دوره بصری‌سازی داده در هوش مصنوعی و یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بصری‌سازی داده در هوش مصنوعی و یادگیری ماشین

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بصری‌سازی داده در هوش مصنوعی
• 2. اهمیت بصری‌سازی در فهم مدل‌های یادگیری ماشین
• 3. اصول پایه‌ی بصری‌سازی داده
• 4. انواع نمودارها برای داده‌های عددی
• 5. نمودارهای میله‌ای و کاربردهای آن
• 6. نمودارهای خطی برای نمایش روندها
• 7. نمودارهای پراکندگی برای روابط دو متغیره
• 8. هیستوگرام‌ها و توزیع داده‌ها
• 9. نمودارهای جعبه‌ای برای درک واریانس
• 10. نمودارهای دایره‌ای و محدودیت‌های آن
• 11. بصری‌سازی داده‌های دسته‌بندی شده
• 12. نمودارهای میله‌ای پشته‌ای و گروه‌بندی شده
• 13. نمودارهای پراکندگی ماتریسی
• 14. نمودارهای حرارتی برای ماتریس‌های بزرگ
• 15. نمودارهای شعاعی و کاربردهای آن
• 16. بصری‌سازی داده‌های متنی
• 17. تکنیک‌های نمایش کلمات کلیدی
• 18. نمودارهای ابر کلمات (Word Clouds)
• 19. بصری‌سازی شبکه‌ها و روابط
• 20. نمودارهای گراف و گره‌ها
• 21. نمودارهای جریان
• 22. ابزارهای بصری‌سازی داده در پایتون (Matplotlib)
• 23. آشنایی با Matplotlib
• 24. رسم نمودارهای پایه با Matplotlib
• 25. سفارشی‌سازی نمودارها در Matplotlib
• 26. ذخیره‌سازی نمودارها
• 27. ابزارهای بصری‌سازی داده در پایتون (Seaborn)
• 28. آشنایی با Seaborn
• 29. نمودارهای آماری پیشرفته با Seaborn
• 30. رابط کاربری Seaborn با Matplotlib
• 31. نمودارهای توزیع در Seaborn
• 32. نمودارهای رابطه‌ای در Seaborn
• 33. نمودارهای دسته‌بندی شده در Seaborn
• 34. نمودارهای ماتریسی در Seaborn
• 35. نمودارهای سفارشی در Seaborn
• 36. ابزارهای بصری‌سازی داده در پایتون (Plotly)
• 37. مقدمه‌ای بر Plotly
• 38. نمودارهای تعاملی با Plotly Express
• 39. نمودارهای پیشرفته با Plotly Graph Objects
• 40. داشبوردهای تعاملی با Dash
• 41. نمایش داده‌های مکانی با Plotly
• 42. بصری‌سازی داده‌های سری زمانی
• 43. نمودارهای خطی برای سری زمانی
• 44. نمودارهای پراکندگی برای سری زمانی
• 45. نمودارهای خودهمبستگی
• 46. نمودارهای مقایسه‌ای سری‌های زمانی
• 47. بصری‌سازی خروجی مدل‌های یادگیری ماشین
• 48. نمودارهای ماتریس درهم‌ریختگی (Confusion Matrix)
• 49. منحنی دقت-بازیابی (Precision-Recall Curve)
• 50. منحنی مشخصه عملکرد گیرنده (ROC Curve)
• 51. نمودارهای اهمیت ویژگی (Feature Importance)
• 52. نمودارهای پیش‌بینی مدل
• 53. بصری‌سازی خوشه‌بندی (Clustering)
• 54. نمودارهای پراکندگی برای خوشه‌ها
• 55. نمودارهای جعبه‌ای برای ویژگی‌های خوشه‌ها
• 56. نمودارهای شعاعی برای پروفایل خوشه‌ها
• 57. ارزیابی کیفیت خوشه‌بندی با نمودار
• 58. بصری‌سازی شبکه‌های عصبی
• 59. نمودارهای معماری شبکه
• 60. نمودارهای وزن‌ها و بایاس‌ها
• 61. نمودارهای فعال‌سازی لایه‌ها
• 62. نمودارهای روند آموزش (Loss & Accuracy)
• 63. بصری‌سازی داده‌های حجیم (Big Data)
• 64. چالش‌های بصری‌سازی داده‌های حجیم
• 65. تکنیک‌های کاهش ابعاد (PCA)
• 66. تجسم داده‌های با ابعاد بالا
• 67. نمودارهای مقیاس‌پذیر
• 68. ملاحظات اخلاقی در بصری‌سازی داده
• 69. شفافیت و دقت در نمودارها
• 70. اجتناب از تحریف و گمراه‌سازی
• 71. نمایش منصفانه داده‌ها
• 72. حفظ حریم خصوصی در بصری‌سازی
• 73. بصری‌سازی داده‌های نامتعادل
• 74. تکنیک‌های نمایش داده‌های نامتعادل
• 75. نمودارهای مقایسه‌ای برای عدم تعادل
• 76. بصری‌سازی داده‌های چندبعدی
• 77. نمایش داده‌ها با استفاده از رنگ و اندازه
• 78. نمودارهای موازی (Parallel Coordinates)
• 79. نمودارهای پراکندگی چندگانه
• 80. بصری‌سازی و تحلیل اکتشافی داده (EDA)
• 81. نقش بصری‌سازی در EDA
• 82. شناسایی الگوها و ناهنجاری‌ها
• 83. انتخاب ویژگی‌های مرتبط
• 84. ارتباط بین متغیرها
• 85. بصری‌سازی پیشرفته و سفارشی
• 86. ایجاد داشبوردهای تعاملی
• 87. استفاده از کتابخانه‌های جاوا اسکریپت
• 88. طراحی رابط کاربری بصری
• 89. بصری‌سازی برای تصمیم‌گیری
• 90. نمودارهای مقایسه‌ای برای گزینه‌ها
• 91. سناریوهای بصری‌سازی در کسب‌وکار
• 92. کاربرد بصری‌سازی در گزارش‌دهی
• 93. بصری‌سازی و پتانسیل‌های آینده
• 94. یادگیری ماشین مولد و بصری‌سازی
• 95. بصری‌سازی داده‌های واقعیت مجازی و افزوده
• 96. تکنیک‌های نوین در بصری‌سازی
• 97. ارزیابی و انتخاب بهترین نمودار
• 98. اصول طراحی بصری مؤثر
• 99. بصری‌سازی برای مخاطبان مختلف
• 100. ملاحظات فرهنگی در بصری‌سازی