فلش‌کارت‌های آموزشی ساخت نمودارهای آماری برای نمایش خوشه‌بندی

🎓 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. مقدمه بر بصری‌سازی داده و اهمیت آن
• 2. چرا خوشه‌بندی را بصری‌سازی می‌کنیم؟
• 3. اهداف دوره: از داده خام تا نمودار تعاملی
• 4. مفاهیم کلیدی: داده، ویژگی، نمونه، و خوشه
• 5. آشنایی با محیط برنامه‌نویسی پایتون (Jupyter, VS Code)
• 6. نصب و راه‌اندازی کتابخانه‌های ضروری: NumPy, Pandas, Matplotlib, Scikit-learn
• 7. مقدمه‌ای بر کتابخانه NumPy برای کار با آرایه‌های عددی
• 8. مقدمه‌ای بر کتابخانه Pandas و ساختارهای داده آن (DataFrame)
• 9. بارگذاری انواع داده (CSV, Excel) با Pandas
• 10. اولین نگاه به مجموعه داده: متدهای head, info, describe
• 11. بررسی و پاک‌سازی داده‌ها: مقادیر گمشده (Missing Values)
• 12. شناسایی و مدیریت داده‌های پرت (Outliers)
• 13. تبدیل انواع داده (Data Types Conversion)
• 14. مهندسی ویژگی‌های پایه برای خوشه‌بندی
• 15. اهمیت مقیاس‌بندی (Scaling) ویژگی‌ها
• 16. معرفی روش‌های مقیاس‌بندی: StandardScaler
• 17. معرفی روش‌های مقیاس‌بندی: MinMaxScaler
• 18. انتخاب ویژگی‌های مناسب برای بصری‌سازی
• 19. تحلیل اکتشافی داده (EDA) قبل از خوشه‌بندی
• 20. بصری‌سازی توزیع داده‌ها با هیستوگرام و نمودار چگالی
• 21. مقدمه‌ای بر یادگیری بدون نظارت (Unsupervised Learning)
• 22. مفهوم فاصله در خوشه‌بندی: فاصله اقلیدسی
• 23. مفهوم فاصله در خوشه‌بندی: فاصله منهتن
• 24. الگوریتم خوشه‌بندی K-Means: مبانی و منطق کارکرد
• 25. نحوه انتخاب تعداد خوشه‌ها (K) در K-Means
• 26. پیاده‌سازی K-Means با کتابخانه Scikit-learn
• 27. مفهوم مرکز خوشه‌ها (Centroids)
• 28. الگوریتم خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 29. آشنایی با دندوگرام (Dendrogram)
• 30. پیاده‌سازی خوشه‌بندی سلسله‌مراتبی با Scikit-learn
• 31. الگوریتم خوشه‌بندی DBSCAN: مبتنی بر چگالی
• 32. مفاهیم کلیدی در DBSCAN: شعاع (eps) و حداقل نقاط (min_samples)
• 33. پیاده‌سازی DBSCAN با Scikit-learn
• 34. مقایسه الگوریتم‌های K-Means، سلسله‌مراتبی و DBSCAN
• 35. چه زمانی از کدام الگوریتم خوشه‌بندی استفاده کنیم؟
• 36. اصول طراحی یک نمودار مؤثر
• 37. انتخاب نوع نمودار مناسب برای نمایش خوشه‌ها
• 38. نقش رنگ در بصری‌سازی خوشه‌بندی
• 39. انتخاب پالت‌های رنگی مؤثر و قابل تفکیک
• 40. استفاده از شکل و اندازه برای نمایش ابعاد بیشتر
• 41. اهمیت عنوان، برچسب محورها و راهنمای نمودار (Legend)
• 42. چگونه با حاشیه‌نویسی (Annotation) به نمودار عمق ببخشیم؟
• 43. جلوگیری از ایجاد نمودارهای گمراه‌کننده
• 44. مفهوم "نسبت داده به جوهر" (Data-Ink Ratio)
• 45. ساده‌سازی نمودار برای درک بهتر
• 46. مقدمه‌ای بر کتابخانه Matplotlib
• 47. ساختار یک نمودار در Matplotlib: Figure, Axes, Plot
• 48. ایجاد اولین نمودار پراکندگی (Scatter Plot) برای نمایش داده‌ها
• 49. رنگ‌آمیزی نقاط بر اساس برچسب خوشه‌ها
• 50. بصری‌سازی مرکز خوشه‌های K-Means
• 51. سفارشی‌سازی نمودارها در Matplotlib: تغییر رنگ، اندازه و نشانگرها
• 52. مقدمه‌ای بر کتابخانه Seaborn برای نمودارهای زیباتر
• 53. رسم نمودار پراکندگی خوشه‌ها با Seaborn
• 54. استفاده از تابع pairplot برای مشاهده روابط دوتایی ویژگی‌ها
• 55. رسم مرزهای تصمیم‌گیری خوشه‌ها (مفهومی)
• 56. افزودن خطوط کانتور (Contour Lines) برای نمایش چگالی خوشه
• 57. بصری‌سازی همزمان داده‌های خام و نتایج خوشه‌بندی
• 58. ذخیره کردن نمودارها در فرمت‌های مختلف (PNG, SVG)
• 59. ترکیب چند نمودار در یک قاب (Subplots)
• 60. نکات پیشرفته در سفارشی‌سازی ظاهر نمودارها
• 61. چالش بصری‌سازی داده‌های با ابعاد بالا (Curse of Dimensionality)
• 62. مقدمه‌ای بر روش‌های کاهش ابعاد (Dimensionality Reduction)
• 63. تحلیل مؤلفه‌های اصلی (PCA): مبانی تئوری
• 64. کاربرد PCA برای بصری‌سازی داده‌های چندبعدی در دو بعد
• 65. پیاده‌سازی PCA با Scikit-learn
• 66. رسم نمودار خوشه‌ها بر اساس دو مؤلفه اصلی اول
• 67. تفسیر محورهای اصلی در نمودار PCA
• 68. محدودیت‌های PCA در بصری‌سازی ساختارهای غیرخطی
• 69. معرفی t-SNE: کاهش ابعاد غیرخطی
• 70. پیاده‌سازی t-SNE با Scikit-learn
• 71. مقایسه بصری نتایج PCA و t-SNE برای یک مجموعه داده
• 72. تنظیم پارامترهای t-SNE (Perplexity, Iterations)
• 73. معرفی UMAP به عنوان جایگزینی سریع برای t-SNE
• 74. ایجاد نمودارهای پراکندگی سه‌بعدی (3D Scatter Plots)
• 75. بصری‌سازی خوشه‌ها در فضای سه‌بعدی با Matplotlib
• 76. بصری‌سازی برای ارزیابی کیفیت خوشه‌بندی
• 77. نمودار Elbow برای یافتن K بهینه در K-Means
• 78. رسم و تفسیر نمودار Elbow
• 79. تحلیل سیلوئت (Silhouette Analysis): مبانی
• 80. نمودار سیلوئت برای ارزیابی چگالی و تفکیک خوشه‌ها
• 81. رسم و تفسیر نمودارهای سیلوئت
• 82. بصری‌سازی دندوگرام برای خوشه‌بندی سلسله‌مراتبی
• 83. چگونه یک دندوگرام را برای تعیین تعداد خوشه‌ها برش دهیم؟
• 84. استفاده از نقشه حرارتی (Heatmap) برای تحلیل خوشه‌ها
• 85. ترتیب‌دهی مجدد نقشه حرارتی بر اساس خوشه‌ها
• 86. بصری‌سازی نتایج DBSCAN: نمایش نقاط مرکزی، مرزی و نویز
• 87. مقدمه‌ای بر بصری‌سازی تعاملی (Interactive)
• 88. معرفی کتابخانه Plotly و Plotly Express
• 89. ایجاد نمودار پراکندگی تعاملی با Plotly
• 90. افزودن اطلاعات تکمیلی به نقاط نمودار (Hover Data)
• 91. سفارشی‌سازی ظاهر نمودارهای Plotly
• 92. ایجاد نمودارهای پراکندگی سه‌بعدی تعاملی با Plotly
• 93. انیمیشن در بصری‌سازی: نمایش فرآیند خوشه‌بندی
• 94. مقدمه‌ای بر ساخت داشبوردهای ساده با Streamlit یا Dash
• 95. اتصال نتایج خوشه‌بندی به یک داشبورد تعاملی
• 96. اشتراک‌گذاری و جاسازی نمودارهای تعاملی در وب
• 97. پروژه عملی ۱: خوشه‌بندی و بصری‌سازی داده‌های مشتریان
• 98. پروژه عملی ۲: بصری‌سازی خوشه‌های تصاویر یا متون
• 99. داستان‌سرایی با داده (Data Storytelling) از طریق نمودارهای خوشه‌بندی
• 100. اشتباهات رایج در بصری‌سازی نتایج خوشه‌بندی