دوره تحلیل و بصری‌سازی داده‌ها با کتابخانه Seaborn در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و بصری‌سازی داده‌ها با کتابخانه Seaborn در پایتون

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: بصری‌سازی داده‌ها با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و تحلیل آماری
• 2. آشنایی با زبان برنامه‌نویسی پایتون برای علم داده
• 3. نصب و راه‌اندازی محیط توسعه پایتون
• 4. مفاهیم پایه در علم داده
• 5. مقدمه‌ای بر کتابخانه Pandas در پایتون
• 6. ساختار داده‌ها در Pandas: Series و DataFrame
• 7. عملیات اولیه با DataFrame ها
• 8. فیلتر کردن و انتخاب داده‌ها
• 9. مرتب‌سازی و گروه‌بندی داده‌ها
• 10. ادغام و پیوستن DataFrame ها
• 11. مدیریت داده‌های گمشده
• 12. مقدمه‌ای بر کتابخانه NumPy
• 13. آرایه‌های NumPy و عملیات بر روی آن‌ها
• 14. مقدمه‌ای بر بصری‌سازی داده‌ها
• 15. اهمیت بصری‌سازی در تحلیل داده‌ها
• 16. آشنایی با کتابخانه Matplotlib
• 17. ساخت نمودارهای پایه در Matplotlib
• 18. تنظیمات نمودارها در Matplotlib
• 19. نمودارهای خطی (Line Plots)
• 20. نمودارهای پراکندگی (Scatter Plots)
• 21. نمودارهای میله‌ای (Bar Plots)
• 22. نمودارهای هیستوگرام (Histograms)
• 23. نمودارهای جعبه‌ای (Box Plots)
• 24. نمودارهای ویولن (Violin Plots)
• 25. نمودارهای دایره‌ای (Pie Charts) - با احتیاط و در موارد مناسب
• 26. نمودارهای آماری در Matplotlib
• 27. مقدمه‌ای بر کتابخانه Seaborn
• 28. مزایای استفاده از Seaborn
• 29. نصب و پیکربندی Seaborn
• 30. مجموعه داده‌های نمونه در Seaborn
• 31. نمودارهای توزیع (Distribution Plots)
• 32. نمودارهای رگرسیون (Regression Plots)
• 33. نمودارهای دسته‌بندی (Categorical Plots)
• 34. نمودارهای ماتریسی (Matrix Plots)
• 35. نمودارهای چندمتغیره (Multivariate Plots)
• 36. رسم نمودار پراکندگی با Seaborn
• 37. رسم نمودار خطی با Seaborn
• 38. رسم نمودار میله‌ای با Seaborn
• 39. رسم نمودار هیستوگرام با Seaborn
• 40. رسم نمودار جعبه‌ای با Seaborn
• 41. رسم نمودار ویولن با Seaborn
• 42. رسم نمودار تراکم (KDE Plots)
• 43. رسم نمودارهای دو متغیره (Joint Plots)
• 44. رسم نمودارهای مقایسه‌ای (Pair Plots)
• 45. رسم نمودارهای حرارتی (Heatmaps)
• 46. رسم نمودارهای آماری سفارشی
• 47. تنظیمات پیشرفته نمودارها در Seaborn
• 48. استفاده از تم‌ها و سبک‌ها در Seaborn
• 49. کار با مقیاس‌بندی در Seaborn
• 50. مدیریت محورهای نمودار
• 51. افزودن توضیحات و عنوان به نمودارها
• 52. رسم نمودارهای چندبخشی (Facet Grids)
• 53. کار با داده‌های زمانی در Seaborn
• 54. بصری‌سازی داده‌های مکانی (با احتیاط و داده‌های عمومی)
• 55. بصری‌سازی داده‌های متنی (با احتیاط و موضوعات مجاز)
• 56. مقدمه‌ای بر تحلیل آماری اکتشافی (EDA)
• 57. مراحل تحلیل آماری اکتشافی
• 58. خلاصه‌سازی آماری داده‌ها
• 59. شناسایی الگوها و روندها در داده‌ها
• 60. شناسایی داده‌های پرت (Outliers)
• 61. ارزیابی توزیع داده‌ها
• 62. تحلیل همبستگی بین متغیرها
• 63. بصری‌سازی نتایج EDA
• 64. کار با ابزارهای پیشرفته‌تر EDA
• 65. مقدمه‌ای بر مدل‌سازی آماری
• 66. انواع مدل‌های آماری
• 67. رگرسیون خطی ساده
• 68. رگرسیون خطی چندگانه
• 69. ارزیابی مدل‌های رگرسیونی
• 70. مقدمه‌ای بر طبقه‌بندی
• 71. رگرسیون لجستیک
• 72. ارزیابی مدل‌های طبقه‌بندی
• 73. مقدمه‌ای بر خوشه‌بندی
• 74. الگوریتم K-Means
• 75. ارزیابی نتایج خوشه‌بندی
• 76. مقدمه‌ای بر تحلیل سری‌های زمانی
• 77. مدل‌های ساده سری زمانی
• 78. بصری‌سازی داده‌های سری زمانی
• 79. کار با داده‌های بزرگ در علم داده
• 80. اصول پاکسازی و پیش‌پردازش داده‌ها
• 81. مبانی مهندسی ویژگی (Feature Engineering)
• 82. مقدمه‌ای بر یادگیری ماشین (در حد نیاز تحلیل)
• 83. ارزیابی جامع پروژه‌های تحلیل داده
• 84. استانداردهای گزارش‌دهی نتایج تحلیل
• 85. ملاحظات اخلاقی در تحلیل داده‌ها
• 86. حفظ حریم خصوصی داده‌ها
• 87. کاربردهای علم داده در حوزه‌های مجاز
• 88. آینده علم داده و تحلیل آماری
• 89. مرور کلی بر مفاهیم آموخته شده
• 90. نمونه پروژه‌های عملی تحلیل داده (با داده‌های عمومی و مجاز)
• 91. کار با ابزارهای هوش تجاری (BI) (در حد مقدماتی)
• 92. مقدمه‌ای بر داده‌کاوی (با رویکرد آماری)
• 93. بصری‌سازی داده‌های شبکه‌های اجتماعی (با داده‌های عمومی و مجاز)
• 94. تحلیل احساسات (Sentiment Analysis) (با داده‌های عمومی و مجاز)
• 95. مقدمه‌ای بر پردازش زبان طبیعی (NLP) (در حد مقدماتی و مجاز)
• 96. کار با ابزارهای تحلیل داده متن‌باز
• 97. جمع‌بندی و گام‌های بعدی در یادگیری علم داده