کتاب تحلیل داده‌های علمی و تجاری با پایتون با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های علمی و تجاری با پایتون

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: تحلیل داده با پایتون

📋 سرفصل‌های دوره

• 1. مبانی علوم کامپیوتر
• 2. مفاهیم پایه مهندسی نرم‌افزار
• 3. مقدمه‌ای بر تحلیل داده
• 4. چرا تحلیل داده؟
• 5. کاربرد تحلیل داده در علوم و تجارت
• 6. نصب و پیکربندی محیط پایتون
• 7. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 8. انواع داده در پایتون
• 9. ساختارهای داده: لیست‌ها و تاپل‌ها
• 10. ساختارهای داده: دیکشنری‌ها و مجموعه‌ها
• 11. عملگرها در پایتون
• 12. دستورات شرطی و حلقه‌ها
• 13. توابع در پایتون
• 14. ماژول‌ها و بسته‌های پایتون
• 15. مقدمه‌ای بر کتابخانه NumPy
• 16. آرایه‌های NumPy
• 17. عملیات بر روی آرایه‌های NumPy
• 18. توابع ریاضی NumPy
• 19. مقدمه‌ای بر کتابخانه Pandas
• 20. ساختار داده Series در Pandas
• 21. ساختار داده DataFrame در Pandas
• 22. بارگذاری و ذخیره داده‌ها در Pandas
• 23. انتخاب و فیلتر کردن داده‌ها در Pandas
• 24. عملیات بر روی ستون‌ها و ردیف‌ها
• 25. ادغام و پیوستن DataFrames
• 26. گروه‌بندی و تجمیع داده‌ها
• 27. عملیات پنجره‌ای در Pandas
• 28. کار با داده‌های گمشده
• 29. کار با داده‌های پرت
• 30. پاکسازی داده‌ها
• 31. تبدیل داده‌ها
• 32. مهندسی ویژگی
• 33. مقدمه‌ای بر مصورسازی داده‌ها
• 34. کتابخانه Matplotlib
• 35. انواع نمودارها در Matplotlib
• 36. شخصی‌سازی نمودارها
• 37. کتابخانه Seaborn
• 38. نمودارهای آماری در Seaborn
• 39. مصورسازی داده‌های طبقه‌بندی شده
• 40. مصورسازی داده‌های پیوسته
• 41. مصورسازی توزیع داده‌ها
• 42. مصورسازی روابط بین متغیرها
• 43. مقدمه‌ای بر آمار توصیفی
• 44. میانگین، میانه و مد
• 45. واریانس و انحراف معیار
• 46. چارک‌ها و دامنه بین چارکی
• 47. مقدمه‌ای بر آمار استنباطی
• 48. مفهوم نمونه و جامعه
• 49. توزیع‌های احتمالاتی
• 50. آزمون فرض آماری
• 51. مقدمه‌ای بر یادگیری ماشین
• 52. انواع یادگیری ماشین
• 53. یادگیری نظارت شده
• 54. یادگیری نظارت نشده
• 55. رگرسیون خطی
• 56. ارزیابی مدل‌های رگرسیون
• 57. طبقه‌بندی
• 58. الگوریتم K-نزدیک‌ترین همسایه
• 59. الگوریتم درخت تصمیم
• 60. ارزیابی مدل‌های طبقه‌بندی
• 61. مقدمه‌ای بر پردازش زبان طبیعی
• 62. توکن‌سازی
• 63. ریشه‌یابی کلمات
• 64. برچسب‌گذاری اجزای کلام
• 65. تحلیل احساسات
• 66. شبکه‌های عصبی و یادگیری عمیق
• 67. مقدمه‌ای بر شبکه‌های عصبی
• 68. شبکه‌های عصبی پرسپترون چندلایه
• 69. مقدمه‌ای بر یادگیری عمیق
• 70. کاربرد یادگیری عمیق در تحلیل داده
• 71. مقدمه‌ای بر تحلیل سری‌های زمانی
• 72. شناسایی روند
• 73. شناسایی فصلی بودن
• 74. پیش‌بینی سری‌های زمانی
• 75. بهینه‌سازی مدل‌ها
• 76. تنظیم هایپرپارامترها
• 77. اعتبارسنجی متقابل
• 78. کاربرد تحلیل داده در حوزه سلامت
• 79. کاربرد تحلیل داده در حوزه مالی
• 80. کاربرد تحلیل داده در حوزه بازاریابی
• 81. کاربرد تحلیل داده در حوزه تولید
• 82. کاربرد تحلیل داده در حوزه حمل و نقل
• 83. کاربرد تحلیل داده در حوزه انرژی
• 84. کاربرد تحلیل داده در حوزه آموزش
• 85. اخلاق در تحلیل داده
• 86. حریم خصوصی داده‌ها
• 87. امنیت داده‌ها
• 88. مقدمه‌ای بر داده‌های بزرگ
• 89. معماری سیستم‌های داده بزرگ
• 90. ابزارهای تحلیل داده بزرگ
• 91. چالش‌های تحلیل داده بزرگ
• 92. آینده تحلیل داده
• 93. مفاهیم پیشرفته در پایتون برای تحلیل داده
• 94. برنامه‌نویسی شیءگرا در پایتون
• 95. مدیریت خطاها و استثناها
• 96. بهینه‌سازی عملکرد کد پایتون
• 97. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای
• 98. زبان SQL
• 99. کوئری‌نویسی در SQL
• 100. مقدمه‌ای بر پایگاه‌های داده NoSQL