دوره بصری‌سازی داده‌های مهندسی و ساخت همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بصری‌سازی داده‌های مهندسی و ساخت

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر بصری سازی داده های مهندسی
• 2. اهمیت بصری سازی در مهندسی
• 3. انواع داده های مهندسی
• 4. منابع داده در مهندسی
• 5. ابزارهای اصلی بصری سازی داده
• 6. مقدمه ای بر مفاهیم آماری پایه
• 7. آشنایی با مفاهیم احتمال
• 8. انواع نمودارها و کاربردهای آن ها
• 9. انتخاب نمودار مناسب برای داده های مهندسی
• 10. مقدمه ای بر زبان برنامه نویسی پایتون
• 11. نصب و پیکربندی محیط پایتون
• 12. مقدمه ای بر کتابخانه NumPy
• 13. عملیات پایه با NumPy
• 14. مقدمه ای بر کتابخانه Pandas
• 15. ساختار داده DataFrame در Pandas
• 16. بارگذاری و پاکسازی داده های مهندسی با Pandas
• 17. فیلتر کردن و انتخاب داده ها در Pandas
• 18. گروه بندی و تجمیع داده ها
• 19. عملیات زمان سری با Pandas
• 20. مقدمه ای بر کتابخانه Matplotlib
• 21. ساخت نمودارهای خطی ساده
• 22. نمودارهای پراکندگی (Scatter Plots)
• 23. نمودارهای میله ای (Bar Charts)
• 24. نمودارهای هیستوگرام (Histograms)
• 25. نمودارهای جعبه ای (Box Plots)
• 26. نمودارهای دایره ای (Pie Charts)
• 27. سفارشی سازی نمودارها در Matplotlib
• 28. اضافه کردن عنوان و برچسب محورها
• 29. تغییر رنگ، استایل و ضخامت خطوط
• 30. تنظیمات فونت و متن
• 31. استفاده از زیرنمودارها (Subplots)
• 32. ذخیره سازی نمودارها
• 33. مقدمه ای بر کتابخانه Seaborn
• 34. ویژگی های Seaborn نسبت به Matplotlib
• 35. نمودارهای توزیعی (Distribution Plots)
• 36. نمودارهای رابطه ای (Relational Plots)
• 37. نمودارهای دسته بندی (Categorical Plots)
• 38. نمودارهای ماتریسی (Matrix Plots)
• 39. نمودارهای رگرسیون (Regression Plots)
• 40. مقدمه ای بر بصری سازی داده های مکانی (Spatial Data Visualization)
• 41. مفاهیم نقشه و مختصات
• 42. کار با داده های جغرافیایی در پایتون
• 43. مقدمه ای بر کتابخانه GeoPandas
• 44. نمایش نقشه های ساده با GeoPandas
• 45. کار با لایه های مختلف نقشه
• 46. مقدمه ای بر کتابخانه Plotly
• 47. نمودارهای تعاملی (Interactive Plots)
• 48. نمودارهای سه بعدی (3D Plots)
• 49. نمودارهای plotly express
• 50. بصری سازی داده های سه بعدی در مهندسی
• 51. بصری سازی مدل های CAD
• 52. نمایش داده های شبیه سازی مهندسی
• 53. بصری سازی داده های سنسورها
• 54. بصری سازی داده های IoT
• 55. بصری سازی داده های شبکه های صنعتی
• 56. بصری سازی داده های بهره وری و عملکرد
• 57. بصری سازی داده های نگهداری و تعمیرات
• 58. بصری سازی داده های کیفیت محصول
• 59. بصری سازی داده های مدیریت پروژه
• 60. بصری سازی داده های زنجیره تامین
• 61. بصری سازی داده های انرژی
• 62. بصری سازی داده های سازه
• 63. بصری سازی داده های مکانیک
• 64. بصری سازی داده های الکترونیک
• 65. بصری سازی داده های فرآیند
• 66. مقدمه ای بر داشبوردهای مدیریتی
• 67. طراحی داشبورد موثر
• 68. ابزارهای ساخت داشبورد (مثال: Dash)
• 69. ساخت داشبورد تعاملی با Dash
• 70. اضافه کردن کنترل کننده ها (Callbacks)
• 71. استفاده از Layout ها
• 72. مقدمه ای بر بصری سازی داده های بزرگ (Big Data Visualization)
• 73. چالش های بصری سازی داده های بزرگ
• 74. مقدمه ای بر BigQuery و Spark (مفهومی)
• 75. بصری سازی داده های حاصل از کلان داده
• 76. مقدمه ای بر بصری سازی انیمیشنی
• 77. ایجاد انیمیشن با Matplotlib
• 78. ایجاد انیمیشن با Plotly
• 79. کاربرد انیمیشن در نمایش تحولات زمانی
• 80. مقدمه ای بر بصری سازی داده های گرافی (Graph Visualization)
• 81. مفاهیم گراف و گره
• 82. مقدمه ای بر کتابخانه NetworkX
• 83. نمایش گراف های ساده
• 84. تحلیل گراف ها
• 85. مقدمه ای بر اصول طراحی بصری
• 86. تئوری رنگ در بصری سازی
• 87. تئوری گشتالت در بصری سازی
• 88. اصول خوانایی و وضوح
• 89. کاهش بار شناختی در بصری سازی
• 90. انتخاب پالت های رنگی مناسب
• 91. استفاده از فضای سفید (Whitespace)
• 92. نمایش عدم قطعیت (Uncertainty Visualization)
• 93. نمایش خطای داده ها
• 94. بصری سازی مدل های آماری
• 95. مقدمه ای بر یادگیری ماشین برای بصری سازی
• 96. استفاده از الگوریتم های خوشه بندی برای بصری سازی
• 97. استفاده از الگوریتم های کاهش بعد (PCA, t-SNE)
• 98. بصری سازی نتایج مدل های یادگیری ماشین
• 99. ارزیابی کیفیت بصری سازی
• 100. تست های کاربردپذیری (Usability Testing)