دوره رسم نمودارهای کاربردی و حرفه‌ای با Matplotlib در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رسم نمودارهای کاربردی و حرفه‌ای با Matplotlib در پایتون

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: مصورسازی داده‌ها با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و مصورسازی
• 2. نصب و راه‌اندازی محیط پایتون و کتابخانه‌ها
• 3. آشنایی با کتابخانه Matplotlib
• 4. مبانی رسم نمودار خطی
• 5. تخصیص برچسب و عنوان به نمودار
• 6. تنظیم حدود محورها
• 7. رسم چندین نمودار در یک پنجره
• 8. نمودار پراکندگی (Scatter Plot)
• 9. رسم نمودار میله‌ای (Bar Chart)
• 10. نمودار هیستوگرام (Histogram)
• 11. نمودار دایره‌ای (Pie Chart)
• 12. تنظیمات پیشرفته نمودار خطی
• 13. استفاده از سبک‌های مختلف برای نمودارها
• 14. کنترل رنگ و ضخامت خطوط
• 15. افزودن حاشیه‌نویسی به نمودارها
• 16. ایجاد نمودارهای سفارشی
• 17. کار با داده‌های چندبعدی
• 18. مصورسازی داده‌های سری زمانی
• 19. رسم نمودارهای آماری پیشرفته
• 20. نمودار جعبه‌ای (Box Plot)
• 21. نمودار ویولن (Violin Plot)
• 22. نمودار گانت (Gantt Chart)
• 23. مصورسازی داده‌های جغرافیایی
• 24. استفاده از نقشه‌ها در Matplotlib
• 25. رسم نمودارهای سه‌بعدی
• 26. تنظیمات دوربین در نمودارهای سه‌بعدی
• 27. مصورسازی شبکه‌ها (Network Visualization)
• 28. استفاده از گراف در Matplotlib
• 29. مصورسازی داده‌های متن
• 30. نمودارهای واژگان و فراوانی
• 31. رسم نمودارهای تعاملی
• 32. ادغام Matplotlib با کتابخانه‌های دیگر
• 33. ساخت پنل‌های اطلاعاتی (Dashboards)
• 34. استفاده از Plotly برای مصورسازی تعاملی
• 35. انتقال به Seaborn برای نمودارهای آماری زیبا
• 36. آشنایی با مفاهیم آماری پایه
• 37. مفاهیم توزیع‌های آماری
• 38. آزمون فرض آماری
• 39. تحلیل رگرسیون خطی
• 40. تحلیل رگرسیون چندگانه
• 41. تحلیل واریانس (ANOVA)
• 42. آمار توصیفی
• 43. میانگین، میانه و مد
• 44. انحراف معیار و واریانس
• 45. صدک‌ها و چارک‌ها
• 46. همبستگی و کوواریانس
• 47. نمودار ماتریس همبستگی
• 48. مبانی یادگیری ماشین
• 49. انواع الگوریتم‌های یادگیری ماشین
• 50. طبقه‌بندی (Classification)
• 51. رگرسیون (Regression)
• 52. خوشه‌بندی (Clustering)
• 53. کاهش ابعاد (Dimensionality Reduction)
• 54. اعتبارسنجی مدل‌ها
• 55. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 56. اعتبارسنجی متقابل (Cross-Validation)
• 57. متریک‌های ارزیابی مدل‌های طبقه‌بندی
• 58. دقت، صحت و بازیابی
• 59. امتیاز F1
• 60. متریک‌های ارزیابی مدل‌های رگرسیون
• 61. خطای میانگین مربعات (MSE)
• 62. خطای میانگین قدر مطلق (MAE)
• 63. ضریب تعیین (R-squared)
• 64. مدل‌های طبقه‌بندی خطی
• 65. رگرسیون لجستیک
• 66. ماشین بردار پشتیبان (SVM)
• 67. مدل‌های درختی
• 68. درخت تصمیم
• 69. جنگل تصادفی (Random Forest)
• 70. تقویت گرادیان (Gradient Boosting)
• 71. مدل‌های خوشه‌بندی
• 72. K-Means
• 73. DBSCAN
• 74. تحلیل مولفه‌های اصلی (PCA)
• 75. تحلیل تفکیک‌کننده خطی (LDA)
• 76. مصورسازی نتایج مدل‌های یادگیری ماشین
• 77. نمودارهای نتایج طبقه‌بندی
• 78. نمودارهای نتایج رگرسیون
• 79. نمودارهای نتایج خوشه‌بندی
• 80. مبانی تحلیل داده‌های بزرگ
• 81. چالش‌های داده‌های بزرگ
• 82. ابزارهای تحلیل داده‌های بزرگ
• 83. مقدمه‌ای بر Spark
• 84. مبانی Spark SQL
• 85. مصورسازی داده‌ها با Spark
• 86. کار با پایگاه‌های داده رابطه‌ای
• 87. مقدمه‌ای بر SQL
• 88. دستورات اصلی SQL
• 89. فیلتر کردن و مرتب‌سازی داده‌ها
• 90. توابع تجمیعی در SQL
• 91. پیوند جداول (JOIN)
• 92. مقدمه‌ای بر NoSQL
• 93. انواع پایگاه‌های داده NoSQL
• 94. کار با MongoDB
• 95. مصورسازی داده‌ها از پایگاه‌های داده NoSQL
• 96. اصول طراحی سیستم‌های داده
• 97. معماری‌های داده مدرن
• 98. انبار داده (Data Warehouse)
• 99. دریاچه داده (Data Lake)
• 100. مهندسی ویژگی (Feature Engineering)