دوره ابزارهای کاربردی برای علم داده (با تمرکز بر مفاهیم سازگار با قوانین) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ابزارهای کاربردی برای علم داده (با تمرکز بر مفاهیم سازگار با قوانین)

موضوع کلی: علوم داده و تحلیل اطلاعات

موضوع میانی: ابزارها و تکنیک‌های علوم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده
• 2. انواع داده‌ها و ساختارها
• 3. اکتشاف و پیش‌پردازش داده‌ها
• 4. مفاهیم آماری پایه در علم داده
• 5. احتمالات و توزیع‌های آماری
• 6. تست فرضیه و تحلیل واریانس
• 7. رگرسیون خطی ساده و چندگانه
• 8. ارزیابی مدل‌های رگرسیونی
• 9. طبقه‌بندی و الگوریتم‌های آن
• 10. متریک‌های ارزیابی طبقه‌بندی
• 11. درختان تصمیم
• 12. جنگل‌های تصادفی
• 13. ماشین‌های بردار پشتیبان (SVM)
• 14. یادگیری تجمعی (Ensemble Learning)
• 15. خوشه‌بندی و الگوریتم‌های آن
• 16. ارزیابی مدل‌های خوشه‌بندی
• 17. کاهش ابعاد و تحلیل مولفه‌های اصلی (PCA)
• 18. تجزیه مقادیر منفرد (SVD)
• 19. پردازش زبان طبیعی (NLP) مقدماتی
• 20. پیش‌پردازش متن
• 21. مدل‌سازی موضوعی (Topic Modeling)
• 22. تحلیل احساسات (Sentiment Analysis)
• 23. شبکه‌های عصبی مقدماتی
• 24. یادگیری عمیق و کاربردهای آن
• 25. شبکه‌های عصبی کانولوشنی (CNN)
• 26. شبکه‌های عصبی بازگشتی (RNN)
• 27. یادگیری تقویتی مقدماتی
• 28. سیستم‌های توصیه‌گر
• 29. کاربرد علم داده در کسب‌وکار
• 30. تحلیل داده‌های مالی و اقتصادی (سازگار با چارچوب بانکی بدون ربا)
• 31. تحلیل داده‌های بازاریابی
• 32. تحلیل داده‌های سلامت (با رعایت پروتکل‌های وزارت بهداشت)
• 33. تجسم داده‌ها (Data Visualization)
• 34. ابزارهای تجسم داده‌ها
• 35. داشبوردهای مدیریتی (با رعایت چارچوب رسمی)
• 36. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای
• 37. زبان SQL
• 38. مفاهیم NoSQL
• 39. مقدمه‌ای بر زبان برنامه‌نویسی پایتون برای علم داده
• 40. ساختار داده‌های پایتون
• 41. توابع و ماژول‌ها در پایتون
• 42. کار با کتابخانه‌های NumPy و Pandas
• 43. عملیات پایه با Pandas
• 44. فیلتر کردن و انتخاب داده‌ها در Pandas
• 45. گروه‌بندی و تجمیع داده‌ها
• 46. ترکیب و ادغام داده‌ها
• 47. کار با داده‌های سری زمانی در Pandas
• 48. مقدمه‌ای بر کتابخانه Matplotlib برای تجسم
• 49. رسم نمودارهای پایه در Matplotlib
• 50. سفارشی‌سازی نمودارها
• 51. مقدمه‌ای بر کتابخانه Seaborn
• 52. نمودارهای آماری با Seaborn
• 53. مقدمه‌ای بر کتابخانه Plotly برای تجسم تعاملی
• 54. ساخت نمودارهای تعاملی
• 55. مقدمه‌ای بر ابزارهای کلان داده (Big Data)
• 56. معماری هادوپ (Hadoop)
• 57. HDFS و MapReduce
• 58. Spark برای پردازش سریع‌تر داده‌ها
• 59. مقدمه‌ای بر زبان R برای علم داده
• 60. ساختار داده‌ها در R
• 61. کار با کتابخانه‌های dplyr و ggplot2
• 62. مقدمه‌ای بر ابزارهای یادگیری ماشین در پایتون
• 63. کتابخانه Scikit-learn
• 64. آماده‌سازی داده‌ها در Scikit-learn
• 65. مدل‌سازی با Scikit-learn
• 66. ارزیابی مدل‌ها در Scikit-learn
• 67. تنظیم هایپرپارامترها
• 68. اعتبارسنجی متقابل (Cross-validation)
• 69. مدیریت پروژه در علم داده
• 70. چرخه حیات پروژه‌های علم داده
• 71. اخلاق در علم داده (با رعایت چارچوب رسمی)
• 72. حریم خصوصی داده‌ها و امنیت اطلاعات (سازگار با قوانین)
• 73. سوگیری در الگوریتم‌ها و روش‌های مقابله
• 74. تفسیرپذیری مدل‌ها (Explainable AI)
• 75. کاربرد هوش مصنوعی در تحلیل داده‌ها (با چارچوب رسمی)
• 76. مقدمه‌ای بر یادگیری عمیق با TensorFlow
• 77. ساخت مدل‌های ساده با TensorFlow
• 78. مقدمه‌ای بر یادگیری عمیق با PyTorch
• 79. ساخت مدل‌های ساده با PyTorch
• 80. استقرار مدل‌های علم داده
• 81. مقدمه‌ای بر MLOps
• 82. خودکارسازی فرآیندهای علم داده
• 83. تحلیل داده‌های مکانی (Spatial Data Analysis)
• 84. مقدمه‌ای بر یادگیری گراف (Graph Learning)
• 85. کاربرد علم داده در بهینه‌سازی (سازگار با چارچوب رسمی)
• 86. تحلیل داده‌های شبکه‌های اجتماعی (با رعایت چارچوب رسمی)
• 87. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 88. تکنیک‌های کشف دانش در پایگاه‌های داده
• 89. پروژه‌های عملی علم داده
• 90. جمع‌بندی و جمع‌بندی مفاهیم کلیدی