کتاب مقدمهای بر تحلیل داده با پایتون: ابزارها و تکنیکهای کاربردی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره مقدمهای بر تحلیل داده با پایتون: ابزارها و تکنیکهای کاربردی
موضوع کلی: علوم کامپیوتر و تحلیل داده
موضوع میانی: تحلیل داده با پایتون
📋 سرفصل‌های دوره
- 1. مقدمه ای بر علوم کامپیوتر و تحلیل داده
- 2. اهمیت تحلیل داده در دنیای امروز
- 3. معرفی زبان برنامه نویسی پایتون
- 4. نصب و پیکربندی محیط توسعه پایتون
- 5. آشنایی با ساختارهای داده پایه در پایتون
- 6. لیست ها، تاپل ها و دیکشنری ها در پایتون
- 7. حلقه ها و دستورات شرطی در پایتون
- 8. توابع و ماژول ها در پایتون
- 9. مقدمه ای بر کتابخانه NumPy
- 10. عملیات پایه با آرایه ها در NumPy
- 11. عملیات ریاضی و آماری با NumPy
- 12. اندیس گذاری و برش آرایه ها در NumPy
- 13. مقدمه ای بر کتابخانه Pandas
- 14. ساختارهای داده DataFrame و Series
- 15. خواندن و نوشتن داده ها در Pandas
- 16. عملیات پایه با DataFrame ها
- 17. انتخاب و فیلتر کردن داده ها
- 18. مرتب سازی و گروه بندی داده ها
- 19. ترکیب و ادغام DataFrame ها
- 20. مدیریت داده های گمشده در Pandas
- 21. پاکسازی و پیش پردازش داده ها
- 22. عملیات تاریخ و زمان در Pandas
- 23. مقدمه ای بر کتابخانه Matplotlib
- 24. رسم نمودارهای خطی و پراکندگی
- 25. رسم نمودارهای میله ای و هیستوگرام
- 26. سفارشی سازی نمودارها
- 27. مقدمه ای بر کتابخانه Seaborn
- 28. نمودارهای آماری پیشرفته با Seaborn
- 29. نقشه های حرارتی و نمودارهای توزیع
- 30. مقدمه ای بر مفاهیم آماری در تحلیل داده
- 31. میانگین، میانه و مد
- 32. واریانس و انحراف معیار
- 33. همبستگی و رگرسیون خطی
- 34. آزمون فرض آماری
- 35. مقدمه ای بر یادگیری ماشین
- 36. یادگیری نظارت شده و بدون نظارت
- 37. مدل های رگرسیون خطی و لجستیک
- 38. مدل های درخت تصمیم
- 39. الگوریتم K-نزدیکترین همسایه (KNN)
- 40. ماشین بردار پشتیبان (SVM)
- 41. مقدمه ای بر خوشه بندی
- 42. الگوریتم K-Means
- 43. مقدمه ای بر کاهش ابعاد
- 44. تحلیل مولفه های اصلی (PCA)
- 45. کاربرد پایتون در تحلیل داده های مالی
- 46. تحلیل سری های زمانی
- 47. پیش بینی قیمت سهام با مدل های ساده
- 48. مقدمه ای بر تحلیل داده های متنی
- 49. پردازش اولیه متن
- 50. شمارش کلمات و TF-IDF
- 51. تحلیل احساسات متنی
- 52. کاربرد پایتون در تحلیل داده های شبکه های اجتماعی
- 53. استخراج و تحلیل داده از پلتفرم ها
- 54. مصورسازی گراف ها
- 55. مقدمه ای بر داده کاوی
- 56. قوانین وابستگی
- 57. مقدمه ای بر سیستم های توصیه گر
- 58. فیلترینگ مبتنی بر محتوا
- 59. فیلترینگ مشارکتی
- 60. مقدمه ای بر مهندسی ویژگی
- 61. ایجاد ویژگی های جدید
- 62. انتخاب ویژگی
- 63. مقدمه ای بر ارزیابی مدل
- 64. معیارهای ارزیابی مدل رگرسیون
- 65. معیارهای ارزیابی مدل طبقه بندی
- 66. اعتبارسنجی متقابل
- 67. مقدمه ای بر بهینه سازی مدل
- 68. تنظیم ابرپارامترها
- 69. مقدمه ای بر هوش تجاری (BI)
- 70. ابزارهای BI و تحلیل داده
- 71. کاربرد پایتون در گزارش دهی BI
- 72. مقدمه ای بر داده های بزرگ (Big Data)
- 73. مفاهیم و چالش های داده های بزرگ
- 74. مقدمه ای بر Hadoop و Spark
- 75. کاربرد پایتون با Spark
- 76. مقدمه ای بر مفاهیم داده های مکانی
- 77. تحلیل داده های جغرافیایی
- 78. مقدمه ای بر داده های سری زمانی پیشرفته
- 79. مدل های ARIMA و SARIMA
- 80. مقدمه ای بر یادگیری عمیق
- 81. شبکه های عصبی مصنوعی
- 82. شبکه های عصبی کانولوشنی (CNN)
- 83. شبکه های عصبی بازگشتی (RNN)
- 84. مقدمه ای بر پردازش زبان طبیعی (NLP)
- 85. مدل های زبانی
- 86. تولید متن با مدل های یادگیری عمیق
- 87. کاربرد پایتون در بهداشت و درمان
- 88. تحلیل داده های پزشکی
- 89. پیش بینی بیماری ها
- 90. کاربرد پایتون در صنعت
- 91. بهینه سازی فرآیندهای تولید
- 92. پیش بینی خرابی تجهیزات
- 93. مقدمه ای بر اخلاق در تحلیل داده
- 94. حریم خصوصی داده ها
- 95. سوگیری در الگوریتم ها
- 96. مسئولیت پذیری در تحلیل داده
- 97. مقدمه ای بر آینده تحلیل داده
- 98. روندهای نوظهور
- 99. نقش پایتون در آینده تحلیل داده
- 100. کاربرد پایتون در کسب و کار آنلاین
تگ‌ها:
ابزارهای تحلیل داده
پانداز
پایتون برای تحلیل داده
تحلیل داده با پایتون
تکنیک های تحلیل داده
علم داده
کتابخانه های پایتون
مقدمه تحلیل داده
مقدمه علم داده
نامپای
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.