دوره بصری‌سازی داده‌های علوم کامپیوتر همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بصری‌سازی داده‌های علوم کامپیوتر

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بصری‌سازی داده
• 2. چرا بصری‌سازی داده برای دانشمندان کامپیوتر حیاتی است؟
• 3. تاریخچه مختصر بصری‌سازی داده
• 4. اصول ادراک بصری و نظریه گشتالت
• 5. انواع داده‌ها: کمی، کیفی، گسسته و پیوسته
• 6. شناخت انواع نمودارها: مقایسه‌ای، توزیعی، رابطه‌ای
• 7. مبانی طراحی گرافیک: رنگ، فرم و فضا
• 8. گرامر گرافیک‌ها (The Grammar of Graphics)
• 9. انتخاب نمودار مناسب برای داده‌های مختلف
• 10. خطاهای رایج در بصری‌سازی و نحوه اجتناب از آن‌ها
• 11. اخلاق در بصری‌سازی داده: جلوگیری از ارائه نادرست
• 12. معرفی ابزارها و کتابخانه‌های پایتون برای بصری‌سازی
• 13. راه‌اندازی محیط توسعه: Anaconda, Jupyter Notebook و VS Code
• 14. کار با داده‌ها با استفاده از Pandas: مقدمات لازم
• 15. پاکسازی و آماده‌سازی داده‌ها برای بصری‌سازی
• 16. شروع به کار با Matplotlib: اولین نمودار خطی
• 17. نمودارهای پراکندگی (Scatter Plots) در Matplotlib
• 18. نمودارهای میله‌ای (Bar Charts) و هیستوگرام‌ها
• 19. سفارشی‌سازی نمودارها: عناوین، برچسب‌ها و لجندها
• 20. کار با رنگ‌ها، خطوط و نشانگرها در Matplotlib
• 21. مدیریت چندین نمودار در یک تصویر: Subplots
• 22. حاشیه‌نویسی (Annotations) و افزودن متن به نمودارها
• 23. مقدمه‌ای بر Seaborn: بصری‌سازی آماری سطح بالا
• 24. نمودارهای توزیع در Seaborn: distplot و kdeplot
• 25. بصری‌سازی داده‌های دسته‌ای (Categorical Data) با Seaborn
• 26. نمودارهای ویولن (Violin Plots) و باکس پلات (Box Plots)
• 27. نمودارهای رابطه‌ای در Seaborn: relplot و scatterplot
• 28. ماتریس‌های همبستگی و هیت‌مپ‌ها (Heatmaps)
• 29. سفارشی‌سازی ظاهر نمودارها در Seaborn: استایل و پالت رنگ
• 30. مقدمه‌ای بر Plotly: ساخت نمودارهای تعاملی
• 31. ساخت نمودارهای پایه تعاملی با Plotly Express
• 32. تفاوت Plotly Express و Plotly Graph Objects
• 33. بصری‌سازی‌های سه‌بعدی (3D) با Plotly
• 34. ذخیره‌سازی و به اشتراک‌گذاری نمودارها: استاتیک و تعاملی
• 35. استفاده از قابلیت‌های رسم نمودار در خود Pandas
• 36. بصری‌سازی داده‌های سلسله مراتبی: Treemaps
• 37. نمودارهای خورشیدی (Sunburst Charts)
• 38. بصری‌سازی داده‌های جغرافیایی: مقدمات
• 39. کار با GeoPandas برای داده‌های مکانی
• 40. ساخت نقشه‌های Choropleth
• 41. نمایش نقاط داده روی نقشه با Scatter Maps
• 42. مقدمه‌ای بر بصری‌سازی گراف و شبکه
• 43. کار با کتابخانه NetworkX برای تحلیل گراف
• 44. رسم گراف‌های ساده: نمودارهای گره-پیوند (Node-Link)
• 45. ماتریس‌های مجاورت (Adjacency Matrices) به عنوان بصری‌سازی
• 46. بصری‌سازی داده‌های چند بعدی
• 47. نمودارهای مختصات موازی (Parallel Coordinates)
• 48. ماتریس‌های پراکندگی (Scatter Plot Matrices)
• 49. بصری‌سازی سری‌های زمانی: نمودارهای خطی پیشرفته
• 50. نمودارهای دوره‌ای و تجزیه سری زمانی
• 51. بصری‌سازی جریان داده: نمودارهای Sankey
• 52. بصری‌سازی متن: ابر کلمات (Word Clouds)
• 53. نمودارهای رادار (Radar Charts) برای مقایسه چند متغیره
• 54. نمودارهای کانتور (Contour Plots) برای نمایش سطح
• 55. تکنیک‌های کاهش ابعاد برای بصری‌سازی: PCA و t-SNE
• 56. اصول طراحی تعاملی برای بصری‌سازی
• 57. افزودن ابزارهای شناور (Hover Tools) و راهنما
• 58. اتصال نمودارها به یکدیگر: Brushing and Linking
• 59. مدیریت رویدادها (Events) در نمودارهای تعاملی
• 60. مقدمه‌ای بر ساخت داشبوردهای وب
• 61. آشنایی با فریم‌ورک Dash (بر پایه Plotly و Flask)
• 62. ساختار یک اپلیکیشن Dash: Layout و Components
• 63. کامپوننت‌های هسته Dash: Dropdowns, Sliders, Inputs
• 64. برنامه‌نویسی واکنش‌گرا با Callback ها در Dash
• 65. مدیریت حالت (State) در داشبوردهای تعاملی
• 66. ساخت داشبورد با چندین ورودی و خروجی
• 67. آشنایی با فریم‌ورک Streamlit برای ساخت سریع اپلیکیشن‌های داده
• 68. مقایسه Dash و Streamlit: انتخاب ابزار مناسب
• 69. اتصال داشبورد به منابع داده زنده (Live Data)
• 70. مفاهیم استقرار (Deployment) داشبوردهای وب
• 71. بصری‌سازی الگوریتم‌ها: چرا و چگونه؟
• 72. بصری‌سازی الگوریتم‌های مرتب‌سازی (Sorting)
• 73. بصری‌سازی الگوریتم‌های جستجوی مسیر (مانند A*)
• 74. بصری‌سازی ساختارهای داده: درختان و هیپ‌ها
• 75. بصری‌سازی ساختارهای داده: لیست‌های پیوندی و صف‌ها
• 76. بصری‌سازی عملکرد کد: پروفایلینگ (Profiling)
• 77. نمودارهای شعله (Flame Graphs) برای تحلیل گلوگاه‌ها
• 78. بصری‌سازی مصرف حافظه و پردازنده در طول زمان
• 79. بصری‌سازی در یادگیری ماشین: ارزیابی مدل
• 80. بصری‌سازی ماتریس درهم‌ریختگی (Confusion Matrix)
• 81. منحنی‌های ROC و Precision-Recall
• 82. بصری‌سازی مرزهای تصمیم‌گیری (Decision Boundaries)
• 83. بصری‌سازی اهمیت ویژگی‌ها (Feature Importance)
• 84. بصری‌سازی ترافیک شبکه و بسته‌های داده
• 85. بصری‌سازی لاگ‌های سیستم و تحلیل الگوها
• 86. نظریه رنگ پیشرفته: ساخت پالت‌های رنگی مؤثر
• 87. طراحی برای همه: در نظر گرفتن کوررنگی
• 88. روایت‌گری با داده (Data Storytelling): ساختار یک روایت بصری
• 89. اصول طراحی بصری پیشرفته: تضاد، تکرار، هم‌راستایی، نزدیکی
• 90. بهینه‌سازی عملکرد برای بصری‌سازی داده‌های بزرگ (Big Data)
• 91. استفاده از Datashader برای رندر کردن میلیاردها نقطه
• 92. تکنیک‌های نمونه‌برداری (Sampling) و تجمعی (Aggregation)
• 93. مقدمه‌ای بر D3.js: قدرت پشت کتابخانه‌های پایتون
• 94. یکپارچه‌سازی بصری‌سازی‌های D3.js در اپلیکیشن‌های پایتون
• 95. بصری‌سازی سه‌بعدی پیشرفته و WebGL
• 96. مفاهیم اولیه بصری‌سازی در واقعیت افزوده (AR) و مجازی (VR)
• 97. اخلاق و مسئولیت‌پذیری: تشخیص و مقابله با سوگیری (Bias)
• 98. ساخت پورتفولیو بصری‌سازی داده
• 99. مطالعه موردی: تحلیل و بصری‌سازی یک مجموعه داده واقعی از ابتدا تا انتها
• 100. پروژه نهایی: طراحی و پیاده‌سازی یک داشبورد تحلیلی جامع