دوره از تحلیلگر داده تا دانشمند داده: مسیر شغلی و مهارت‌های کلیدی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از تحلیلگر داده تا دانشمند داده: مسیر شغلی و مهارت‌های کلیدی

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: علم داده و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی تحلیل داده
• 2. نقش تحلیلگر داده
• 3. ابزارهای تحلیل داده
• 4. مفاهیم پایه‌ای آمار
• 5. آمار توصیفی
• 6. آمار استنباطی
• 7. نمودارها و بصری‌سازی داده
• 8. اصول مصورسازی داده
• 9. انواع نمودارها
• 10. نرم‌افزارهای مصورسازی
• 11. اصول پاکسازی داده
• 12. شناسایی و مدیریت داده‌های پرت
• 13. مقادیر گمشده و روش‌های جایگزینی
• 14. کیفیت داده و معیارهای آن
• 15. مقدمه‌ای بر پایگاه‌های داده
• 16. انواع پایگاه‌های داده رابطه‌ای
• 17. زبان SQL برای مدیریت داده
• 18. کوئری‌نویسی پیشرفته SQL
• 19. مقدمه‌ای بر یادگیری ماشین
• 20. انواع یادگیری ماشین
• 21. یادگیری نظارت‌شده
• 22. رگرسیون خطی
• 23. رگرسیون لجستیک
• 24. طبقه‌بندی
• 25. درختان تصمیم
• 26. ماشین‌های بردار پشتیبان (SVM)
• 27. یادگیری نظارت‌نشده
• 28. خوشه‌بندی
• 29. الگوریتم K-Means
• 30. کاهش ابعاد
• 31. تحلیل مؤلفه‌های اصلی (PCA)
• 32. مقدمه‌ای بر علم داده
• 33. تفاوت تحلیلگر و دانشمند داده
• 34. چرخه عمر پروژه‌های علم داده
• 35. استانداردهای اخلاقی در علم داده
• 36. مبانی برنامه‌نویسی پایتون برای علم داده
• 37. ساختارهای داده در پایتون
• 38. کتابخانه‌های NumPy و Pandas
• 39. عملیات بر روی سری‌های زمانی
• 40. داده‌کاوی و کشف الگو
• 41. قوانین وابستگی
• 42. شبکه‌های عصبی مقدماتی
• 43. مقدمه‌ای بر یادگیری عمیق
• 44. شبکه‌های عصبی کانولوشنال (CNN)
• 45. شبکه‌های عصبی بازگشتی (RNN)
• 46. کاربرد شبکه‌های عصبی در پردازش تصویر
• 47. پردازش زبان طبیعی (NLP)
• 48. مدل‌های زبانی
• 49. کاربرد NLP در تحلیل متن
• 50. موتورهای توصیه‌گر
• 51. طراحی سیستم‌های توصیه‌گر
• 52. ارزیابی سیستم‌های توصیه‌گر
• 53. مقدمه‌ای بر مهندسی ویژگی
• 54. تکنیک‌های مهندسی ویژگی
• 55. انتخاب ویژگی
• 56. اعتبارسنجی مدل
• 57. روش‌های اعتبارسنجی متقابل
• 58. تنظیم ابرپارامترها
• 59. بهینه‌سازی مدل
• 60. پایپ‌لاین‌های علم داده
• 61. استقرار مدل‌های یادگیری ماشین
• 62. نظارت بر مدل‌های مستقر شده
• 63. مقدمه‌ای بر کلان داده (Big Data)
• 64. اکوسیستم هادوپ
• 65. Spark برای پردازش داده‌های بزرگ
• 66. اصول مهندسی داده
• 67. طراحی و مدیریت انبار داده
• 68. مقدمه‌ای بر یادگیری تقویتی
• 69. کاربرد یادگیری تقویتی
• 70. اخلاق در هوش مصنوعی
• 71. سوگیری در الگوریتم‌ها
• 72. شفافیت و تفسیرپذیری مدل‌ها
• 73. مباحث پیشرفته در آمار
• 74. آزمون فرض آماری
• 75. آنالیز واریانس (ANOVA)
• 76. رگرسیون چندگانه
• 77. آمار بیزی
• 78. مقدمه‌ای بر مدل‌های سری زمانی
• 79. مدل ARIMA
• 80. پیش‌بینی سری‌های زمانی
• 81. کاربرد علم داده در کسب‌وکار
• 82. تحلیل داده‌های مشتری
• 83. تحلیل داده‌های مالی
• 84. تحلیل داده‌های بازاریابی
• 85. مقدمه‌ای بر یادگیری عمیق پیشرفته
• 86. ترنسفورمرها (Transformers)
• 87. پردازش زبان طبیعی پیشرفته
• 88. مدل‌های زبانی بزرگ (LLMs)
• 89. کاربرد LLMs در تحلیل داده
• 90. مقدمه‌ای بر گراف‌های دانش
• 91. طراحی و استفاده از گراف‌های دانش
• 92. کاربرد گراف‌های دانش در تحلیل داده
• 93. مقدمه‌ای بر یادگیری فدرال
• 94. کاربرد یادگیری فدرال در حفظ حریم خصوصی
• 95. اصول حاکمیت داده
• 96. مدیریت و امنیت داده در سازمان
• 97. مهارت‌های نرم برای دانشمند داده
• 98. ارتباطات مؤثر در پروژه‌های علم داده
• 99. تفکر انتقادی در علم داده
• 100. حل مسئله با رویکرد علم داده