🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: رمزگشایی از توجه جمعی شهرها: تحلیل داده‌محور اقتصاد و جغرافیا

موضوع کلی: علوم داده و تحلیل شهری

موضوع میانی: تحلیل شبکه‌های پیچیده در علوم اجتماعی

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه ای بر علوم داده و تحلیل شهری
• 2. مفاهیم پایه ای شبکه های پیچیده
• 3. مروری بر مقاله "Economy and Geography Shape the Collective Attention of Cities"
• 4. جغرافیا و اقتصاد شهری: مفاهیم کلیدی
• 5. توجه جمعی: تعریف و اهمیت آن
• 6. مقدمه ای بر نظریه اطلاعات
• 7. جمع آوری داده های شهری: منابع و روش ها
• 8. داده های اقتصادی: شاخص ها و متغیرها
• 9. داده های جغرافیایی: سنجش از دور و GIS
• 10. داده های توجه جمعی: رسانه های اجتماعی و جستجوهای آنلاین
• 11. پاکسازی و پیش پردازش داده های شهری
• 12. تجمیع داده ها: مقیاس های فضایی و زمانی
• 13. تحلیل توصیفی داده های اقتصادی و جغرافیایی
• 14. تحلیل توصیفی داده های توجه جمعی
• 15. مبانی آمار و احتمال برای تحلیل شهری
• 16. آشنایی با زبان برنامه نویسی Python برای تحلیل داده
• 17. آشنایی با کتابخانه های Pandas و NumPy
• 18. مصورسازی داده ها با Matplotlib و Seaborn
• 19. مقدمه ای بر تحلیل شبکه با استفاده از NetworkX
• 20. ساخت شبکه های شهری: گره ها و یال ها
• 21. معیارهای مرکزی در شبکه های شهری
• 22. درجه مرکزی (Degree Centrality)
• 23. بینابینی مرکزی (Betweenness Centrality)
• 24. نزدیکی مرکزی (Closeness Centrality)
• 25. بردار ویژه مرکزی (Eigenvector Centrality)
• 26. تحلیل خوشه بندی در شبکه های شهری
• 27. تشخیص جوامع (Community Detection)
• 28. الگوریتم های لون (Louvain Algorithm)
• 29. الگوریتم لیدن (Leiden Algorithm)
• 30. تحلیل همبستگی بین اقتصاد و توجه جمعی
• 31. تحلیل همبستگی بین جغرافیا و توجه جمعی
• 32. مدل های رگرسیون خطی برای پیش بینی توجه جمعی
• 33. مدل های رگرسیون غیرخطی برای پیش بینی توجه جمعی
• 34. رگرسیون فضایی: در نظر گرفتن وابستگی فضایی
• 35. مدل های فضایی اتورگرسیو (SAR)
• 36. مدل های فضایی خطا (SEM)
• 37. مقدمه ای بر یادگیری ماشین برای تحلیل شهری
• 38. رگرسیون یادگیری ماشین: درخت های تصمیم و جنگل تصادفی
• 39. طبقه بندی یادگیری ماشین: ماشین های بردار پشتیبان (SVM)
• 40. شبکه های عصبی برای تحلیل شهری
• 41. شبکه های عصبی پیشخور (Feedforward Neural Networks)
• 42. شبکه های عصبی کانولوشنال (Convolutional Neural Networks)
• 43. شبکه های عصبی بازگشتی (Recurrent Neural Networks)
• 44. پردازش زبان طبیعی (NLP) برای تحلیل متن
• 45. تحلیل احساسات (Sentiment Analysis)
• 46. مدل سازی موضوعی (Topic Modeling)
• 47. تحلیل سری های زمانی داده های شهری
• 48. مدل های ARIMA
• 49. مدل های SARIMA
• 50. تحلیل فضایی-زمانی داده های شهری
• 51. تحلیل نقاط داغ (Hot Spot Analysis)
• 52. تحلیل الگوهای فضایی-زمانی
• 53. شبیه سازی مبتنی بر عامل (Agent-Based Modeling)
• 54. مدل سازی سیستم های پیچیده شهری
• 55. تحلیل سیاست های شهری با استفاده از داده ها
• 56. ارزیابی تاثیر سیاست ها بر توجه جمعی
• 57. شاخص های عملکرد شهری
• 58. پیش بینی روندهای شهری با استفاده از داده ها
• 59. سناریوسازی و تحلیل آینده
• 60. تحلیل ریسک و آسیب پذیری شهری
• 61. مدل سازی ترافیک و حمل و نقل
• 62. مدل سازی آلودگی هوا
• 63. مدل سازی جرم و جنایت
• 64. تحلیل رفتار شهروندان
• 65. تحلیل شبکه های اجتماعی شهری
• 66. تحلیل داده های تلفن همراه
• 67. تحلیل داده های سنسورهای شهری
• 68. شهر هوشمند و اینترنت اشیا (IoT)
• 69. حریم خصوصی و اخلاق در تحلیل داده های شهری
• 70. چالش های داده های بزرگ در تحلیل شهری
• 71. محاسبات ابری برای تحلیل شهری
• 72. تکنیک های بهینه سازی برای مدل های شهری
• 73. انتخاب ویژگی (Feature Selection)
• 74. کاهش ابعاد (Dimensionality Reduction)
• 75. ارزیابی عملکرد مدل های شهری
• 76. اعتبارسنجی و تعمیم پذیری مدل ها
• 77. ارتباطات و مصورسازی نتایج تحلیل
• 78. گزارش نویسی علمی و فنی
• 79. ارائه یافته ها به ذینفعان
• 80. مطالعات موردی: تحلیل توجه جمعی در شهرهای مختلف
• 81. مقایسه شهرهای مختلف بر اساس شاخص های توجه جمعی
• 82. تفسیر نتایج تحلیل در زمینه سیاست گذاری شهری
• 83. آینده تحلیل داده های شهری
• 84. روندها و چالش های نوظهور
• 85. اخلاق هوش مصنوعی در شهرها
• 86. داده کاوی در داده های بزرگ شهری
• 87. کاربرد یادگیری عمیق در تحلیل شهری
• 88. محاسبات لبه ای برای تحلیل شهری
• 89. داده های باز و مشارکت شهروندان
• 90. توسعه برنامه های کاربردی موبایل برای شهروندان
• 91. تجاری سازی تحلیل داده های شهری
• 92. استارتاپ های حوزه شهر هوشمند
• 93. ارائه پیشنهادهای سیاستی مبتنی بر تحلیل داده
• 94. چالش های جمع آوری و تحلیل داده های کم نماینده
• 95. نقش تحلیل داده در عدالت اجتماعی و برابری شهری
• 96. بررسی اثرات تبعیض در داده های شهری
• 97. داده کاوی اخلاقی و مسئولانه
• 98. ارائه یک پروژه پایانی در تحلیل داده های شهری