دوره اصول بصری‌سازی داده برای درک طراحی و فرآیند ساخت همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول بصری‌سازی داده برای درک طراحی و فرآیند ساخت

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های دوره

• 1. مفاهیم پایه بصری‌سازی داده
• 2. اهمیت و کاربردهای بصری‌سازی داده
• 3. تاریخچه بصری‌سازی داده
• 4. انواع داده‌ها و مقیاس‌های اندازه‌گیری
• 5. متغیرهای کمی و کیفی
• 6. داده‌های گسسته و پیوسته
• 7. مفاهیم آماری پایه برای بصری‌سازی
• 8. میانگین، میانه، مد
• 9. انحراف معیار و واریانس
• 10. مفهوم توزیع داده
• 11. انواع نمودارهای پایه
• 12. نمودار میله‌ای
• 13. نمودار دایره‌ای
• 14. نمودار خطی
• 15. نمودار پراکندگی
• 16. هیستوگرام
• 17. جعبه‌ای
• 18. انتخاب نمودار مناسب با نوع داده
• 19. اصول طراحی بصری‌سازی داده
• 20. هدف از بصری‌سازی
• 21. شناخت مخاطب
• 22. داستان‌سرایی با داده
• 23. سادگی و وضوح
• 24. استفاده از رنگ‌ها در بصری‌سازی
• 25. تئوری رنگ
• 26. هارمونی رنگ
• 27. کنتراست رنگ
• 28. دلالت‌های رنگ
• 29. اجتناب از استفاده بیش از حد رنگ
• 30. استفاده از فونت‌ها در بصری‌سازی
• 31. انتخاب فونت مناسب
• 32. اندازه فونت مناسب
• 33. خوانایی فونت
• 34. استفاده از عناوین و برچسب‌ها
• 35. چیدمان و ترتیب عناصر بصری
• 36. فضای سفید
• 37. تراز
• 38. گروه‌بندی
• 39. نسبت ابعاد
• 40. ابزارهای بصری‌سازی داده
• 41. اکسل
• 42. گوگل شیت
• 43. پایتون (Matplotlib, Seaborn, Plotly)
• 44. R (ggplot2)
• 45. Tableau
• 46. Power BI
• 47. آشنایی با Matplotlib در پایتون
• 48. نصب و راه‌اندازی Matplotlib
• 49. ساخت نمودارهای پایه با Matplotlib
• 50. سفارشی‌سازی نمودارها در Matplotlib
• 51. اضافه کردن برچسب‌ها و عنوان‌ها
• 52. تغییر رنگ‌ها و فونت‌ها
• 53. آشنایی با Seaborn در پایتون
• 54. نمودارهای آماری با Seaborn
• 55. نمودارهای توزیع با Seaborn
• 56. نمودارهای رابطه‌ای با Seaborn
• 57. نمودارهای دسته‌ای با Seaborn
• 58. آشنایی با Plotly در پایتون
• 59. نمودارهای تعاملی با Plotly
• 60. ساخت داشبوردهای تعاملی
• 61. استفاده از Plotly Express
• 62. بصری‌سازی داده‌های جغرافیایی
• 63. نمایش داده‌ها روی نقشه
• 64. استفاده از GeoPandas
• 65. ساخت Choropleth Maps
• 66. بصری‌سازی داده‌های زمانی
• 67. نمودارهای سری زمانی
• 68. پیش‌بینی سری زمانی
• 69. استفاده از کتابخانه‌های زمانی در پایتون
• 70. بصری‌سازی داده‌های متنی
• 71. نمودارهای Word Cloud
• 72. تجزیه و تحلیل احساسات
• 73. استفاده از NLP
• 74. بصری‌سازی داده‌های شبکه‌ای
• 75. نمایش روابط بین داده‌ها
• 76. استفاده از NetworkX
• 77. بصری‌سازی داده‌های حجیم
• 78. بهینه‌سازی عملکرد
• 79. استفاده از ابزارهای Big Data
• 80. بصری‌سازی داده‌های real-time
• 81. ساخت داشبوردهای real-time
• 82. استفاده از داده‌های API
• 83. طراحی داشبورد
• 84. انتخاب شاخص‌های کلیدی عملکرد (KPIs)
• 85. چیدمان عناصر داشبورد
• 86. تعامل با کاربر
• 87. بهینه‌سازی داشبورد برای دستگاه‌های مختلف
• 88. داستان‌سرایی با داده
• 89. ساخت یک روایت حول داده‌ها
• 90. استفاده از داده‌ها برای اثبات یک فرضیه
• 91. جلب توجه مخاطب
• 92. اخلاق در بصری‌سازی داده
• 93. اجتناب از گمراه‌کردن مخاطب
• 94. شفافیت در ارائه داده‌ها
• 95. ذکر منابع داده
• 96. دقت در محاسبات
• 97. بصری‌سازی داده برای گزارش‌دهی
• 98. تهیه گزارش‌های دوره‌ای
• 99. ارائه داده‌ها به مدیران
• 100. بصری‌سازی داده برای تحقیقات