کتاب بصری‌سازی داده‌های علمی و فناوری با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بصری‌سازی داده‌های علمی و فناوری

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بصری‌سازی داده و اهمیت آن در علوم و فناوری
• 2. تاریخچه و نمونه‌های کلاسیک بصری‌سازی داده (نقشه ناپلئون، نمودار جان اسنو)
• 3. نقش بصری‌سازی در چرخه حیات علم داده
• 4. انواع داده‌ها: کمی، کیفی، گسسته و پیوسته
• 5. ساختارهای داده: جدولی، سلسله مراتبی، شبکه‌ای و مکانی
• 6. مبانی آمار توصیفی برای بصری‌سازی
• 7. محیط برنامه‌نویسی: نصب پایتون، Jupyter Notebook و کتابخانه‌های ضروری
• 8. آشنایی با کتابخانه Pandas برای آماده‌سازی و پاکسازی داده‌ها
• 9. اصول ادراک بصری و ویژگی‌های پیش‌توجهی (Preattentive Attributes)
• 10. قوانین گشتالت در طراحی بصری (نزدیکی، تشابه، تداوم)
• 11. نظریه رنگ: مدل‌های رنگی (RGB, CMYK, HSL)
• 12. روانشناسی رنگ‌ها در انتقال پیام
• 13. انتخاب پالت‌های رنگی مؤثر: ترتیبی، واگرا و کیفی
• 14. طراحی برای کوررنگی و دسترسی‌پذیری
• 15. مفهوم گرامر گرافیک‌ها (The Grammar of Graphics)
• 16. اصل نسبت داده-جوهر (Data-Ink Ratio) از ادوارد تافتی
• 17. جلوگیری از عناصر بصری زائد (Chartjunk)
• 18. انتخاب نوع نمودار مناسب برای هر هدف
• 19. چگونگی برچسب‌گذاری، عنوان‌دهی و حاشیه‌نویسی (Annotation)
• 20. اصول طراحی لی‌اوت و ترکیب‌بندی در بصری‌سازی
• 21. آشنایی با Matplotlib: معماری و مفاهیم پایه (Figure, Axes, Artist)
• 22. ایجاد اولین نمودار با Matplotlib: نمودار خطی و نقطه‌ای
• 23. سفارشی‌سازی نمودارها در Matplotlib: رنگ‌ها، خطوط، نشانگرها
• 24. کار با چندین نمودار (Subplots) در Matplotlib
• 25. افزودن عنوان، برچسب محورها و راهنما (Legend)
• 26. ذخیره‌سازی نمودارها با فرمت‌ها و کیفیت‌های مختلف
• 27. آشنایی با Seaborn: کتابخانه‌ای سطح بالا برای نمودارهای آماری
• 28. مقایسه Matplotlib و Seaborn: چه زمانی از کدام استفاده کنیم؟
• 29. بصری‌سازی توزیع داده‌ها با Seaborn: هیستوگرام و نمودار چگالی (KDE)
• 30. نمودارهای جعبه‌ای (Box Plot) و ویولونی (Violin Plot)
• 31. بصری‌سازی روابط آماری: نمودار پراکندگی و رگرسیون خطی
• 32. ماتریس نمودارهای پراکندگی (Pair Plot) برای تحلیل چندمتغیره
• 33. بصری‌سازی داده‌های دسته‌ای (Categorical): نمودارهای میله‌ای و نواری
• 34. نمودارهای Swarm و Strip برای نمایش توزیع داده‌های دسته‌ای
• 35. سفارشی‌سازی ظاهر و تم نمودارها در Seaborn
• 36. آشنایی با Plotly: قدرت بصری‌سازی تعاملی
• 37. ایجاد نمودارهای تعاملی با Plotly Express
• 38. معماری Plotly: آبجکت‌های گرافیکی (Graph Objects)
• 39. افزودن قابلیت‌های تعاملی: بزرگنمایی، جابجایی و نمایش اطلاعات (Hover)
• 40. کاوش عمیق در نمودارهای خطی: تحلیل سری‌های زمانی
• 41. کاوش عمیق در نمودارهای میله‌ای: مقایسه مقادیر (ساده، گروهی، پشته‌ای)
• 42. کاوش عمیق در نمودارهای پراکندگی: شناسایی همبستگی و خوشه‌ها
• 43. نمودارهای حبابی (Bubble Chart) برای نمایش بعد سوم داده
• 44. هیستوگرام در مقابل نمودار میله‌ای: تفاوت‌ها و کاربردها
• 45. نمودارهای دایره‌ای و دونات: کاربردها و انتقادات
• 46. نقشه‌های حرارتی (Heatmaps) برای بصری‌سازی ماتریس‌ها و همبستگی
• 47. نمودارهای درختی (Treemaps) برای نمایش داده‌های سلسله مراتبی
• 48. نمودارهای مساحتی (Area Charts) ساده و پشته‌ای
• 49. استفاده از مقیاس لگاریتمی برای نمایش دامنه‌های وسیع داده
• 50. نمودارهای دو محوره (Dual-Axis Charts): مزایا و معایب
• 51. مقدمه‌ای بر بصری‌سازی داده‌های علمی
• 52. بصری‌سازی داده‌های چندبعدی: چالش‌ها و راهکارها
• 53. تکنیک‌های کاهش ابعاد برای بصری‌سازی (PCA, t-SNE)
• 54. نمودارهای مختصات موازی (Parallel Coordinates)
• 55. نمودارهای راداری یا عنکبوتی (Radar Charts)
• 56. بصری‌سازی داده‌های جغرافیایی و مکانی (Geospatial)
• 57. مبانی کار با داده‌های مکانی: شیپ‌فایل‌ها و GeoJSON
• 58. ایجاد نقشه‌های کروپلت (Choropleth Maps)
• 59. ترسیم نقاط و مسیرها روی نقشه با GeoPandas و Folium
• 60. بصری‌سازی داده‌های سه‌بعدی (3D Visualization)
• 61. نمودارهای سطحی سه‌بعدی (3D Surface Plots)
• 62. نمودارهای پراکندگی و میله‌ای سه‌بعدی
• 63. بصری‌سازی داده‌های حجمی (Volumetric Data) در علوم پزشکی و مهندسی
• 64. بصری‌سازی شبکه‌ها و گراف‌ها
• 65. مبانی نظریه گراف: گره‌ها، یال‌ها و ویژگی‌ها
• 66. استفاده از کتابخانه NetworkX برای تحلیل و بصری‌سازی گراف
• 67. لی‌اوت‌های مختلف برای نمایش گراف (دایره‌ای، فنری)
• 68. بصری‌سازی میدان‌های برداری (Vector Fields) و خطوط جریان (Streamlines)
• 69. نمودارهای کانتور (Contour Plots) برای نمایش داده‌های دو بعدی
• 70. بصری‌سازی عدم قطعیت: نوارهای خطا (Error Bars) و فواصل اطمینان
• 71. تکنیک‌های پیشرفته برای بصری‌سازی سری‌های زمانی
• 72. بصری‌سازی داده‌های بیوانفورماتیک (توالی ژنوم، ساختار پروتئین)
• 73. بصری‌سازی در فیزیک و نجوم (داده‌های شبیه‌سازی، تصاویر تلسکوپ)
• 74. بصری‌سازی داده‌های حسگرها و اینترنت اشیاء (IoT)
• 75. ایجاد انیمیشن از داده‌های متغیر با زمان
• 76. اصول داستان‌سرایی با داده‌ها (Data Storytelling)
• 77. شناسایی مخاطب و تعریف پیام کلیدی
• 78. ساختار یک روایت داده‌محور: مقدمه، بدنه و نتیجه‌گیری
• 79. استفاده از حاشیه‌نویسی و تاکید برای هدایت توجه مخاطب
• 80. مقدمه‌ای بر داشبوردهای تعاملی
• 81. انتخاب ابزار مناسب برای ساخت داشبورد (Dash, Streamlit)
• 82. مبانی طراحی یک داشبورد مؤثر
• 83. ایجاد اولین داشبورد ساده با Streamlit
• 84. افزودن ویجت‌های تعاملی: اسلایدر، منوی کشویی، چک‌باکس
• 85. اتصال ویجت‌ها به نمودارها برای فیلتر و کاوش داده‌ها
• 86. بهترین شیوه‌ها برای ارائه بصری‌سازی داده‌ها
• 87. خروجی گرفتن از نمودارها برای مقالات و وب (SVG, PNG, PDF)
• 88. اخلاق در بصری‌سازی داده: جلوگیری از ارائه نادرست و سوگیری
• 89. طراحی فراگیر: اطمینان از قابل فهم بودن برای همه
• 90. مطالعه موردی ۱: تحلیل و بصری‌سازی یک مجموعه داده علمی
• 91. مطالعه موردی ۲: ساخت یک داشبورد فناوری از ابتدا تا انتها
• 92. روندهای آینده در بصری‌سازی داده: واقعیت مجازی، واقعیت افزوده و هوش مصنوعی
• 93. جمع‌بندی دوره و راهنمای پروژه نهایی
• 94. پروژه نهایی: از داده خام تا داستان تعاملی
• 95. **بصری‌سازی داده‌های فضایی و جغرافیایی: نقشه‌ها، ژئودا و تحلیل الگوها**
• 96. **بصری‌سازی داده‌های متنی و شبکه‌های اجتماعی: تحلیل احساسات، خوشه‌بندی موضوعی و شبکه‌های ارتباطی**
• 97. **بصری‌سازی داده‌های سری زمانی و رویدادها: تحلیل روند، پیش‌بینی و تشخیص ناهنجاری**
• 98. **بصری‌سازی داده‌های چندمتغیره: نمودارهای همبستگی، مختصات موازی و کاهش ابعاد**
• 99. **بصری‌سازی تعاملی و داشبوردهای تحلیلی: ساخت ابزارهای اکتشافی و گزارش‌دهی پویا**
• 100. **ارزیابی و نقد بصری‌سازی‌ها: معیارهای ارزیابی اثربخشی، تشخیص سوگیری و ملاحظات اخلاقی**