اپلیکیشن اندرویدی فلش‌کارت آموزشی کاوش داده‌ها و تحلیل آماری با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاوش داده‌ها و تحلیل آماری با پایتون

موضوع کلی: علوم و فناوری داده

موضوع میانی: علم داده کاربردی با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و پایتون
• 2. نصب و پیکربندی محیط پایتون برای علم داده
• 3. آشنایی با ساختارهای داده پایه در پایتون
• 4. کار با آرایه‌ها با NumPy
• 5. عملیات بر روی آرایه‌های NumPy
• 6. مقدمه‌ای بر کتابخانه Pandas
• 7. ساخت و دستکاری DataFrames
• 8. عملیات اساسی بر روی DataFrames
• 9. انتخاب و فیلتر کردن داده‌ها در DataFrames
• 10. پاکسازی داده‌های گمشده و پرت
• 11. تبدیل و ادغام DataFrames
• 12. تجمیع و گروه‌بندی داده‌ها
• 13. توابع پنجره‌ای در Pandas
• 14. کار با داده‌های سری زمانی
• 15. مقدمه‌ای بر مصورسازی داده‌ها
• 16. رسم نمودارهای خطی با Matplotlib
• 17. نمودارهای پراکندگی و میله‌ای
• 18. هیستوگرام‌ها و نمودارهای جعبه‌ای
• 19. مصورسازی داده‌های جغرافیایی (با احتیاط)
• 20. مقدمه‌ای بر آمار توصیفی
• 21. میانگین، میانه و نما
• 22. واریانس و انحراف معیار
• 23. صدک‌ها و چارک‌ها
• 24. مقدمه‌ای بر آمار استنباطی
• 25. توزیع‌های احتمالی رایج
• 26. توزیع نرمال و کاربردهای آن
• 27. قضیه حد مرکزی
• 28. آزمون فرض آماری
• 29. مفهوم p-value
• 30. آزمون t تک‌نمونه‌ای
• 31. آزمون t دو‌نمونه‌ای مستقل
• 32. آزمون t زوجی
• 33. آزمون کای‌دو برای استقلال
• 34. تحلیل واریانس یک‌طرفه (ANOVA)
• 35. مقدمه‌ای بر رگرسیون خطی
• 36. مدل رگرسیون خطی ساده
• 37. تفسیر ضرایب رگرسیون
• 38. ارزیابی مدل رگرسیون خطی
• 39. مقدمه‌ای بر رگرسیون چندگانه
• 40. انتخاب متغیر در رگرسیون
• 41. مشکلات چندهم‌خطی
• 42. رگرسیون لجستیک برای طبقه‌بندی
• 43. مقدمه‌ای بر یادگیری ماشین
• 44. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 45. پیش‌پردازش داده‌ها برای مدل‌سازی
• 46. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 47. ارزیابی مدل‌های طبقه‌بندی
• 48. ماتریس درهم‌ریختگی (Confusion Matrix)
• 49. دقت (Accuracy)، صحت (Precision) و بازخوانی (Recall)
• 50. امتیاز F1
• 51. مقدمه‌ای بر الگوریتم‌های طبقه‌بندی
• 52. رگرسیون لجستیک (مرور)
• 53. ماشین‌های بردار پشتیبان (SVM) (با احتیاط)
• 54. درختان تصمیم (Decision Trees)
• 55. جنگل‌های تصادفی (Random Forests)
• 56. الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 57. مقدمه‌ای بر خوشه‌بندی
• 58. الگوریتم K-Means
• 59. ارزیابی نتایج خوشه‌بندی
• 60. مقدمه‌ای بر کاهش ابعاد
• 61. تحلیل مولفه‌های اصلی (PCA)
• 62. کاربرد PCA در مصورسازی
• 63. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 64. پیش‌پردازش متن (توکن‌سازی، حذف کلمات توقف)
• 65. نمایش متنی (Bag-of-Words, TF-IDF)
• 66. مقدمه‌ای بر تحلیل احساسات (با چارچوب اسلامی)
• 67. کاربرد علم داده در کسب و کار (با چارچوب اسلامی)
• 68. تحلیل رفتار مشتری (با چارچوب اسلامی)
• 69. پیش‌بینی فروش (با چارچوب اسلامی)
• 70. مدیریت ریسک (با چارچوب اسلامی)
• 71. علم داده در حوزه سلامت (با چارچوب اسلامی)
• 72. تحلیل داده‌های بالینی (با چارچوب اسلامی)
• 73. پیش‌بینی بیماری (با چارچوب اسلامی)
• 74. علم داده در حوزه مالی (با چارچوب اسلامی)
• 75. تحلیل داده‌های بازار سهام (با چارچوب اسلامی)
• 76. تشخیص تقلب مالی (با چارچوب اسلامی)
• 77. مقدمه‌ای بر یادگیری عمیق (با احتیاط)
• 78. شبکه‌های عصبی مصنوعی
• 79. شبکه‌های عصبی کانولوشنی (CNN) (مقدماتی)
• 80. شبکه‌های عصبی بازگشتی (RNN) (مقدماتی)
• 81. کاربرد یادگیری عمیق در پردازش تصویر (با احتیاط)
• 82. کاربرد یادگیری عمیق در NLP (با احتیاط)
• 83. اخلاق در علم داده
• 84. حریم خصوصی داده‌ها
• 85. سوگیری در الگوریتم‌ها
• 86. شفافیت و قابلیت تفسیر مدل‌ها
• 87. مسئولیت‌پذیری در علم داده
• 88. مقدمه‌ای بر ابزارهای علم داده در اکوسیستم پایتون
• 89. کار با پایگاه‌های داده
• 90. اتصال به پایگاه داده‌های SQL
• 91. اجرای کوئری‌های SQL با پایتون
• 92. مقدمه‌ای بر هوش تجاری (BI)
• 93. ساخت داشبوردهای ساده (با ابزارهای مجاز)
• 94. اصول طراحی داشبوردهای مؤثر
• 95. کاربرد علم داده در بهینه‌سازی فرآیندها
• 96. تحلیل علت ریشه‌ای مشکلات
• 97. پیاده‌سازی راهکارهای مبتنی بر داده
• 98. مرور کلی بر پروژه‌های علم داده
• 99. مدیریت چرخه عمر پروژه علم داده
• 100. مستندسازی پروژه‌ها