فلش‌کارت‌های آموزشی مبانی علم داده: از داده تا دانش کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی علم داده: از داده تا دانش کاربردی

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: علم داده و تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و اهمیت آن
• 2. فصل اول: آشنایی با مفاهیم کلیدی علم داده
• 3. فصل دوم: انواع داده‌ها و ساختارهای آن‌ها
• 4. فصل سوم: جمع‌آوری و منابع داده در ایران
• 5. فصل چهارم: مراحل پایپ‌لاین علم داده
• 6. فصل پنجم: پاکسازی و پیش‌پردازش داده‌ها
• 7. فصل ششم: تکنیک‌های مدیریت داده‌های گمشده
• 8. فصل هفتم: شناسایی و حذف داده‌های پرت (Outliers)
• 9. فصل هشتم: نرمال‌سازی و استانداردسازی داده‌ها
• 10. فصل نهم: مهندسی ویژگی (Feature Engineering)
• 11. فصل دهم: انتخاب ویژگی‌های مرتبط
• 12. فصل یازدهم: مقدمه‌ای بر تحلیل اکتشافی داده (EDA)
• 13. فصل دوازدهم: مصورسازی داده‌ها با ابزارهای استاندارد
• 14. فصل سیزدهم: نمودارهای میله‌ای و خطی برای تحلیل
• 15. فصل چهاردهم: نمودارهای پراکندگی و هیستوگرام
• 16. فصل پانزدهم: نقش نمودارهای جعبه‌ای (Box Plots)
• 17. فصل شانزدهم: تحلیل آماری توصیفی داده‌ها
• 18. فصل هفدهم: مفاهیم احتمال و توزیع‌های آماری
• 19. فصل هجدهم: آشنایی با مفاهیم رگرسیون خطی
• 20. فصل نوزدهم: مقدمه‌ای بر رگرسیون لجستیک
• 21. فصل بیستم: ارزیابی مدل‌های رگرسیون
• 22. فصل بیست و یکم: مفاهیم طبقه‌بندی (Classification)
• 23. فصل بیست و دوم: الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 24. فصل بیست و سوم: درخت‌های تصمیم (Decision Trees)
• 25. فصل بیست و چهارم: مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 26. فصل بیست و پنجم: ارزیابی مدل‌های طبقه‌بندی
• 27. فصل بیست و ششم: معیارهای ارزیابی: دقت، صحت و بازیابی
• 28. فصل بیست و هفتم: ماتریس درهم‌ریختگی (Confusion Matrix)
• 29. فصل بیست و هشتم: مفاهیم خوشه‌بندی (Clustering)
• 30. فصل بیست و نهم: الگوریتم K-Means
• 31. فصل سی‌ام: خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 32. فصل سی و یکم: ارزیابی مدل‌های خوشه‌بندی
• 33. فصل سی و دوم: مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 34. فصل سی و سوم: کاربردهای علم داده در حوزه‌های مختلف
• 35. فصل سی و چهارم: علم داده در صنعت و تجارت
• 36. فصل سی و پنجم: علم داده در سلامت و پزشکی
• 37. فصل سی و ششم: علم داده در امور مالی و بانکی (بدون ربا)
• 38. فصل سی و هفتم: علم داده در حمل و نقل و لجستیک
• 39. فصل سی و هشتم: علم داده در حوزه حکمرانی و خدمات عمومی
• 40. فصل سی و نهم: اخلاق در علم داده و حریم خصوصی
• 41. فصل چهلم: مسئولیت‌پذیری در استفاده از داده‌ها
• 42. فصل چهل و یکم: سوگیری در داده‌ها و مدل‌ها
• 43. فصل چهل و دوم: مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 44. فصل چهل و سوم: تحلیل احساسات (Sentiment Analysis)
• 45. فصل چهل و چهارم: استخراج اطلاعات از متون
• 46. فصل چهل و پنجم: مقدمه‌ای بر شبکه‌های عصبی
• 47. فصل چهل و ششم: شبکه‌های عصبی کانولوشنال (CNN)
• 48. فصل چهل و هفتم: شبکه‌های عصبی بازگشتی (RNN)
• 49. فصل چهل و هشتم: مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 50. فصل چهل و نهم: ابزارها و زبان‌های برنامه‌نویسی علم داده
• 51. فصل پنجاهم: آشنایی با Python برای علم داده
• 52. فصل پنجاه و یکم: کتابخانه NumPy برای محاسبات عددی
• 53. فصل پنجاه و دوم: کتابخانه Pandas برای تحلیل داده
• 54. فصل پنجاه و سوم: کتابخانه Matplotlib برای مصورسازی
• 55. فصل پنجاه و چهارم: کتابخانه Seaborn برای مصورسازی پیشرفته
• 56. فصل پنجاه و پنجم: مقدمه‌ای بر Scikit-learn
• 57. فصل پنجاه و ششم: پیاده‌سازی مدل‌های یادگیری ماشین با Scikit-learn
• 58. فصل پنجاه و هفتم: آشنایی با SQL برای مدیریت پایگاه داده
• 59. فصل پنجاه و هشتم: کوئری‌های پایه در SQL
• 60. فصل پنجاه و نهم: ترکیب داده‌ها با JOIN در SQL
• 61. فصل شصتم: مقدمه‌ای بر Big Data و اکوسیستم آن
• 62. فصل شصت و یکم: مفاهیم Hadoop و MapReduce
• 63. فصل شصت و دوم: آشنایی با Spark برای پردازش توزیع‌شده
• 64. فصل شصت و سوم: ذخیره‌سازی داده‌های کلان (Data Warehousing)
• 65. فصل شصت و چهارم: مفاهیم Data Lake
• 66. فصل شصت و پنجم: مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 67. فصل شصت و ششم: بهینه‌سازی مدل‌ها و تنظیم پارامترها
• 68. فصل شصت و هفتم: اعتبارسنجی متقابل (Cross-Validation)
• 69. فصل شصت و هشتم: جلوگیری از بیش‌برازش (Overfitting)
• 70. فصل شصت و نهم: کاهش ابعاد (Dimensionality Reduction)
• 71. فصل هفتادم: تحلیل مولفه‌های اصلی (PCA)
• 72. فصل هفتاد و یکم: تکنیک t-SNE برای مصورسازی ابعاد پایین
• 73. فصل هفتاد و دوم: مقدمه‌ای بر مدل‌های سری زمانی
• 74. فصل هفتاد و سوم: پیش‌بینی با مدل‌های سری زمانی
• 75. فصل هفتاد و چهارم: تحلیل سببی (Causal Inference)
• 76. فصل هفتاد و پنجم: معرفی ابزارهای گزارش‌دهی تعاملی
• 77. فصل هفتاد و ششم: اصول طراحی داشبوردهای مدیریتی
• 78. فصل هفتاد و هفتم: مفاهیم A/B Testing
• 79. فصل هفتاد و هشتم: پیاده‌سازی A/B Testing در عمل
• 80. فصل هفتاد و نهم: مقدمه‌ای بر یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 81. فصل هشتادم: مقدمه‌ای بر یادگیری خودران (Self-Supervised Learning)
• 82. فصل هشتاد و یکم: مقدمه‌ای بر سیستم‌های توصیه‌گر (Recommender Systems)
• 83. فصل هشتاد و دوم: فیلترینگ مشارکتی (Collaborative Filtering)
• 84. فصل هشتاد و سوم: فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 85. فصل هشتاد و چهارم: ارزیابی سیستم‌های توصیه‌گر
• 86. فصل هشتاد و پنجم: مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-task Learning)
• 87. فصل هشتاد و ششم: مقدمه‌ای بر یادگیری انتقالی در NLP
• 88. فصل هشتاد و هفتم: مدل‌های زبانی بزرگ (LLMs) و کاربردهای آن‌ها
• 89. فصل هشتاد و هشتم: مقدمه‌ای بر اتوماسیون فرآیندهای هوشمند (IPA)
• 90. فصل هشتاد و نهم: تحلیل داده‌های گراف (Graph Data Analysis)
• 91. فصل نودم: مقدمه‌ای بر داده‌های مکانی (Spatial Data)
• 92. فصل نود و یکم: تحلیل داده‌های مکانی و مصورسازی
• 93. فصل نود و دوم: چالش‌های داده در مقیاس بزرگ
• 94. فصل نود و سوم: امنیت داده‌ها و حفاظت از اطلاعات
• 95. فصل نود و چهارم: قوانین و مقررات مرتبط با داده در ایران
• 96. فصل نود و پنجم: آینده علم داده و روندهای نوظهور
• 97. فصل نود و ششم: مهارت‌های مورد نیاز برای متخصص علم داده
• 98. فصل نود و هفتم: مسیر شغلی در علم داده
• 99. فصل نود و هشتم: پروژه‌های عملی علم داده (مطالعات موردی)
• 100. فصل نود و نهم: جمع‌بندی و گام‌های بعدی در یادگیری علم داده