کتاب اصول بصری‌سازی داده برای ایجاد ابزارهای تحلیل پویا با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول بصری‌سازی داده برای ایجاد ابزارهای تحلیل پویا

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های دوره

• 1. معرفی بصری‌سازی داده و اهمیت آن
• 2. چرا داده‌ها را بصری‌سازی کنیم؟ مزایا و کاربردها
• 3. نقش بصری‌سازی داده در علم داده
• 4. آشنایی با انواع داده: کمی، کیفی، زمانی و مکانی
• 5. گردآوری و اکتشاف اولیه داده‌ها برای بصری‌سازی
• 6. پاکسازی و پیش‌پردازش داده‌ها قبل از بصری‌سازی
• 7. ملاحظات اخلاقی در بصری‌سازی داده
• 8. مقدمه‌ای بر ادراک و شناخت بصری
• 9. ویژگی‌های پیش‌توجهی (Preattentive Attributes) و کاربرد آنها
• 10. اصول گشتالت در طراحی بصری‌سازی
• 11. انتخاب نمودار مناسب: یک چارچوب عملی
• 12. نمودارهای میله‌ای: مقایسه و توزیع داده‌ها
• 13. نمودارهای دایره‌ای و دوناتی: کاربردها و محدودیت‌ها
• 14. نمودارهای خطی: نمایش روندها در طول زمان
• 15. نمودارهای پراکندگی: بررسی روابط بین متغیرها
• 16. هیستوگرام و نمودار جعبه‌ای: تحلیل توزیع داده‌ها
• 17. نقشه‌های حرارتی و درختی: نمایش داده‌های سلسله‌مراتبی
• 18. بصری‌سازی داده‌های جغرافیایی: نقشه‌ها
• 19. نمودارهای شبکه‌ای: نمایش روابط و اتصالات
• 20. نمودارهای Sankey و فلوچارت‌ها
• 21. نمودارهای پیشرفته: Chord و Sunburst
• 22. اصول طراحی مؤثر نمودارها
• 23. نظریه رنگ در بصری‌سازی داده
• 24. تایپوگرافی در بصری‌سازی داده
• 25. چیدمان و ترکیب‌بندی برای بصری‌سازی‌های اثربخش
• 26. اجتناب از خطاهای رایج در بصری‌سازی
• 27. داستان‌سرایی با بصری‌سازی داده
• 28. معرفی برنامه‌نویسی برای تحلیل و بصری‌سازی داده
• 29. راه‌اندازی محیط توسعه (مثلاً پایتون و Jupyter)
• 30. ساختارهای داده پایه: لیست‌ها، دیکشنری‌ها، آرایه‌ها
• 31. معرفی کتابخانه‌ها و پکیج‌های برنامه‌نویسی
• 32. مقدمه‌ای بر دستکاری داده با Pandas (پایتون)
• 33. بارگذاری و ذخیره داده‌ها در محیط برنامه‌نویسی
• 34. اسکریپت‌نویسی پایه برای خودکارسازی وظایف
• 35. کنترل نسخه با Git و GitHub (مبانی)
• 36. معرفی Matplotlib: پایه بصری‌سازی در پایتون
• 37. ایجاد نمودارهای پایه با Matplotlib (خطی، میله‌ای، پراکندگی)
• 38. سفارشی‌سازی نمودارهای Matplotlib: محورها، برچسب‌ها، عنوان‌ها
• 39. ساب‌پلات‌ها و چیدمان‌ها در Matplotlib
• 40. معرفی Seaborn: بصری‌سازی آماری در پایتون
• 41. نمودارهای آماری پیشرفته با Seaborn (Distplot, Pairplot)
• 42. سفارشی‌سازی زیبایی‌شناسی Seaborn
• 43. خروجی گرفتن از بصری‌سازی‌های استاتیک
• 44. مقدمه‌ای بر D3.js: مفهوم و کاربردها (مبتنی بر وب)
• 45. اصول SVG برای بصری‌سازی وب
• 46. اتصال داده (Data Binding) در D3.js (مفاهیم)
• 47. مقدمه‌ای بر بصری‌سازی تعاملی
• 48. مدیریت رویدادها در بصری‌سازی (Event Handling)
• 49. راهنمای ابزار (Tooltips) و جلوه‌های هاور (Hover Effects)
• 50. قابلیت‌های زوم و پان در بصری‌سازی
• 51. فیلتر کردن و انتخاب داده‌ها به صورت پویا
• 52. معرفی Plotly: بصری‌سازی‌های تعاملی (پایتون/جاوااسکریپت)
• 53. ایجاد نمودارهای تعاملی پایه با Plotly Express
• 54. سفارشی‌سازی نمودارها و چیدمان‌های Plotly
• 55. معرفی Altair: بصری‌سازی اظهاری (Declarative Visualization) در پایتون
• 56. اصول دستور زبان گرافیک (Grammar of Graphics) با Vega-Lite/Altair
• 57. ایجاد نمودارهای تعاملی با Altair
• 58. معرفی Bokeh: نمودارکشی تعاملی تحت وب (پایتون)
• 59. ساخت نمودارهای تعاملی با Bokeh
• 60. ادغام Bokeh در برنامه‌های کاربردی وب
• 61. معرفی Dash: ساخت داشبوردهای تعاملی تحت وب (پایتون)
• 62. چیدمان و کامپوننت‌های Dash
• 63. Callbacks در Dash: پویاسازی داشبوردها
• 64. مدیریت وضعیت در برنامه‌های کاربردی تعاملی
• 65. طراحی داشبوردهای تعاملی: بهترین شیوه‌ها
• 66. تجربه کاربری (UX) برای ابزارهای بصری‌سازی
• 67. بهینه‌سازی عملکرد برای مجموعه‌داده‌های بزرگ
• 68. مفاهیم بصری‌سازی داده‌های بلادرنگ (Real-time)
• 69. داده‌های جریانی (Streaming Data) و داشبوردهای زنده
• 70. تجمیع داده‌ها برای افزایش عملکرد
• 71. ساخت کامپوننت‌های تعاملی سفارشی
• 72. ادغام چند بصری‌سازی در یک داشبورد منسجم
• 73. اصول داستان‌سرایی در طراحی داشبورد
• 74. دسترسی‌پذیری (Accessibility) در ابزارهای بصری‌سازی
• 75. بین‌المللی‌سازی ابزارهای بصری‌سازی
• 76. معرفی فریم‌ورک‌های وب برای ابزارهای داده (Flask/Django)
• 77. مفاهیم API: اتصال فرانت‌اند به بک‌اند
• 78. ذخیره و بازیابی داده‌ها از پایگاه‌های داده (مبانی SQL/NoSQL)
• 79. احراز هویت و مجوز کاربر برای ابزارهای تحلیلی
• 80. استراتژی‌های استقرار برنامه‌های کاربردی وب (پلتفرم‌های ابری)
• 81. کانتینرسازی با Docker (مقدمه‌ای)
• 82. ایمن‌سازی ابزارهای بصری‌سازی داده
• 83. پایش (Monitoring) و ثبت گزارش (Logging) برای برنامه‌های در حال تولید
• 84. معرفی سرویس‌های بصری‌سازی مبتنی بر ابر
• 85. بصری‌سازی جغرافیایی پیشرفته: Leaflet/Folium
• 86. انیمیشن و بازپخش داده‌های سری زمانی
• 87. تعامل‌پذیری نمودارهای شبکه‌ای و الگوریتم‌های چیدمان
• 88. سفارشی‌سازی بصری‌سازی‌های D3.js (بررسی عمیق‌تر)
• 89. ساخت نمودارهای تعاملی سفارشی و منحصربه‌فرد
• 90. بصری‌سازی‌های پارامتری و ورودی‌های کاربر
• 91. تفسیرپذیری مدل‌های یادگیری ماشین با بصری‌سازی (SHAP, LIME)
• 92. بصری‌سازی تست A/B برای تجربه کاربری
• 93. روایت‌های داده با Scrollytelling
• 94. واقعیت مجازی (VR) و واقعیت افزوده (AR) در بصری‌سازی (مرور کلی)
• 95. برنامه‌ریزی یک پروژه بصری‌سازی پویا
• 96. جمع‌آوری الزامات و تعریف دامنه پروژه
• 97. انتخاب ابزارها و فناوری‌های مناسب برای یک پروژه
• 98. توسعه تکراری ابزارهای بصری‌سازی
• 99. ارائه و مستندسازی ابزار تحلیل پویای خود
• 100. روندهای آینده در بصری‌سازی داده و ابزارهای پویا