داده‌ها
• 72. حریم خصوصی داده‌ها
• 73. قوانین و مقررات حفاظت از داده (مثال: GDPR)
• 74. ملاحظات قانونی در ایران برای داده‌ها
• 75. اصول بانکداری بدون ربا در تحلیل داده‌های مالی
• 76. عقود اسلامی در قراردادهای هوشمند
• 77. مقررات بانک مرکزی در رمزارزها
• 78. کاربرد علم داده در اقتصاد مقاومتی
• 79. تحلیل داده‌های بازار سرمایه ایران
• 80. تحلیل داده‌های بخش صنعت و معدن
• 81. تحلیل داده‌های کشاورزی و آب
• 82. تصویرسازی داده‌های فرهنگی و اجتماعی
• 83. تحلیل داده‌های سلامت و بهداشت
• 84. تحلیل داده‌های حمل و نقل و ترافیک
• 85. تحلیل داده‌های شهر هوشمند
• 86. اخلاق حرفه‌ای در جمع‌آوری و تحلیل داده
• 87. مسئولیت‌پذیری در قبال نتایج مدل‌ها
• 88. تأثیر علم داده بر تصمیم‌گیری‌های کلان
• 89. آینده علم داده و هوش مصنوعی
• 90. یادگیری مداوم و به‌روزرسانی مهارت‌ها
• 91. کاربرد هوش مصنوعی در حل مسائل ملی
• 92. توسعه ابزارهای بومی علم داده