کتاب ساخت نمودارهای آماری برای نمایش خوشه‌بندی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت نمودارهای آماری برای نمایش خوشه‌بندی

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های دوره

• 1. مبانی بصری‌سازی داده
• 2. آشنایی با انواع نمودارها و کاربرد آن‌ها
• 3. اهمیت انتخاب نمودار مناسب برای داده‌ها
• 4. معرفی کتابخانه‌های Python برای بصری‌سازی (Matplotlib, Seaborn, Plotly)
• 5. نصب و راه‌اندازی کتابخانه‌های Python
• 6. مفاهیم اولیه داده‌ها و ساختار آن‌ها (DataFrames, Series)
• 7. وارد کردن داده‌ها از فایل‌های مختلف (CSV, Excel)
• 8. تمیز کردن و آماده‌سازی داده‌ها برای بصری‌سازی
• 9. اصول طراحی بصری برای نمودارها (رنگ، فونت، اندازه‌ها)
• 10. ایجاد نمودارهای ساده میله‌ای (Bar Charts)
• 11. ایجاد نمودارهای دایره‌ای (Pie Charts)
• 12. ایجاد نمودارهای خطی (Line Charts)
• 13. ایجاد نمودارهای پراکندگی (Scatter Plots)
• 14. افزودن برچسب‌ها، عنوان‌ها و راهنماها به نمودارها
• 15. سفارشی‌سازی نمودارها (رنگ، سبک خط، نشانگرها)
• 16. ایجاد نمودارهای چندگانه (Subplots)
• 17. آشنایی با نمودارهای هیستوگرام (Histograms)
• 18. ایجاد نمودارهای جعبه‌ای (Box Plots)
• 19. شناسایی داده‌های پرت (Outliers) با استفاده از نمودارها
• 20. استفاده از Seaborn برای ایجاد نمودارهای پیشرفته‌تر
• 21. نمودارهای توزیع (Distribution Plots)
• 22. نمودارهای رابطه (Relationship Plots)
• 23. نمودارهای دسته‌بندی (Categorical Plots)
• 24. آشنایی با Plotly برای نمودارهای تعاملی
• 25. ایجاد نمودارهای تعاملی پایه
• 26. افزودن قابلیت‌های زوم و پَن به نمودارها
• 27. استفاده از انیمیشن در نمودارها
• 28. اصول خوشه‌بندی (Clustering)
• 29. معرفی الگوریتم‌های خوشه‌بندی (K-Means, Hierarchical, DBSCAN)
• 30. ارزیابی عملکرد خوشه‌بندی (Silhouette Score, Davies-Bouldin Index)
• 31. پیاده‌سازی K-Means با Python
• 32. تفسیر نتایج K-Means
• 33. بهینه‌سازی پارامترهای K-Means
• 34. پیاده‌سازی خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 35. تفاوت‌های خوشه‌بندی سلسله مراتبی و K-Means
• 36. پیاده‌سازی DBSCAN
• 37. تفاوت‌های DBSCAN با K-Means و Hierarchical
• 38. آشنایی با روش Elbow برای تعیین تعداد خوشه‌ها
• 39. آشنایی با روش Silhouette برای ارزیابی خوشه‌بندی
• 40. نمایش داده‌های خوشه‌بندی شده با نمودارهای پراکندگی
• 41. نمایش خوشه‌ها با رنگ‌های مختلف
• 42. افزودن مرکز خوشه‌ها به نمودار
• 43. استفاده از نمودارهای سه بعدی برای نمایش خوشه‌بندی
• 44. بصری‌سازی نتایج K-Means در سه بعد
• 45. بصری‌سازی نتایج DBSCAN در سه بعد
• 46. استفاده از نمودارهای Heatmap برای نمایش خوشه‌بندی
• 47. ایجاد Heatmap برای ماتریس فاصله (Distance Matrix)
• 48. تفسیر Heatmap برای شناسایی الگوها
• 49. استفاده از نمودارهای Network برای نمایش خوشه‌بندی
• 50. ایجاد نمودارهای Network برای خوشه‌های نزدیک به هم
• 51. بررسی تأثیر مقیاس‌گذاری داده‌ها بر خوشه‌بندی
• 52. مقیاس‌گذاری داده‌ها با استفاده از Min-Max Scaling
• 53. مقیاس‌گذاری داده‌ها با استفاده از Standardization
• 54. مقایسه نتایج خوشه‌بندی با مقیاس‌گذاری‌های مختلف
• 55. آماده‌سازی داده‌های واقعی برای خوشه‌بندی
• 56. انتخاب ویژگی‌های مناسب برای خوشه‌بندی
• 57. مدیریت داده‌های گمشده (Missing Data)
• 58. تکنیک‌های کاهش ابعاد (PCA) و تأثیر آن بر خوشه‌بندی
• 59. پیاده‌سازی PCA با Python
• 60. بصری‌سازی داده‌های کاهش یافته با PCA
• 61. مقایسه نتایج خوشه‌بندی قبل و بعد از PCA
• 62. بهره‌گیری از کتابخانه Scikit-learn برای خوشه‌بندی
• 63. استفاده از Pipeline برای ساده‌سازی فرآیند خوشه‌بندی
• 64. ایجاد داشبوردهای بصری‌سازی داده‌ها
• 65. معرفی ابزارهای ساخت داشبورد (Tableau, Power BI)
• 66. انتخاب ابزارهای مناسب برای نیازهای مختلف
• 67. ایجاد داشبورد با نمودارهای خوشه‌بندی
• 68. افزودن فیلترها و تعاملات به داشبورد
• 69. استفاده از ابزارهای آنلاین برای بصری‌سازی
• 70. معرفی Google Data Studio
• 71. ایجاد نمودارهای تعاملی در Google Data Studio
• 72. اشتراک‌گذاری و ارائه نتایج بصری‌سازی
• 73. اصول داستان‌سرایی با داده‌ها (Data Storytelling)
• 74. ایجاد یک روایت منسجم برای نمایش داده‌ها
• 75. تاثیر رنگ و طراحی در جذابیت نمودارها
• 76. نکات مهم در طراحی نمودارهای موثر
• 77. ارائه یافته‌ها به مخاطبان مختلف
• 78. بصری‌سازی داده‌های سری زمانی برای خوشه‌بندی
• 79. خوشه‌بندی داده‌های سری زمانی
• 80. استفاده از الگوریتم DTW برای محاسبه فاصله در داده‌های سری زمانی
• 81. بصری‌سازی داده‌های خوشه‌بندی شده سری زمانی
• 82. بصری‌سازی داده‌های متنی برای خوشه‌بندی
• 83. تبدیل متن به بردار (Word Embeddings, TF-IDF)
• 84. خوشه‌بندی داده‌های متنی
• 85. بصری‌سازی نتایج خوشه‌بندی متنی با t-SNE
• 86. آشنایی با کتابخانه‌های تخصصی بصری‌سازی
• 87. استفاده از کتابخانه Altair
• 88. ایجاد نمودارهای تعاملی با Altair
• 89. آشنایی با کتابخانه Bokeh
• 90. ایجاد نمودارهای تعاملی پیشرفته با Bokeh
• 91. کاربرد نمودارهای درختی (Treemap) در نمایش خوشه‌بندی
• 92. کاربرد نمودارهای Radar در نمایش خوشه‌بندی
• 93. آشنایی با تجسم‌های جغرافیایی برای نمایش داده‌های خوشه‌بندی
• 94. نمایش خوشه‌ها بر روی نقشه
• 95. بررسی موارد کاربردی خوشه‌بندی در حوزه‌های مختلف
• 96. آنالیز رفتار مشتری (Customer Segmentation)
• 97. تشخیص ناهنجاری‌ها (Anomaly Detection)
• 98. خوشه‌بندی تصاویر (Image Clustering)
• 99. پروژه‌های عملی: ساخت نمودارها برای یک مجموعه داده مشخص
• 100. ارائه و جمع‌بندی دوره