فلش‌کارت‌های آموزشی تحلیل داده‌های ساختاریافته با پایتون و کتابخانه Pandas

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های ساختاریافته با پایتون و کتابخانه Pandas

موضوع کلی: علوم داده و تحلیل اطلاعات

موضوع میانی: تحلیل داده با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و تحلیل اطلاعات
• 2. مفاهیم کلیدی در تحلیل داده
• 3. اهمیت تحلیل داده در دنیای امروز
• 4. کاربرد پایتون در تحلیل داده
• 5. نصب و راه‌اندازی محیط توسعه پایتون
• 6. آشنایی با Jupyter Notebook
• 7. مبانی زبان پایتون برای تحلیل داده
• 8. انواع داده‌ها در پایتون
• 9. ساختارهای داده‌ای پایتون (لیست‌ها، تاپل‌ها، دیکشنری‌ها)
• 10. عملیات مقدماتی با لیست‌ها و تاپل‌ها
• 11. کار با دیکشنری‌ها و مجموعه‌ها
• 12. توابع در پایتون
• 13. ماژول‌ها و بسته‌های پایتون
• 14. نصب کتابخانه‌های مورد نیاز
• 15. مقدمه‌ای بر کتابخانه NumPy
• 16. آرایه‌های NumPy
• 17. عملیات ریاضی بر روی آرایه‌های NumPy
• 18. نمایه‌گذاری و برش آرایه‌های NumPy
• 19. تغییر شکل آرایه‌های NumPy
• 20. مقدمه‌ای بر کتابخانه Pandas
• 21. ساختار داده Series در Pandas
• 22. ساختار داده DataFrame در Pandas
• 23. ایجاد DataFrame از دیکشنری‌ها و لیست‌ها
• 24. نمایه‌گذاری و انتخاب داده در DataFrame
• 25. فیلتر کردن داده‌ها در DataFrame
• 26. عملیات پایه با DataFrame
• 27. مدیریت داده‌های از دست رفته (Missing Data)
• 28. پاکسازی داده‌های نامنظم
• 29. تبدیل انواع داده در DataFrame
• 30. مرتب‌سازی داده‌ها در DataFrame
• 31. عملیات تجمیعی (Aggregation) در DataFrame
• 32. گروه‌بندی داده‌ها (Grouping)
• 33. ادغام و پیوستن DataFrame ها
• 34. عملیات با تاریخ و زمان در Pandas
• 35. کار با فایل‌های CSV
• 36. خواندن و نوشتن فایل‌های Excel
• 37. کار با پایگاه‌های داده (مقدماتی)
• 38. مقدمه‌ای بر بصری‌سازی داده‌ها
• 39. نمودارهای خطی با Matplotlib
• 40. نمودارهای میله‌ای با Matplotlib
• 41. نمودارهای پراکندگی با Matplotlib
• 42. نمودارهای هیستوگرام با Matplotlib
• 43. نمودارهای جعبه‌ای (Box Plot) با Matplotlib
• 44. مقدمه‌ای بر Seaborn برای بصری‌سازی
• 45. نمودارهای آماری با Seaborn
• 46. نقشه‌های حرارتی (Heatmaps) با Seaborn
• 47. بصری‌سازی داده‌های دسته‌بندی شده
• 48. تنظیمات پیشرفته در Matplotlib و Seaborn
• 49. مقدمه‌ای بر تحلیل آماری داده‌ها
• 50. آمار توصیفی (میانگین، میانه، واریانس)
• 51. توزیع‌های آماری رایج
• 52. آزمون فرض آماری (مقدماتی)
• 53. همبستگی و رگرسیون خطی ساده
• 54. مقدمه‌ای بر یادگیری ماشین
• 55. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 56. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 57. تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی
• 58. مقدمه‌ای بر مدل‌های رگرسیون
• 59. مدل رگرسیون خطی
• 60. ارزیابی مدل‌های رگرسیون
• 61. مقدمه‌ای بر مدل‌های طبقه‌بندی
• 62. مدل رگرسیون لجستیک
• 63. ارزیابی مدل‌های طبقه‌بندی (دقت، صحت، بازیابی)
• 64. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 65. مقدمه‌ای بر درخت‌های تصمیم
• 66. مقدمه‌ای بر جنگل‌های تصادفی (Random Forests)
• 67. کاربرد مدل‌های یادگیری ماشین در تحلیل داده
• 68. مثال عملی: تحلیل داده‌های فروش
• 69. مثال عملی: تحلیل داده‌های مشتریان
• 70. مثال عملی: تحلیل داده‌های مالی (مقدماتی)
• 71. اخلاق در علوم داده
• 72. حریم خصوصی داده‌ها
• 73. امنیت داده‌ها
• 74. مسئولیت‌پذیری در تحلیل داده
• 75. سوگیری در داده‌ها و مدل‌ها
• 76. مقدمه‌ای بر داده‌های متنی
• 77. پردازش اولیه متن (Text Preprocessing)
• 78. نمایش متن به صورت عددی (Bag-of-Words)
• 79. مقدمه‌ای بر تحلیل احساسات (Sentiment Analysis)
• 80. کاربرد تحلیل احساسات در کسب‌وکار
• 81. مقدمه‌ای بر داده‌های سری زمانی
• 82. نمایش داده‌های سری زمانی
• 83. تحلیل روند و فصلیت در سری زمانی
• 84. مقدمه‌ای بر مدل‌های پیش‌بینی سری زمانی
• 85. کاربرد تحلیل سری زمانی در پیش‌بینی
• 86. مباحث پیشرفته در Pandas (توابع سفارشی)
• 87. کاربرد Lambda functions در Pandas
• 88. عملیات پنجره‌ای (Rolling Operations)
• 89. استفاده از MultiIndex در Pandas
• 90. بهینه‌سازی عملکرد در Pandas
• 91. مقدمه‌ای بر ابزارهای مدیریت پروژه در تحلیل داده
• 92. کاربرد Git در پروژه‌های تحلیل داده
• 93. ساختاردهی پروژه‌های تحلیل داده
• 94. مستندسازی کد و نتایج
• 95. ارائه نتایج تحلیل داده به ذینفعان
• 96. آینده علوم داده و تحلیل اطلاعات
• 97. روندهای نوظهور در تحلیل داده
• 98. جمع‌بندی و گام‌های بعدی در یادگیری
• 99. مرور جامع مفاهیم آموخته شده