دوره پاکسازی و آماده‌سازی داده‌های مالی با پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پاکسازی و آماده‌سازی داده‌های مالی با پایتون

موضوع کلی: علوم کامپیوتر و مهندسی داده

موضوع میانی: پردازش و پاکسازی داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پاکسازی داده‌های مالی
• 2. اهمیت پاکسازی داده در تحلیل مالی
• 3. شناخت انواع داده‌های مالی
• 4. مقدمه‌ای بر زبان برنامه‌نویسی پایتون برای تحلیل داده
• 5. نصب و پیکربندی محیط توسعه پایتون
• 6. آشنایی با کتابخانه‌های کلیدی: Pandas
• 7. مبانی کار با ساختارهای داده‌ای Pandas: Series و DataFrame
• 8. بارگذاری داده‌های مالی از منابع مختلف (CSV, Excel)
• 9. نمایش و بررسی اولیه داده‌ها
• 10. شناسایی داده‌های پرت (Outliers)
• 11. روش‌های شناسایی داده‌های پرت
• 12. مدیریت داده‌های پرت: حذف یا تبدیل
• 13. شناسایی و مدیریت مقادیر گمشده (Missing Values)
• 14. انواع مقادیر گمشده
• 15. روش‌های جایگزینی مقادیر گمشده (میانگین، میانه)
• 16. روش‌های پیشرفته‌تر جایگزینی مقادیر گمشده
• 17. استانداردسازی فرمت داده‌های تاریخ و زمان
• 18. تبدیل انواع داده‌ها (Data Type Conversion)
• 19. شناسایی و رفع ناهماهنگی در نام ستون‌ها
• 20. پاکسازی داده‌های متنی در مجموعه داده‌های مالی
• 21. استفاده از عبارات منظم (Regular Expressions) برای پاکسازی متن
• 22. حذف کاراکترهای اضافی و فاصله‌های زائد
• 23. نرمال‌سازی متن (Normalization)
• 24. شناسایی و تصحیح خطاهای املایی و تایپی
• 25. مدیریت داده‌های تکراری (Duplicate Data)
• 26. روش‌های شناسایی داده‌های تکراری
• 27. حذف داده‌های تکراری
• 28. یکپارچه‌سازی داده‌ها از منابع مختلف
• 29. ادغام (Merge) و پیوست (Join) DataFrame ها
• 30. انطباق ساختار داده‌ها برای ادغام
• 31. پاکسازی داده‌های مربوط به ارزهای مختلف
• 32. تبدیل واحد پول و استانداردسازی
• 33. مدیریت داده‌های مربوط به سهام و اوراق بهادار
• 34. شناسایی و تصحیح نمادهای معاملاتی نامعتبر
• 35. پاکسازی داده‌های مربوط به گزارش‌های مالی شرکت‌ها
• 36. استانداردسازی فرمت گزارش‌های مالی
• 37. مدیریت داده‌های مربوط به نرخ بهره و تورم
• 38. تبدیل و استانداردسازی داده‌های اقتصادی
• 39. پاکسازی داده‌های مربوط به تراکنش‌های بانکی
• 40. شناسایی و حذف تراکنش‌های نامعتبر
• 41. مدیریت داده‌های مربوط به مشتریان
• 42. استانداردسازی اطلاعات هویتی مشتریان
• 43. پاکسازی داده‌های مربوط به آدرس‌ها
• 44. استانداردسازی فرمت آدرس‌ها
• 45. مدیریت داده‌های مربوط به شماره تلفن و ایمیل
• 46. اعتبارسنجی و استانداردسازی اطلاعات تماس
• 47. پاکسازی داده‌های مربوط به شناسه‌های منحصر به فرد
• 48. استانداردسازی فرمت شناسه‌ها
• 49. مدیریت داده‌های مربوط به داده‌های سری زمانی مالی
• 50. هم‌ترازی (Alignment) داده‌های سری زمانی
• 51. ایجاد ویژگی‌های جدید از داده‌های موجود
• 52. مهندسی ویژگی برای تحلیل‌های مالی
• 53. استفاده از پنجره‌های متحرک (Rolling Windows)
• 54. محاسبه میانگین متحرک (Moving Averages)
• 55. محاسبه انحراف معیار متحرک
• 56. محاسبه شاخص‌های قدرت نسبی (RSI)
• 57. محاسبه باندهای بولینگر (Bollinger Bands)
• 58. تکنیک‌های انباشت و تجمیع داده‌ها
• 59. گروه‌بندی و خلاصه‌سازی داده‌ها
• 60. استفاده از تابع GroupBy در Pandas
• 61. محاسبه آماره‌های توصیفی برای گروه‌ها
• 62. اعتبارسنجی داده‌ها (Data Validation)
• 63. تعریف قوانین اعتبارسنجی
• 64. پیاده‌سازی قوانین اعتبارسنجی در پایتون
• 65. گزارش‌دهی از خطاهای اعتبارسنجی
• 66. مستندسازی فرآیند پاکسازی داده‌ها
• 67. اهمیت مستندسازی در تحلیل داده
• 68. استفاده از Notebook ها برای مستندسازی
• 69. نوشتن گزارش‌های خلاصه از پاکسازی داده
• 70. نکات پیشرفته در مدیریت داده‌های حجیم
• 71. استفاده از Dask برای پردازش داده‌های بزرگ
• 72. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای برای تحلیل مالی
• 73. طراحی شمای پایگاه داده برای داده‌های مالی
• 74. استفاده از SQL برای پرس‌وجو و پاکسازی داده
• 75. مقدمه‌ای بر NoSQL برای داده‌های مالی
• 76. پاکسازی داده‌های غیرساخت‌یافته (Unstructured Data)
• 77. استفاده از تکنیک‌های پردازش زبان طبیعی (NLP)
• 78. تحلیل احساسات (Sentiment Analysis) در داده‌های مالی
• 79. کاربرد NLP در پاکسازی اخبار و گزارش‌های مالی
• 80. مقدمه‌ای بر یادگیری ماشین برای پاکسازی داده
• 81. استفاده از الگوریتم‌های یادگیری ماشین برای شناسایی ناهنجاری
• 82. آموزش مدل‌های تشخیص داده پرت
• 83. ارزیابی عملکرد مدل‌های پاکسازی داده
• 84. مقدمه‌ای بر مفاهیم حاکمیت داده (Data Governance)
• 85. اهمیت امنیت داده‌ها در تحلیل مالی
• 86. رعایت حریم خصوصی در داده‌های مالی
• 87. اصول اخلاقی در کار با داده‌های مالی
• 88. مقدمه‌ای بر مفاهیم داده پاک (Clean Data)
• 89. چالش‌های پاکسازی داده در بازارهای مالی ایران
• 90. راهکارهای عملی برای پاکسازی داده‌های مالی در ایران
• 91. مرور کلی بر ابزارها و تکنیک‌های پاکسازی داده
• 92. جمع‌بندی و گام‌های بعدی در تحلیل داده‌های مالی
• 93. پیاده‌سازی یک پروژه عملی پاکسازی داده مالی