فلش‌کارت‌های آموزشی مصورسازی داده با Matplotlib و Seaborn: داستان‌گویی با داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مصورسازی داده با Matplotlib و Seaborn: داستان‌گویی با داده

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های دوره

• 1. نصب و راه‌اندازی Python و محیط توسعه (IDE)
• 2. مقدمه‌ای بر علم داده و اهمیت مصورسازی داده
• 3. نصب و راه‌اندازی Matplotlib و Seaborn
• 4. مبانی NumPy برای کار با داده‌ها
• 5. آشنایی با Pandas و ساختار داده DataFrame
• 6. وارد کردن داده‌ها از فایل‌های مختلف (CSV, Excel, ...)
• 7. پاکسازی و آماده‌سازی داده‌ها
• 8. آشنایی با انواع نمودارها (Histogram, Scatter plot, Bar chart, ...)
• 9. تنظیمات اولیه نمودارها (عنوان، برچسب‌ها، محورها)
• 10. رسم نمودارهای ساده با Matplotlib
• 11. رسم نمودارهای پراکندگی (Scatter plots)
• 12. رسم هیستوگرام و نمودارهای فراوانی (Histograms & Frequency distributions)
• 13. رسم نمودارهای میله‌ای (Bar charts)
• 14. رسم نمودارهای دایره‌ای (Pie charts)
• 15. افزودن برچسب‌ها و راهنماها به نمودارها
• 16. تنظیم اندازه و رنگ نمودارها
• 17. استفاده از سبک‌ها و تم‌های Matplotlib
• 18. ایجاد زیرنمودارها (Subplots)
• 19. رسم نمودارهای چندگانه در یک صفحه
• 20. ذخیره نمودارها در فرمت‌های مختلف (PNG, JPG, ...)
• 21. آشنایی با Seaborn و مزایای آن
• 22. تفاوت‌های Matplotlib و Seaborn
• 23. رسم نمودارهای آماری با Seaborn (Distribution plots)
• 24. نمودار توزیع تک متغیره (Histplot, Kdeplot)
• 25. نمودار توزیع دو متغیره (Jointplot)
• 26. نمودارهای دسته‌ای با Seaborn (Categorical plots)
• 27. نمودارهای جعبه‌ای (Box plots)
• 28. نمودارهای ویولن (Violin plots)
• 29. نمودارهای نقطه‌ای (Strip plots, Swarm plots)
• 30. نمودارهای میله‌ای دسته‌ای با Seaborn (Countplot)
• 31. نمودارهای رابطه ای با Seaborn (Relational plots)
• 32. نمودارهای خطی (Line plots)
• 33. نمودارهای پراکندگی با Seaborn (Scatter plots)
• 34. تنظیمات پیشرفته نمودارها در Seaborn
• 35. استفاده از رنگ‌ها و پالت‌های رنگی در Seaborn
• 36. تنظیم سبک و تم‌های Seaborn
• 37. آشنایی با داده‌های دسته‌ای و استفاده از آنها در نمودارها
• 38. گروه‌بندی داده‌ها و ایجاد نمودارها بر اساس گروه‌ها
• 39. تحلیل داده‌های طبقه‌ای با استفاده از نمودارها
• 40. کار با داده‌های زمانی و رسم نمودارهای سری زمانی
• 41. تغییر مقیاس محورها (Logarithmic scales)
• 42. استفاده از کتابخانه های جانبی برای زیباسازی نمودارها
• 43. ترکیب Matplotlib و Seaborn برای ایجاد نمودارهای پیچیده
• 44. مصورسازی نقشه‌ها با استفاده از Basemap (اختیاری)
• 45. مصورسازی داده‌های جغرافیایی با GeoPandas (اختیاری)
• 46. ایجاد انیمیشن‌های ساده با Matplotlib (اختیاری)
• 47. تعامل با نمودارها (Zoom, Pan, ...) (اختیاری)
• 48. معرفی کتابخانه Plotly برای مصورسازی تعاملی (اختیاری)
• 49. آشنایی با نمودارهای سه بعدی با Matplotlib (اختیاری)
• 50. بهبود خوانایی نمودارها و انتخاب مناسب‌ترین نوع نمودار
• 51. نکات مهم در انتخاب رنگ‌ها و سبک‌ها برای مخاطبان مختلف
• 52. اصول طراحی بصری برای نمودارها (Visual design principles)
• 53. اصول داستان‌گویی با داده‌ها (Data storytelling)
• 54. اهمیت انتخاب داده‌های مناسب برای نمایش
• 55. شناخت انواع داده‌ها و چگونگی مصورسازی آنها
• 56. کاربرد نمودارها در حوزه‌های مختلف (تجارت، سلامت، ...)
• 57. ارتباط بین داده‌ها و روایت داستان
• 58. توضیح و تفسیر نمودارها به زبان ساده
• 59. استفاده از نمودارها برای کشف الگوها و روندها
• 60. ایجاد داشبوردهای ساده با Matplotlib
• 61. ایجاد گزارش‌های داده‌ای با استفاده از نمودارها
• 62. استفاده از نمودارها برای مقایسه داده‌ها
• 63. مقایسه عملکرد Matplotlib و Seaborn
• 64. بهینه‌سازی نمودارها برای ارائه
• 65. استفاده از ابزارهای تعاملی برای ارائه نمودارها
• 66. معرفی کتابخانه‌های تخصصی مصورسازی (Bokeh, Altair) (اختیاری)
• 67. شناخت محدودیت‌های مصورسازی داده
• 68. مبانی آمار توصیفی برای مصورسازی داده‌ها
• 69. محاسبه میانگین، میانه، و انحراف معیار و نمایش آن‌ها در نمودارها
• 70. بررسی همبستگی بین داده‌ها و نمایش آن
• 71. ایجاد نمودارهای خطای (Error bars)
• 72. نمایش داده‌های پرت (Outliers) و تأثیر آن‌ها
• 73. مقایسه توزیع‌های داده با استفاده از نمودارها
• 74. استفاده از نمودارها برای تحلیل داده‌های کمی و کیفی
• 75. نمودارهای ترکیبی (Mixed charts)
• 76. استفاده از نمودارها برای شناسایی و رفع مشکلات داده‌ها
• 77. رسم نمودارهای سفارشی (Customization)
• 78. ایجاد الگوهای تکراری برای نمودارها
• 79. ذخیره و بازیابی تنظیمات نمودارها
• 80. بهره‌وری و خودکارسازی فرآیند مصورسازی
• 81. کار با داده‌های بزرگ و بهینه‌سازی عملکرد
• 82. انتخاب مناسب‌ترین ابزار برای نیازهای مختلف
• 83. نحوه ارائه داده‌ها به مخاطبان مختلف
• 84. نکات کلیدی برای ارائه مؤثر
• 85. اصول طراحی اسلاید برای ارائه نمودارها
• 86. استفاده از ابزارهای کمکی در ارائه (PowerPoint, Google Slides)
• 87. نقش مصورسازی داده در تصمیم‌گیری
• 88. چالش‌های پیش روی مصورسازی داده
• 89. آینده مصورسازی داده
• 90. منابع و مراجع برای یادگیری بیشتر
• 91. تمرینات عملی و پروژه‌های واقعی
• 92. مروری بر مفاهیم کلیدی دوره
• 93. جمع‌بندی و نتیجه‌گیری
• 94. پروژه نهایی: مصورسازی یک مجموعه داده کامل
• 95. ارائه و بازخورد پروژه نهایی
• 96. منابع و ابزارهای تکمیلی
• 97. گام‌های بعدی در یادگیری مصورسازی داده
• 98. سفارشی‌سازی پیشرفته نمودارها: رنگ، فونت، سبک و تم‌های Seaborn
• 99. اصول داستان‌گویی با داده: انتخاب نمودار مناسب، افزودن متن و حاشیه‌نویسی
• 100. ترکیب و چیدمان چند نمودار: Subplots، Gridspec و FacetGrids