کتاب آغازه: پایه‌های علوم داده با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آغازه: پایه‌های علوم داده

موضوع کلی: فناوری اطلاعات و علوم داده

موضوع میانی: Data Science Development Lifecycle Programs

📋 سرفصل‌های دوره

• 1. آغازه: پایه‌های علوم داده
• 2. مقدمه‌ای بر علوم داده و کاربردهای آن
• 3. انواع داده و ساختار آن‌ها
• 4. جمع‌آوری داده‌ها: روش‌ها و منابع
• 5. پاکسازی و آماده‌سازی داده‌ها
• 6. تحلیل اکتشافی داده‌ها (EDA)
• 7. آمار توصیفی برای علوم داده
• 8. مفاهیم احتمال و توزیع‌های احتمال
• 9. نمونه‌گیری و استنباط آماری
• 10. تصویرسازی داده‌ها با نمودارهای پایه
• 11. مقدمه‌ای بر زبان برنامه‌نویسی پایتون برای علوم داده
• 12. کتابخانه‌های اصلی پایتون در علوم داده: NumPy
• 13. کتابخانه‌های اصلی پایتون در علوم داده: Pandas
• 14. کتابخانه‌های اصلی پایتون در علوم داده: Matplotlib
• 15. کتابخانه‌های اصلی پایتون در علوم داده: Seaborn
• 16. مدیریت داده‌ها در پایتون: فایل‌ها و پایگاه داده‌ها
• 17. مقدمه‌ای بر یادگیری ماشین
• 18. یادگیری ماشین نظارت‌شده: رگرسیون خطی
• 19. یادگیری ماشین نظارت‌شده: رگرسیون لجستیک
• 20. یادگیری ماشین نظارت‌شده: درخت‌های تصمیم
• 21. یادگیری ماشین نظارت‌شده: جنگل تصادفی
• 22. یادگیری ماشین نظارت‌شده: ماشین‌های بردار پشتیبان (SVM)
• 23. ارزیابی مدل‌های یادگیری ماشین: معیارها و روش‌ها
• 24. بیش‌برازش و کم‌برازش: تشخیص و درمان
• 25. انتخاب ویژگی و کاهش ابعاد
• 26. یادگیری ماشین بدون نظارت: خوشه‌بندی K-Means
• 27. یادگیری ماشین بدون نظارت: تحلیل مولفه‌های اصلی (PCA)
• 28. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 29. پردازش متن: توکنایز کردن، ریشه‌یابی، حذف کلمات توقف
• 30. مدل‌سازی موضوعی با LDA
• 31. مقدمه‌ای بر شبکه‌های عصبی
• 32. شبکه‌های عصبی پیشخور
• 33. بهینه‌سازی گرادیان کاهشی
• 34. مقدمه‌ای بر یادگیری عمیق
• 35. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 36. شبکه‌های عصبی بازگشتی (RNN) برای پردازش متن
• 37. کار با داده‌های سری زمانی
• 38. پیش‌بینی سری‌های زمانی با مدل‌های ARIMA
• 39. مقدمه‌ای بر پایگاه داده‌های NoSQL
• 40. مقدمه‌ای بر Hadoop و پردازش داده‌های بزرگ
• 41. مقدمه‌ای بر Spark و پردازش داده‌های بزرگ
• 42. استقرار مدل‌های یادگیری ماشین
• 43. اخلاق در علوم داده و حفظ حریم خصوصی
• 44. آینده‌ی علوم داده و روندهای نوظهور