دوره مبانی و کاربردهای بصری‌سازی داده‌ها با Seaborn همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای بصری‌سازی داده‌ها با Seaborn

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: بصری‌سازی داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و بصری‌سازی
• 2. اهمیت بصری‌سازی داده‌ها در تحلیل
• 3. نصب و راه‌اندازی محیط کار
• 4. آشنایی با کتابخانه Seaborn
• 5. مفاهیم پایه در Seaborn
• 6. انواع نمودارهای رایج در علم داده
• 7. نمودارهای توزیع یک‌متغیره
• 8. هیستوگرام و چگالی توزیع
• 9. نمودار جعبه‌ای (Box Plot)
• 10. نمودار ویولن (Violin Plot)
• 11. نمودارهای توزیع دو‌متغیره
• 12. نمودار پراکندگی (Scatter Plot)
• 13. نمودار خطی (Line Plot)
• 14. نمودارهای دسته‌بندی شده
• 15. نمودار میله‌ای (Bar Plot)
• 16. نمودار میله‌ای دسته‌بندی شده (Count Plot)
• 17. نمودار نقطه‌ای (Point Plot)
• 18. نمودارهای رابطه‌ای
• 19. نمودار حرارتی (Heatmap)
• 20. نمودار ماتریس پراکندگی (Pair Plot)
• 21. نمودار روابط دسته‌بندی شده (Cat Plot)
• 22. کار با داده‌های گمشده در بصری‌سازی
• 23. مدیریت محورها و برچسب‌ها
• 24. تنظیمات ظاهری نمودارها
• 25. استفاده از تم‌ها و سبک‌ها
• 26. کار با پالت‌های رنگی
• 27. بصری‌سازی داده‌های طبقه‌بندی شده
• 28. نمودارهای دسته‌بندی شده با Seaborn
• 29. کار با داده‌های سری زمانی
• 30. بصری‌سازی داده‌های مکانی
• 31. نمودارهای مربوط به رگرسیون
• 32. نمودارهای مربوط به خوشه‌بندی
• 33. بصری‌سازی داده‌های آماری
• 34. مفاهیم آماری در بصری‌سازی
• 35. کار با مجموعه داده‌های استاندارد Seaborn
• 36. مثال‌های کاربردی با مجموعه داده‌های واقعی
• 37. بصری‌سازی داده‌های مالی (حلال)
• 38. بصری‌سازی داده‌های سلامت (حلال)
• 39. بصری‌سازی داده‌های آموزشی (حلال)
• 40. بصری‌سازی داده‌های حمل و نقل (حلال)
• 41. بصری‌سازی داده‌های جمعیت (حلال)
• 42. بصری‌سازی داده‌های محیط زیست (حلال)
• 43. مقدمه‌ای بر نمودارهای سفارشی
• 44. تغییر اندازه نمودارها
• 45. تنظیمات دقیق محورهای مختصات
• 46. کار با حاشیه‌ها و فاصله‌ها
• 47. اضافه کردن عنوان و زیرنویس
• 48. نمایش اطلاعات اضافی (Annotations)
• 49. استفاده از نمودارهای چندگانه (Faceting)
• 50. Grid Plots در Seaborn
• 51. Splitting plots
• 52. تکنیک‌های پیشرفته بصری‌سازی
• 53. بصری‌سازی داده‌های بزرگ
• 54. اصول طراحی بصری‌سازی مؤثر
• 55. انتخاب نمودار مناسب برای هر نوع داده
• 56. خطاهای رایج در بصری‌سازی
• 57. اصول اخلاقی در بصری‌سازی داده‌ها
• 58. حفظ حریم خصوصی در داده‌ها
• 59. بصری‌سازی داده‌ها در گزارش‌دهی
• 60. ایجاد داشبوردهای تعاملی (مقدماتی)
• 61. کار با کتابخانه‌های دیگر برای تعامل
• 62. تبدیل نمودارهای Seaborn به فرمت‌های مختلف
• 63. ذخیره نمودارها با کیفیت بالا
• 64. مقدمه‌ای بر هوش مصنوعی و علم داده
• 65. کاربرد هوش مصنوعی در تحلیل داده
• 66. یادگیری ماشین نظارت شده
• 67. یادگیری ماشین بدون نظارت
• 68. مقدمه‌ای بر یادگیری عمیق
• 69. شبکه‌های عصبی مصنوعی
• 70. کاربرد شبکه‌های عصبی در بینایی ماشین
• 71. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 72. مقدمه‌ای بر پردازش زبان طبیعی
• 73. تحلیل احساسات (Sentiment Analysis)
• 74. مدل‌های زبانی
• 75. مقدمه‌ای بر داده‌کاوی
• 76. قواعد وابستگی (Association Rules)
• 77. خوشه‌بندی (Clustering)
• 78. طبقه‌بندی (Classification)
• 79. پیش‌بینی (Prediction)
• 80. مقدمه‌ای بر یادگیری تقویتی
• 81. کاربردهای یادگیری تقویتی
• 82. مبانی اخلاق در هوش مصنوعی
• 83. مسئولیت‌پذیری در هوش مصنوعی
• 84. امنیت در هوش مصنوعی
• 85. حریم خصوصی در هوش مصنوعی
• 86. تأثیر هوش مصنوعی بر جامعه
• 87. آینده هوش مصنوعی
• 88. بصری‌سازی نتایج مدل‌های یادگیری ماشین
• 89. ارزیابی مدل‌های طبقه‌بندی
• 90. ارزیابی مدل‌های رگرسیون
• 91. نمودار ROC و منحنی AUC
• 92. ماتریس درهم‌ریختگی (Confusion Matrix)
• 93. بصری‌سازی ویژگی‌های مدل
• 94. تفسیرپذیری مدل‌های هوش مصنوعی
• 95. نمودارهای اهمیت ویژگی (Feature Importance)
• 96. بصری‌سازی خطاهای مدل
• 97. کاربرد بصری‌سازی در مراحل مختلف چرخه حیات داده
• 98. جمع‌آوری داده‌ها
• 99. پاکسازی داده‌ها
• 100. کاوش داده‌ها