دوره آمار کاربردی با پایتون برای تحلیل داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آمار کاربردی با پایتون برای تحلیل داده

موضوع کلی: علم داده با پایتون

موضوع میانی: مبانی آمار و احتمالات برای علم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و آمار
• 2. چرا آمار در علم داده مهم است؟
• 3. نصب و راه‌اندازی محیط پایتون برای آمار
• 4. مبانی زبان پایتون برای تحلیلگران داده
• 5. انواع داده‌ها و مقیاس‌های اندازه‌گیری
• 6. جمع‌آوری و پاکسازی داده‌ها
• 7. آمار توصیفی: معیارهای مرکزی
• 8. میانگین، میانه و نما
• 9. انحراف معیار و واریانس
• 10. دامنه و دامنه میان‌چارکی
• 11. نمودارهای توزیع داده‌ها
• 12. هیستوگرام و نمودار چگالی
• 13. نمودار جعبه‌ای (Box Plot)
• 14. نمودارهای پراکندگی (Scatter Plot)
• 15. مبانی احتمال
• 16. مفاهیم پایه احتمال
• 17. احتمال شرطی و استقلال
• 18. قضیه بیز
• 19. قوانین احتمال
• 20. قوانین جمع و ضرب احتمالات
• 21. متغیرهای تصادفی گسسته
• 22. توزیع دوجمله‌ای
• 23. توزیع پواسون
• 24. متغیرهای تصادفی پیوسته
• 25. توزیع یکنواخت
• 26. توزیع نرمال (گوسی)
• 27. توزیع نمایی
• 28. توزیع t استیودنت
• 29. توزیع کای دو
• 30. نمونه‌گیری و توزیع نمونه‌گیری
• 31. مفهوم نمونه‌گیری
• 32. توزیع میانگین نمونه
• 33. قضیه حد مرکزی
• 34. خطای استاندارد میانگین
• 35. برآوردگرها و خواص آن‌ها
• 36. برآورد نقطه‌ای
• 37. برآورد فاصله‌ای (فاصله اطمینان)
• 38. محاسبه فاصله اطمینان برای میانگین
• 39. فاصله اطمینان برای نسبت
• 40. آزمون فرض آماری
• 41. مبانی آزمون فرض
• 42. خطای نوع اول و نوع دوم
• 43. مقدار p (P-value)
• 44. مراحل انجام آزمون فرض
• 45. آزمون فرض برای میانگین جامعه واحد
• 46. آزمون فرض برای نسبت جامعه واحد
• 47. آزمون فرض برای تفاوت میانگین دو جامعه مستقل
• 48. آزمون فرض برای تفاوت میانگین دو جامعه وابسته (زوجی)
• 49. آزمون فرض برای تفاوت نسبت دو جامعه
• 50. آزمون کای دو برای استقلال
• 51. آزمون کای دو برای نیکویی برازش
• 52. تحلیل واریانس (ANOVA)
• 53. مفهوم ANOVA
• 54. ANOVA یک‌طرفه
• 55. آزمون تعقیبی (Post-hoc tests)
• 56. ANOVA دوطرفه
• 57. رگرسیون خطی ساده
• 58. مفهوم رگرسیون
• 59. مدل رگرسیون خطی ساده
• 60. برآورد ضرایب رگرسیون
• 61. تفسیر ضرایب رگرسیون
• 62. شاخص‌های ارزیابی مدل رگرسیون
• 63. ضریب تعیین (R-squared)
• 64. خطای استاندارد رگرسیون
• 65. آزمون فرض برای ضرایب رگرسیون
• 66. پیش‌بینی با مدل رگرسیون
• 67. رگرسیون خطی چندگانه
• 68. مفهوم رگرسیون چندگانه
• 69. انتخاب متغیرهای مستقل
• 70. مشکلات در رگرسیون چندگانه (هم‌خطی)
• 71. ارزیابی مدل رگرسیون چندگانه
• 72. کاربرد پایتون در رگرسیون
• 73. کتابخانه Scikit-learn برای رگرسیون
• 74. پیاده‌سازی رگرسیون خطی با پایتون
• 75. تحلیل سری‌های زمانی
• 76. مقدمه‌ای بر تحلیل سری‌های زمانی
• 77. مفاهیم پایه در سری‌های زمانی
• 78. روند (Trend)، فصلی بودن (Seasonality)، نویز
• 79. مدل‌های پیش‌بینی سری زمانی
• 80. مدل میانگین متحرک (MA)
• 81. مدل خودرگرسیو (AR)
• 82. مدل ARMA و ARIMA
• 83. کاربرد پایتون در تحلیل سری‌های زمانی
• 84. کتابخانه Statsmodels
• 85. مدل‌سازی داده‌های دسته‌بندی شده
• 86. مقدمه‌ای بر دسته‌بندی
• 87. رگرسیون لجستیک
• 88. تفسیر ضرایب رگرسیون لجستیک
• 89. ارزیابی مدل‌های دسته‌بندی
• 90. دقت (Accuracy)
• 91. صحت (Precision) و بازیابی (Recall)
• 92. امتیاز F1
• 93. ماتریس درهم‌ریختگی (Confusion Matrix)
• 94. منحنی ROC و AUC
• 95. کاربرد پایتون در دسته‌بندی
• 96. کتابخانه Scikit-learn برای دسته‌بندی
• 97. پیاده‌سازی رگرسیون لجستیک با پایتون
• 98. مقدمه‌ای بر خوشه‌بندی
• 99. الگوریتم K-Means
• 100. تعیین تعداد خوشه‌ها