دوره مقدمه‌ای بر تحلیل داده با پایتون: ابزارها و تکنیک‌های کاربردی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر تحلیل داده با پایتون: ابزارها و تکنیک‌های کاربردی

موضوع کلی: علوم کامپیوتر و تحلیل داده

موضوع میانی: تحلیل داده با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علوم کامپیوتر و تحلیل داده
• 2. اهمیت تحلیل داده در دنیای امروز
• 3. معرفی زبان برنامه نویسی پایتون
• 4. نصب و پیکربندی محیط توسعه پایتون
• 5. آشنایی با ساختارهای داده پایه در پایتون
• 6. لیست ها، تاپل ها و دیکشنری ها در پایتون
• 7. حلقه ها و دستورات شرطی در پایتون
• 8. توابع و ماژول ها در پایتون
• 9. مقدمه ای بر کتابخانه NumPy
• 10. عملیات پایه با آرایه ها در NumPy
• 11. عملیات ریاضی و آماری با NumPy
• 12. اندیس گذاری و برش آرایه ها در NumPy
• 13. مقدمه ای بر کتابخانه Pandas
• 14. ساختارهای داده DataFrame و Series
• 15. خواندن و نوشتن داده ها در Pandas
• 16. عملیات پایه با DataFrame ها
• 17. انتخاب و فیلتر کردن داده ها
• 18. مرتب سازی و گروه بندی داده ها
• 19. ترکیب و ادغام DataFrame ها
• 20. مدیریت داده های گمشده در Pandas
• 21. پاکسازی و پیش پردازش داده ها
• 22. عملیات تاریخ و زمان در Pandas
• 23. مقدمه ای بر کتابخانه Matplotlib
• 24. رسم نمودارهای خطی و پراکندگی
• 25. رسم نمودارهای میله ای و هیستوگرام
• 26. سفارشی سازی نمودارها
• 27. مقدمه ای بر کتابخانه Seaborn
• 28. نمودارهای آماری پیشرفته با Seaborn
• 29. نقشه های حرارتی و نمودارهای توزیع
• 30. مقدمه ای بر مفاهیم آماری در تحلیل داده
• 31. میانگین، میانه و مد
• 32. واریانس و انحراف معیار
• 33. همبستگی و رگرسیون خطی
• 34. آزمون فرض آماری
• 35. مقدمه ای بر یادگیری ماشین
• 36. یادگیری نظارت شده و بدون نظارت
• 37. مدل های رگرسیون خطی و لجستیک
• 38. مدل های درخت تصمیم
• 39. الگوریتم K-نزدیکترین همسایه (KNN)
• 40. ماشین بردار پشتیبان (SVM)
• 41. مقدمه ای بر خوشه بندی
• 42. الگوریتم K-Means
• 43. مقدمه ای بر کاهش ابعاد
• 44. تحلیل مولفه های اصلی (PCA)
• 45. کاربرد پایتون در تحلیل داده های مالی
• 46. تحلیل سری های زمانی
• 47. پیش بینی قیمت سهام با مدل های ساده
• 48. مقدمه ای بر تحلیل داده های متنی
• 49. پردازش اولیه متن
• 50. شمارش کلمات و TF-IDF
• 51. تحلیل احساسات متنی
• 52. کاربرد پایتون در تحلیل داده های شبکه های اجتماعی
• 53. استخراج و تحلیل داده از پلتفرم ها
• 54. مصورسازی گراف ها
• 55. مقدمه ای بر داده کاوی
• 56. قوانین وابستگی
• 57. مقدمه ای بر سیستم های توصیه گر
• 58. فیلترینگ مبتنی بر محتوا
• 59. فیلترینگ مشارکتی
• 60. مقدمه ای بر مهندسی ویژگی
• 61. ایجاد ویژگی های جدید
• 62. انتخاب ویژگی
• 63. مقدمه ای بر ارزیابی مدل
• 64. معیارهای ارزیابی مدل رگرسیون
• 65. معیارهای ارزیابی مدل طبقه بندی
• 66. اعتبارسنجی متقابل
• 67. مقدمه ای بر بهینه سازی مدل
• 68. تنظیم ابرپارامترها
• 69. مقدمه ای بر هوش تجاری (BI)
• 70. ابزارهای BI و تحلیل داده
• 71. کاربرد پایتون در گزارش دهی BI
• 72. مقدمه ای بر داده های بزرگ (Big Data)
• 73. مفاهیم و چالش های داده های بزرگ
• 74. مقدمه ای بر Hadoop و Spark
• 75. کاربرد پایتون با Spark
• 76. مقدمه ای بر مفاهیم داده های مکانی
• 77. تحلیل داده های جغرافیایی
• 78. مقدمه ای بر داده های سری زمانی پیشرفته
• 79. مدل های ARIMA و SARIMA
• 80. مقدمه ای بر یادگیری عمیق
• 81. شبکه های عصبی مصنوعی
• 82. شبکه های عصبی کانولوشنی (CNN)
• 83. شبکه های عصبی بازگشتی (RNN)
• 84. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 85. مدل های زبانی
• 86. تولید متن با مدل های یادگیری عمیق
• 87. کاربرد پایتون در بهداشت و درمان
• 88. تحلیل داده های پزشکی
• 89. پیش بینی بیماری ها
• 90. کاربرد پایتون در صنعت
• 91. بهینه سازی فرآیندهای تولید
• 92. پیش بینی خرابی تجهیزات
• 93. مقدمه ای بر اخلاق در تحلیل داده
• 94. حریم خصوصی داده ها
• 95. سوگیری در الگوریتم ها
• 96. مسئولیت پذیری در تحلیل داده
• 97. مقدمه ای بر آینده تحلیل داده
• 98. روندهای نوظهور
• 99. نقش پایتون در آینده تحلیل داده
• 100. کاربرد پایتون در کسب و کار آنلاین