🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: SQL و Machine Learning with SQL

موضوع کلی: برنامه نویسی

موضوع میانی: SQL

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر پایگاه‌های داده و SQL
• 2. پایگاه‌های داده رابطه‌ای (Relational Databases) چیستند؟
• 3. نصب و راه‌اندازی محیط کار با SQL
• 4. آشنایی با ساختار یک کوئری SQL
• 5. دستور SELECT: بازیابی داده‌ها
• 6. دستور FROM: مشخص کردن جدول منبع
• 7. دستور WHERE: فیلتر کردن رکوردها
• 8. عملگرهای مقایسه‌ای (=، <>، >، <، >=، <=)
• 9. عملگرهای منطقی AND، OR و NOT
• 10. فیلتر کردن با استفاده از BETWEEN و IN
• 11. جستجوی الگو با دستور LIKE
• 12. کار با مقادیر NULL
• 13. مرتب‌سازی نتایج با ORDER BY
• 14. محدود کردن تعداد نتایج با LIMIT یا TOP
• 15. توابع تجمعی: COUNT، SUM و AVG
• 16. توابع تجمعی: MIN و MAX
• 17. گروه‌بندی نتایج با GROUP BY
• 18. فیلتر کردن گروه‌ها با HAVING
• 19. ترتیب اجرای دستورات در یک کوئری
• 20. مفهوم کلید اصلی (Primary Key) و کلید خارجی (Foreign Key)
• 21. اتصال جداول: INNER JOIN
• 22. اتصال جداول: LEFT JOIN و RIGHT JOIN
• 23. اتصال جداول: FULL OUTER JOIN
• 24. اتصال خودکار جدول به خودش (Self Join)
• 25. ترکیب نتایج با UNION و UNION ALL
• 26. زیرکوئری‌ها (Subqueries)
• 27. زیرکوئری‌های مرتبط (Correlated Subqueries)
• 28. عبارات جدول مشترک (Common Table Expressions - CTEs)
• 29. دستور INSERT INTO: درج داده‌های جدید
• 30. دستور UPDATE: به‌روزرسانی داده‌های موجود
• 31. دستور DELETE: حذف داده‌ها
• 32. ایجاد جداول با CREATE TABLE
• 33. انواع داده‌های رایج در SQL
• 34. محدودیت‌ها (Constraints): NOT NULL, UNIQUE, CHECK
• 35. تغییر ساختار جداول با ALTER TABLE
• 36. حذف جداول با DROP TABLE
• 37. کار با تاریخ و زمان: توابع مربوط به تاریخ
• 38. کار با رشته‌ها: توابع متنی
• 39. توابع ریاضی در SQL
• 40. دستور CASE: منطق شرطی در کوئری‌ها
• 41. توابع پنجره‌ای (Window Functions): مقدمه و OVER()
• 42. توابع رتبه‌بندی: ROW_NUMBER, RANK, DENSE_RANK
• 43. توابع تحلیلی: LAG و LEAD
• 44. توابع تجمعی پنجره‌ای (Moving Averages)
• 45. مفهوم View و کاربردهای آن
• 46. مفهوم Index و تاثیر آن بر عملکرد
• 47. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
• 48. نقش SQL در فرآیند یادگیری ماشین
• 49. انواع یادگیری ماشین: نظارت‌شده، نظارت‌نشده و تقویتی
• 50. مسائل رگرسیون (Regression) در مقابل مسائل طبقه‌بندی (Classification)
• 51. چرخه حیات یک پروژه یادگیری ماشین
• 52. آمار توصیفی با SQL: میانگین، میانه و مد
• 53. محاسبه واریانس و انحراف معیار با SQL
• 54. مفهوم همبستگی (Correlation) و محاسبه آن در SQL
• 55. مفهوم مجموعه داده‌های آموزشی، اعتبارسنجی و تست
• 56. تقسیم داده‌ها به مجموعه‌های آموزشی و تست با SQL
• 57. پاک‌سازی داده‌ها (Data Cleaning) با SQL
• 58. شناسایی و مدیریت داده‌های تکراری
• 59. استراتژی‌های مدیریت مقادیر گمشده (Missing Values) با SQL
• 60. شناسایی داده‌های پرت (Outliers) با استفاده از SQL
• 61. مهندسی ویژگی (Feature Engineering) چیست؟
• 62. ایجاد ویژگی‌های جدید از ستون‌های موجود
• 63. استخراج ویژگی از تاریخ و زمان (مانند روز هفته، ماه)
• 64. استخراج ویژگی از داده‌های متنی (مانند طول رشته)
• 65. تبدیل داده‌ها: نرمال‌سازی و استانداردسازی با SQL
• 66. گسسته‌سازی (Binning) متغیرهای پیوسته با دستور CASE
• 67. کدگذاری وان-هات (One-Hot Encoding) با SQL
• 68. کدگذاری برچسبی (Label Encoding) با SQL
• 69. ایجاد ویژگی‌های تجمعی (Aggregated Features)
• 70. نمونه‌برداری (Sampling) از داده‌ها در SQL
• 71. مقدمه‌ای بر پیاده‌سازی الگوریتم‌های ML با SQL
• 72. رگرسیون خطی ساده: محاسبه شیب و عرض از مبدا با SQL
• 73. پیش‌بینی با مدل رگرسیون خطی ساخته‌شده در SQL
• 74. الگوریتم K-نزدیک‌ترین همسایه (KNN): محاسبه فاصله اقلیدسی
• 75. پیاده‌سازی طبقه‌بندی KNN برای یک نمونه با SQL
• 76. الگوریتم خوشه‌بندی K-Means: مفهوم و مراحل
• 77. پیاده‌سازی یک مرحله از الگوریتم K-Means با SQL
• 78. الگوریتم Naive Bayes: محاسبه احتمالات با SQL
• 79. مفهوم درخت تصمیم (Decision Tree)
• 80. پیاده‌سازی یک درخت تصمیم ساده برای پیش‌بینی با دستور CASE
• 81. ارزیابی مدل‌های طبقه‌بندی: ماتریس درهم‌ریختگی (Confusion Matrix)
• 82. محاسبه ماتریس درهم‌ریختگی با SQL
• 83. محاسبه دقت (Accuracy)، صحت (Precision) و بازیابی (Recall) با SQL
• 84. محاسبه امتیاز F1-Score با SQL
• 85. ارزیابی مدل‌های رگرسیون: MAE, MSE, RMSE
• 86. محاسبه خطاهای مدل رگرسیون با SQL
• 87. مقدمه‌ای بر یادگیری ماشین درون پایگاه داده (In-Database ML)
• 88. آشنایی با BigQuery ML
• 89. ایجاد و آموزش یک مدل رگرسیون با دستور CREATE MODEL در BigQuery ML
• 90. انجام پیش‌بینی با دستور ML.PREDICT
• 91. ارزیابی مدل با دستور ML.EVALUATE
• 92. آشنایی با خدمات یادگیری ماشین در SQL Server
• 93. آشنایی با قابلیت‌های ML در PostgreSQL (مانند MADlib)
• 94. آشنایی با قابلیت‌های ML در Amazon Redshift
• 95. مطالعه موردی ۱: پیش‌بینی ریزش مشتری (Customer Churn) با SQL
• 96. مطالعه موردی ۲: پیش‌بینی فروش (Sales Forecasting) با SQL
• 97. مطالعه موردی ۳: بخش‌بندی مشتریان (Customer Segmentation) با SQL
• 98. پروژه نهایی: تعریف مسئله تا ارزیابی مدل
• 99. جمع‌بندی و مسیرهای آینده برای یادگیری بیشتر
• 100. SQL پیشرفته برای مهندسی ویژگی (Feature Engineering): توابع پنجره‌ای، عبارات جدولی مشترک (CTE) و Pivot Table**