دوره پروژه‌های کاربردی علم داده با پایتون: از تحلیل داده تا مدل‌سازی و بصری‌سازی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پروژه‌های کاربردی علم داده با پایتون: از تحلیل داده تا مدل‌سازی و بصری‌سازی

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

• 1. مبانی علم داده و پایتون
• 2. نصب و پیکربندی محیط توسعه
• 3. آشنایی با کتابخانه‌های کلیدی علم داده
• 4. کار با ساختارهای داده‌ای پایتون
• 5. مقدمه‌ای بر پانداس برای تحلیل داده
• 6. عملیات پایه با دیتافریم‌ها
• 7. پاکسازی و پیش‌پردازش داده‌ها
• 8. مدیریت داده‌های گمشده
• 9. شناسایی و حذف داده‌های پرت
• 10. تبدیل و تغییر شکل دیتافریم‌ها
• 11. گروه‌بندی و تجمیع داده‌ها
• 12. عملیات ادغام و پیوست دیتافریم‌ها
• 13. کار با داده‌های سری زمانی
• 14. مقدمه‌ای بر نام‌پای برای محاسبات عددی
• 15. عملیات برداری با نام‌پای
• 16. توابع ریاضی و آماری در نام‌پای
• 17. مقدمه‌ای بر ماتریس‌ها و جبر خطی
• 18. کار با داده‌های تصویری با نام‌پای
• 19. مقدمه‌ای بر matplotlib برای بصری‌سازی
• 20. رسم نمودارهای خطی و پراکندگی
• 21. رسم نمودارهای میله‌ای و هیستوگرام
• 22. رسم نمودارهای دایره‌ای و جعبه‌ای
• 23. تنظیمات پیشرفته نمودارها
• 24. کار با seaborn برای بصری‌سازی آماری
• 25. نمودارهای رابطه‌ای با seaborn
• 26. نمودارهای توزیعی با seaborn
• 27. نمودارهای دسته‌بندی با seaborn
• 28. نمودارهای ماتریسی با seaborn
• 29. مقدمه‌ای بر یادگیری ماشین
• 30. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت)
• 31. مراحل کلی یک پروژه یادگیری ماشین
• 32. انتخاب ویژگی و مهندسی ویژگی
• 33. روش‌های انتخاب ویژگی
• 34. مقدمه‌ای بر رگرسیون خطی
• 35. مدل‌سازی رگرسیون خطی
• 36. ارزیابی مدل‌های رگرسیون
• 37. مقدمه‌ای بر رگرسیون لجستیک
• 38. مدل‌سازی رگرسیون لجستیک
• 39. ارزیابی مدل‌های طبقه‌بندی
• 40. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 41. کاربرد SVM در طبقه‌بندی
• 42. مقدمه‌ای بر درختان تصمیم
• 43. مدل‌سازی با درختان تصمیم
• 44. مقدمه‌ای بر جنگل‌های تصادفی
• 45. مدل‌سازی با جنگل‌های تصادفی
• 46. مقدمه‌ای بر الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 47. کاربرد KNN در طبقه‌بندی و رگرسیون
• 48. مقدمه‌ای بر خوشه‌بندی
• 49. الگوریتم K-Means برای خوشه‌بندی
• 50. ارزیابی نتایج خوشه‌بندی
• 51. مقدمه‌ای بر کاهش ابعاد
• 52. تحلیل مولفه‌های اصلی (PCA)
• 53. کاربرد PCA در پیش‌پردازش داده
• 54. مقدمه‌ای بر مدل‌های یادگیری عمیق
• 55. شبکه‌های عصبی مصنوعی (ANN)
• 56. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 57. کاربرد CNN در پردازش تصویر
• 58. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 59. کاربرد RNN در پردازش دنباله‌ها
• 60. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 61. روش‌های پیش‌پردازش متن
• 62. مدل‌سازی موضوعی با LDA
• 63. کاربرد مدل‌های زبانی
• 64. مقدمه‌ای بر ارزیابی و اعتبارسنجی مدل
• 65. تقسیم داده به مجموعه آموزش و آزمون
• 66. اعتبارسنجی متقابل (Cross-validation)
• 67. متریک‌های ارزیابی مدل‌های رگرسیون
• 68. متریک‌های ارزیابی مدل‌های طبقه‌بندی
• 69. مقدمه‌ای بر تنظیم هایپرپارامترها
• 70. جستجوی شبکه‌ای (Grid Search)
• 71. جستجوی تصادفی (Random Search)
• 72. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 73. فیلترینگ مبتنی بر محتوا
• 74. فیلترینگ مشارکتی
• 75. مقدمه‌ای بر تشخیص ناهنجاری
• 76. روش‌های مبتنی بر آمار
• 77. روش‌های مبتنی بر یادگیری ماشین
• 78. مقدمه‌ای بر پروژه‌های علم داده واقعی
• 79. تحلیل داده‌های فروشگاه آنلاین
• 80. مدل‌سازی پیش‌بینی تقاضا
• 81. تحلیل داده‌های شبکه‌های اجتماعی
• 82. مدل‌سازی تحلیل احساسات
• 83. تحلیل داده‌های پزشکی
• 84. مدل‌سازی تشخیص بیماری
• 85. بصری‌سازی نتایج پروژه
• 86. ارائه گزارش پروژه علم داده
• 87. اخلاق در علم داده
• 88. مسئولیت‌پذیری در استفاده از هوش مصنوعی
• 89. امنیت داده‌ها و حریم خصوصی
• 90. آینده علم داده و هوش مصنوعی