دوره آشنایی با Jupyter Notebook و JupyterLab برای علم داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آشنایی با Jupyter Notebook و JupyterLab برای علم داده

موضوع کلی: برنامه نویسی

موضوع میانی: پایتون (Python)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علم داده و نقش پایتون
• 2. آشنایی با پایتون: تاریخچه، ویژگی‌ها و کاربردها
• 3. نصب و راه اندازی پایتون و مدیریت محیط های مجازی
• 4. آشنایی با IDE های پایتون و ویرایشگرهای متن
• 5. معرفی Jupyter Notebook: تاریخچه و مزایا
• 6. نصب و راه اندازی Jupyter Notebook
• 7. آشنایی با محیط Jupyter Notebook: نوار ابزار و منوها
• 8. سلول های کد و سلول های Markdown در Jupyter Notebook
• 9. اجرای کد در Jupyter Notebook و انواع خروجی ها
• 10. ذخیره و اشتراک گذاری Notebook ها
• 11. مقدمه ای بر JupyterLab: نسل جدید محیط توسعه Jupyter
• 12. نصب و راه اندازی JupyterLab
• 13. آشنایی با رابط کاربری JupyterLab: پنجره ها و برگه ها
• 14. مدیریت فایل ها و پوشه ها در JupyterLab
• 15. اجرای کد و Markdown در JupyterLab
• 16. تنظیمات و سفارشی سازی JupyterLab
• 17. آشنایی با هسته (Kernel) پایتون در Jupyter
• 18. مدیریت هسته ها و نصب هسته های جدید
• 19. وارد کردن کتابخانه ها در Jupyter Notebook و JupyterLab
• 20. مبانی متغیرها، انواع داده ها و عملگرها در پایتون
• 21. آشنایی با لیست ها، تاپل ها و دیکشنری ها در پایتون
• 22. حلقه های for و while در پایتون
• 23. دستورات شرطی if, elif, else در پایتون
• 24. تعریف و استفاده از توابع در پایتون
• 25. ماژول ها و بسته ها در پایتون
• 26. کار با رشته ها و عملیات رشته ای در پایتون
• 27. آشنایی با اعداد و محاسبات ریاضی در پایتون
• 28. ورودی و خروجی در پایتون
• 29. مدیریت خطاها و exception ها در پایتون
• 30. معرفی کتابخانه NumPy برای محاسبات عددی
• 31. آرایه ها در NumPy: ایجاد، اندیس گذاری و برش
• 32. عملیات ریاضی روی آرایه ها در NumPy
• 33. توابع NumPy برای تحلیل داده ها
• 34. معرفی کتابخانه Pandas برای تحلیل داده ها
• 35. ساختارهای داده ای Series و DataFrame در Pandas
• 36. وارد کردن داده ها از فایل های مختلف (CSV, Excel, ...) با Pandas
• 37. پاکسازی داده ها: مدیریت مقادیر گمشده و داده های تکراری
• 38. فیلتر کردن و انتخاب داده ها در Pandas
• 39. گروه بندی داده ها و محاسبات تجمیعی در Pandas
• 40. مرتب سازی داده ها در Pandas
• 41. ادغام و اتصال DataFrame ها در Pandas
• 42. محاسبه آمارهای توصیفی با Pandas
• 43. معرفی کتابخانه Matplotlib برای مصورسازی داده ها
• 44. انواع نمودارها در Matplotlib: خطی، ستونی، دایره ای، ...
• 45. سفارشی سازی نمودارها در Matplotlib: عنوان، برچسب ها، رنگ ها
• 46. نمودارهای پراکندگی (Scatter plot) در Matplotlib
• 47. نمودارهای هیستوگرام در Matplotlib
• 48. نمودارهای جعبه ای (Box plot) در Matplotlib
• 49. ترکیب نمودارها و زیر نمودارها در Matplotlib
• 50. ذخیره نمودارها در Matplotlib
• 51. معرفی کتابخانه Seaborn برای مصورسازی پیشرفته تر
• 52. نمودارهای Seaborn برای توزیع داده ها
• 53. نمودارهای Seaborn برای روابط بین متغیرها
• 54. نمودارهای Seaborn برای داده های دسته بندی شده
• 55. استفاده از پالت های رنگی در Seaborn
• 56. سفارشی سازی نمودارهای Seaborn
• 57. معرفی کتابخانه Scikit-learn برای یادگیری ماشین
• 58. پیش پردازش داده ها در Scikit-learn
• 59. تقسیم داده ها به مجموعه آموزشی و آزمون در Scikit-learn
• 60. مدل های رگرسیون در Scikit-learn
• 61. مدل های طبقه بندی در Scikit-learn
• 62. ارزیابی عملکرد مدل های یادگیری ماشین
• 63. انتخاب مدل مناسب در Scikit-learn
• 64. تنظیم پارامترهای مدل در Scikit-learn
• 65. استفاده از pipeline ها در Scikit-learn
• 66. معرفی روش های یادگیری بدون ناظر
• 67. خوشه بندی با K-means در Scikit-learn
• 68. کاهش ابعاد با PCA در Scikit-learn
• 69. کاربرد Notebook ها در تجسم و تحلیل داده های مالی
• 70. کاربرد Notebook ها در تحلیل داده های شبکه های اجتماعی
• 71. کاربرد Notebook ها در پردازش زبان طبیعی (NLP)
• 72. کاربرد Notebook ها در بینایی ماشین (Computer Vision)
• 73. ایجاد گزارش های تعاملی با استفاده از Notebook ها
• 74. اشتراک گذاری و استقرار Notebook ها با استفاده از Docker
• 75. استفاده از Git و GitHub برای مدیریت نسخه ها در Notebook ها
• 76. بهینه سازی کد پایتون در Notebook ها
• 77. استفاده از magic commands در Jupyter Notebook
• 78. توسعه افزونه ها برای Jupyter Notebook و JupyterLab
• 79. استفاده از widgets برای ایجاد رابط کاربری تعاملی
• 80. برنامه نویسی ناهمزمان در Jupyter Notebook با asyncio
• 81. پردازش موازی در Jupyter Notebook با Dask
• 82. معرفی کتابخانه Bokeh برای مصورسازی تعاملی در وب
• 83. استفاده از Notebook ها برای آموزش علم داده
• 84. بهترین روش ها برای مستندسازی کد در Notebook ها
• 85. اشکال زدایی کد در Jupyter Notebook و JupyterLab
• 86. استفاده از Notebook ها برای اجرای تست واحد
• 87. مقایسه ابزارهای مصورسازی داده ها: Matplotlib, Seaborn, Bokeh
• 88. مقایسه ابزارهای یادگیری ماشین: Scikit-learn, TensorFlow, PyTorch
• 89. ادغام Notebook ها با سایر ابزارهای علم داده
• 90. امنیت در Jupyter Notebook و JupyterLab
• 91. استفاده از Jupyter Notebook در محیط های ابری
• 92. استفاده از Jupyter Notebook برای ساخت داشبورد های تحلیلی
• 93. مثال عملی: تحلیل مجموعه داده های واقعی با استفاده از Notebook ها
• 94. مثال عملی: ساخت یک مدل پیش بینی با استفاده از Notebook ها
• 95. نکات و ترفندها برای استفاده حرفه ای از Jupyter Notebook و JupyterLab
• 96. منابع یادگیری بیشتر برای علم داده و پایتون
• 97. حل تمرین های عملی متنوع در Jupyter Notebook
• 98. پروژه پایانی: ایجاد یک پروژه علم داده کامل با استفاده از Jupyter Notebook
• 99. کاربرد Jupyter Notebook در تحلیل و بصری سازی داده ها
• 100. نکات پیشرفته و تکنیک های کارآمد در Jupyter Notebook