اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر داده‌ها: جمع‌آوری، پاکسازی و تحلیل اولیه

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر داده‌ها: جمع‌آوری، پاکسازی و تحلیل اولیه

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: مبانی و مفاهیم علم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و اهمیت آن
• 2. تعریف داده و انواع آن
• 3. منابع جمع‌آوری داده
• 4. روش‌های جمع‌آوری داده
• 5. کیفیت داده و اهمیت آن
• 6. مقدمه‌ای بر پاکسازی داده
• 7. شناسایی داده‌های پرت
• 8. روش‌های مدیریت داده‌های پرت
• 9. حذف یا جایگزینی داده‌های پرت
• 10. شناسایی داده‌های گمشده
• 11. روش‌های مدیریت داده‌های گمشده
• 12. درون‌یابی داده‌های گمشده
• 13. استانداردسازی داده‌ها
• 14. نرمال‌سازی داده‌ها
• 15. یکنواخت‌سازی فرمت داده‌ها
• 16. مقدمه‌ای بر تحلیل اکتشافی داده (EDA)
• 17. تصویرسازی داده‌ها
• 18. نمودارهای میله‌ای و هیستوگرام
• 19. نمودارهای پراکندگی و خطی
• 20. نمودارهای جعبه‌ای و ویولن
• 21. نمودارهای دایره‌ای و حلقوی
• 22. تحلیل آماری توصیفی
• 23. میانگین، میانه و نما
• 24. واریانس و انحراف معیار
• 25. همبستگی و کوواریانس
• 26. مقدمه‌ای بر انواع داده‌های ساختاریافته
• 27. جداول و پایگاه‌های داده رابطه‌ای
• 28. فایل‌های CSV و JSON
• 29. مقدمه‌ای بر انواع داده‌های نیمه‌ساختاریافته
• 30. فایل‌های XML
• 31. مقدمه‌ای بر انواع داده‌های بدون ساختار
• 32. متن، تصویر و صدا
• 33. مقدمه‌ای بر ابزارهای علم داده
• 34. زبان‌های برنامه‌نویسی (پایتون، R)
• 35. کتابخانه‌های آماری و علمی
• 36. نرم‌افزارهای آماری (SPSS, Stata)
• 37. مقدمه‌ای بر مفاهیم پایگاه داده
• 38. طراحی پایگاه داده
• 39. مدیریت پایگاه داده
• 40. زبان SQL
• 41. عملگرهای SQL
• 42. فیلتر کردن داده‌ها با WHERE
• 43. مرتب‌سازی داده‌ها با ORDER BY
• 44. گروه‌بندی داده‌ها با GROUP BY
• 45. توابع تجمیعی در SQL
• 46. پیوند جداول با JOIN
• 47. مقدمه‌ای بر تحلیل سری‌های زمانی
• 48. مفاهیم پایه در سری‌های زمانی
• 49. نمایش بصری سری‌های زمانی
• 50. تشخیص روند و فصلی بودن
• 51. مقدمه‌ای بر تحلیل داده‌های مکانی
• 52. مفاهیم پایه در داده‌های مکانی
• 53. نمایش بصری داده‌های مکانی
• 54. تحلیل الگوهای مکانی
• 55. مقدمه‌ای بر تحلیل متن
• 56. پیش‌پردازش متن
• 57. کیسه‌کلمات (Bag-of-Words)
• 58. TF-IDF
• 59. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 60. مفاهیم پایه در شبکه‌های اجتماعی
• 61. نمایش بصری شبکه‌های اجتماعی
• 62. تحلیل گره‌ها و یال‌ها
• 63. مقدمه‌ای بر امنیت داده‌ها
• 64. اصول اولیه امنیت داده‌ها
• 65. حفظ حریم خصوصی داده‌ها
• 66. قوانین و مقررات مربوط به داده‌ها
• 67. مقدمه‌ای بر اخلاق در علم داده
• 68. مسئولیت‌پذیری در علم داده
• 69. سوگیری در الگوریتم‌ها
• 70. شفافیت در مدل‌های داده
• 71. مقدمه‌ای بر یادگیری ماشین (مرتبط با داده)
• 72. انواع یادگیری ماشین
• 73. کاربرد یادگیری ماشین در تحلیل داده
• 74. مقدمه‌ای بر مفاهیم آماری پیشرفته
• 75. آزمون فرض آماری
• 76. رگرسیون خطی ساده
• 77. مقدمه‌ای بر تحلیل خوشه‌ای
• 78. الگوریتم K-Means
• 79. مقدمه‌ای بر تحلیل رگرسیون چندگانه
• 80. مفهوم متغیرهای مستقل و وابسته
• 81. مقدمه‌ای بر طبقه‌بندی داده‌ها
• 82. الگوریتم رگرسیون لجستیک
• 83. مقدمه‌ای بر ارزیابی مدل‌های آماری
• 84. معیارهای ارزیابی مدل
• 85. مقدمه‌ای بر داشبوردهای مدیریتی
• 86. طراحی و ساخت داشبورد
• 87. نمایش مؤثر اطلاعات
• 88. مقدمه‌ای بر کاربردهای علم داده در صنعت
• 89. علم داده در بازاریابی
• 90. علم داده در مالی
• 91. علم داده در بهداشت
• 92. علم داده در تولید
• 93. مقدمه‌ای بر آینده علم داده
• 94. روندهای جدید در علم داده
• 95. چالش‌های آینده علم داده
• 96. فرصت‌های شغلی در علم داده
• 97. جمع‌بندی مفاهیم کلیدی علم داده
• 98. اهمیت مداوم یادگیری در علم داده
• 99. نکات پایانی برای تحلیلگران داده