دوره پایتون برای علم داده: از مقدمات تا تحلیل پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایتون برای علم داده: از مقدمات تا تحلیل پیشرفته

موضوع کلی: علوم و فنون کامپیوتر

موضوع میانی: برنامه نویسی و تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علم داده و پایتون
• 2. نصب و پیکربندی محیط پایتون
• 3. مبانی زبان پایتون: متغیرها و انواع داده
• 4. ساختارهای داده پایه: لیست ها و تاپل ها
• 5. ساختارهای داده پیشرفته: دیکشنری ها و مجموعه ها
• 6. عملگرها و عبارات در پایتون
• 7. دستورات شرطی و منطقی
• 8. حلقه ها در پایتون: for و while
• 9. توابع در پایتون: تعریف و فراخوانی
• 10. ماژول ها و بسته های پایتون
• 11. مدیریت خطا و استثناء در پایتون
• 12. کار با فایل ها در پایتون: خواندن و نوشتن
• 13. مقدمه ای بر کتابخانه NumPy
• 14. آرایه های NumPy: ایجاد و عملیات پایه
• 15. عملیات ریاضی و منطقی بر روی آرایه های NumPy
• 16. نمایه‌گذاری و برش آرایه‌های NumPy
• 17. تغییر شکل و ترکیب آرایه‌های NumPy
• 18. مقدمه ای بر کتابخانه Pandas
• 19. ساختار داده Series در Pandas
• 20. ساختار داده DataFrame در Pandas
• 21. خواندن و نوشتن داده ها با Pandas (CSV, Excel)
• 22. نمایه‌گذاری و انتخاب داده در DataFrame
• 23. فیلتر کردن و مرتب سازی داده ها در Pandas
• 24. عملیات گروه بندی و تجمیع در Pandas
• 25. ادغام و پیوستن DataFrames
• 26. مدیریت داده های از دست رفته در Pandas
• 27. کار با رشته ها در Pandas
• 28. کار با داده های زمانی در Pandas
• 29. مقدمه ای بر مصورسازی داده ها
• 30. مصورسازی با Matplotlib: نمودارهای خطی
• 31. مصورسازی با Matplotlib: نمودارهای میله ای
• 32. مصورسازی با Matplotlib: نمودارهای پراکندگی
• 33. مصورسازی با Matplotlib: هیستوگرام ها
• 34. مصورسازی با Matplotlib: نمودارهای دایره ای
• 35. تنظیمات پیشرفته در Matplotlib
• 36. مقدمه ای بر کتابخانه Seaborn
• 37. نمودارهای آماری با Seaborn
• 38. نمودارهای توزیع با Seaborn
• 39. نمودارهای رابطه ای با Seaborn
• 40. نمودارهای دسته بندی با Seaborn
• 41. نمودارهای ماتریسی با Seaborn
• 42. کار با داده های متنی در پایتون
• 43. پیش پردازش متن: توکن سازی و حذف کلمات توقف
• 44. ریشه یابی و لماتیزاسیون متن
• 45. شمارش فراوانی کلمات و TF-IDF
• 46. مقدمه ای بر یادگیری ماشین
• 47. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 48. تقسیم داده ها به مجموعه های آموزش و آزمون
• 49. ارزیابی مدل های یادگیری ماشین
• 50. رگرسیون خطی ساده
• 51. رگرسیون خطی چندگانه
• 52. رگرسیون لجستیک
• 53. ماشین بردار پشتیبان (SVM)
• 54. درخت های تصمیم
• 55. جنگل های تصادفی
• 56. خوشه بندی K-Means
• 57. تحلیل مولفه های اصلی (PCA)
• 58. مقدمه ای بر یادگیری عمیق
• 59. شبکه های عصبی مصنوعی
• 60. شبکه های عصبی کانولوشنال (CNN)
• 61. شبکه های عصبی بازگشتی (RNN)
• 62. کاربرد پایتون در تحلیل داده های مالی
• 63. تحلیل سری های زمانی مالی
• 64. مدل سازی پیش بینی قیمت سهام
• 65. تحلیل احساسات بازار سهام
• 66. کاربرد پایتون در تحلیل داده های سلامت
• 67. تحلیل داده های پزشکی و بالینی
• 68. مدل سازی پیش بینی بیماری
• 69. تحلیل داده های ژنتیکی
• 70. کاربرد پایتون در تحلیل داده های بازاریابی
• 71. تحلیل رفتار مشتری
• 72. مدل سازی پیش بینی فروش
• 73. شخصی سازی پیشنهادات
• 74. کاربرد پایتون در تحلیل داده های دولتی
• 75. تحلیل داده های اقتصادی و اجتماعی
• 76. مدل سازی پیش بینی شاخص های کلان
• 77. تحلیل داده های شهری
• 78. بهینه سازی الگوریتم ها در پایتون
• 79. پیاده سازی الگوریتم های جستجو
• 80. پیاده سازی الگوریتم های مرتب سازی
• 81. تحلیل پیچیدگی زمانی الگوریتم ها
• 82. مقدمه ای بر پایگاه داده ها
• 83. کار با پایگاه داده های رابطه ای با پایتون
• 84. کار با پایگاه داده های NoSQL با پایتون
• 85. مفاهیم داده کاوی
• 86. الگوهای تکرارشونده در داده ها
• 87. قوانین وابستگی
• 88. مقدمه ای بر Big Data
• 89. ابزارهای پردازش Big Data با پایتون (Spark)
• 90. مقدمه ای بر هوش مصنوعی
• 91. اخلاق در علم داده
• 92. امنیت داده ها و حریم خصوصی
• 93. مقدمه ای بر یادگیری تقویتی
• 94. کاربرد پایتون در رباتیک
• 95. کاربرد پایتون در پردازش تصویر
• 96. کاربرد پایتون در پردازش گفتار
• 97. مقدمه ای بر شبکه های عصبی گراف
• 98. تکنیک های پیشرفته مصورسازی داده ها
• 99. تکنیک های پیشرفته پیش پردازش داده ها
• 100. تکنیک های پیشرفته ارزیابی مدل