فلش‌کارت‌های آموزشی مبانی بصری‌سازی داده با پایتون و Seaborn

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی بصری‌سازی داده با پایتون و Seaborn

موضوع کلی: علوم کامپیوتر و نرم‌افزار

موضوع میانی: تحلیل داده و بصری‌سازی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده و بصری‌سازی
• 2. نصب و راه‌اندازی ابزارهای مورد نیاز
• 3. آشنایی با کتابخانه Seaborn
• 4. مفاهیم پایه در بصری‌سازی داده
• 5. انواع نمودارهای رایج در تحلیل داده
• 6. نمودارهای توزیع یک‌متغیره
• 7. هیستوگرام (Histogram)
• 8. نمودار چگالی کرنل (KDE Plot)
• 9. نمودار جعبه‌ای (Box Plot)
• 10. نمودار ویولن (Violin Plot)
• 11. نمودارهای توزیع دو‌متغیره
• 12. نمودار پراکندگی (Scatter Plot)
• 13. نمودار همبستگی (Correlation Plot)
• 14. نمودار رگرسیون (Regression Plot)
• 15. نمودارهای دسته‌بندی
• 16. نمودار میله‌ای (Bar Plot)
• 17. نمودار خطی (Line Plot)
• 18. نمودار دایره‌ای (Pie Chart) - با احتیاط و تمرکز بر کاربردهای آماری
• 19. نمودار تجمعی (Stacked Bar Chart)
• 20. نمودارهای مربوط به دسته‌بندی‌های متعدد
• 21. نمودار ماتریس پراکندگی (Pair Plot)
• 22. نمودار گرمایی (Heatmap)
• 23. نمودارهای زمانی
• 24. بصری‌سازی سری‌های زمانی
• 25. نمودارهای جغرافیایی (با داده‌های بومی و داخلی)
• 26. نقشه‌های حرارتی جغرافیایی
• 27. نمودارهای سفارشی و پیشرفته
• 28. استفاده از FacetGrids برای ایجاد نمودارهای چندگانه
• 29. تنظیمات پیشرفته نمودارها
• 30. کنترل رنگ‌ها و پالت‌های رنگی
• 31. افزودنی‌ها و برچسب‌گذاری نمودارها
• 32. مدیریت و پاکسازی داده‌ها برای بصری‌سازی
• 33. کار با انواع داده‌ها (عددی، دسته‌ای، تاریخ)
• 34. فیلتر کردن و انتخاب داده‌ها
• 35. تلفیق داده‌ها از منابع مختلف
• 36. مقدمه‌ای بر کتابخانه Pandas برای تحلیل داده
• 37. ساختار داده DataFrame در Pandas
• 38. عملیات پایه با DataFrame
• 39. فیلتر کردن و انتخاب داده‌ها در Pandas
• 40. توابع آماری در Pandas
• 41. گروه‌بندی و تجمیع داده‌ها
• 42. کار با داده‌های گمشده (Missing Data)
• 43. مقدمه‌ای بر کتابخانه NumPy برای محاسبات عددی
• 44. آرایه‌ها در NumPy
• 45. عملیات پایه با آرایه‌های NumPy
• 46. محاسبات ریاضی و آماری با NumPy
• 47. کاربرد NumPy در آماده‌سازی داده برای Seaborn
• 48. مفاهیم آماری پایه در تحلیل داده
• 49. میانگین، میانه، مد
• 50. واریانس و انحراف معیار
• 51. همبستگی و کوواریانس
• 52. مقدمه‌ای بر تحلیل رگرسیون خطی
• 53. مدل‌سازی رگرسیون با Seaborn
• 54. تفسیر نتایج رگرسیون
• 55. مقدمه‌ای بر تحلیل سری‌های زمانی
• 56. شناسایی الگوهای سری زمانی
• 57. بصری‌سازی عوامل فصلی و روند
• 58. کاربرد Seaborn در پروژه‌های واقعی
• 59. تحلیل داده‌های فروش در بازار ایران
• 60. بصری‌سازی داده‌های جمعیت‌شناسی کشور
• 61. تحلیل داده‌های اقتصادی و مالی (با رعایت قوانین)
• 62. بصری‌سازی داده‌های آموزشی
• 63. بصری‌سازی داده‌های بهداشت و درمان (با رعایت پروتکل‌ها)
• 64. کاربرد Seaborn در داشبوردهای مدیریتی
• 65. طراحی داشبوردهای ساده و مؤثر
• 66. اصول طراحی بصری در داشبوردها
• 67. ملاحظات اخلاقی در بصری‌سازی داده
• 68. حفظ حریم خصوصی داده‌ها
• 69. جلوگیری از سوءتعبیر داده‌ها
• 70. مقدمه‌ای بر مفاهیم یادگیری ماشین (مرتبط با تحلیل داده)
• 71. انواع الگوریتم‌های یادگیری ماشین
• 72. کاربرد بصری‌سازی در ارزیابی مدل‌های یادگیری ماشین
• 73. بصری‌سازی ماتریس درهم‌ریختگی (Confusion Matrix)
• 74. بصری‌سازی منحنی ROC
• 75. کاربرد Seaborn در تحلیل داده‌های شبکه‌های اجتماعی (با رعایت قوانین)
• 76. تحلیل احساسات (Sentiment Analysis)
• 77. بصری‌سازی الگوهای ارتباطی
• 78. مقدمه‌ای بر داده‌های بزرگ (Big Data) و چالش‌های آن
• 79. ابزارهای تحلیل داده‌های بزرگ
• 80. بصری‌سازی در مقیاس بزرگ
• 81. مباحث پیشرفته در بصری‌سازی داده
• 82. کاربرد نمودارهای تعاملی (Interactive Plots)
• 83. ابزارهای ساخت نمودارهای تعاملی
• 84. اصول داستان‌سرایی با داده (Data Storytelling)
• 85. ارتباط مؤثر با استفاده از بصری‌سازی
• 86. ارائه نتایج تحلیل داده به مخاطبان مختلف
• 87. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 88. نقش بصری‌سازی در هوش تجاری
• 89. ابزارهای هوش تجاری
• 90. آینده بصری‌سازی داده
• 91. روندها و نوآوری‌ها در حوزه بصری‌سازی
• 92. جمع‌بندی و مرور مباحث