فلش‌کارت‌های آموزشی تحلیل و بصری‌سازی داده‌های بزرگ با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و بصری‌سازی داده‌های بزرگ با پایتون

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: بصری‌سازی و تحلیل داده‌های حجیم

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده در ایران
• 2. اصول تحلیل آماری داده‌های حجیم
• 3. نصب و پیکربندی محیط پایتون برای علم داده
• 4. مروری بر کتابخانه‌های کلیدی پایتون (NumPy, Pandas)
• 5. کار با ساختارهای داده‌ای در Pandas
• 6. پاکسازی و پیش‌پردازش داده‌های حجیم
• 7. مدیریت داده‌های گمشده و پرت
• 8. تکنیک‌های نمونه‌گیری از داده‌های بزرگ
• 9. مقدمه‌ای بر بصری‌سازی داده‌ها
• 10. اصول طراحی داشبوردهای مؤثر
• 11. مقدمه ای بر Matplotlib
• 12. رسم نمودارهای پایه با Matplotlib
• 13. سفارشی‌سازی نمودارها در Matplotlib
• 14. مقدمه‌ای بر Seaborn
• 15. نمودارهای توزیع با Seaborn
• 16. نمودارهای رابطه‌ای با Seaborn
• 17. نمودارهای دسته‌ای با Seaborn
• 18. مقدمه‌ای بر Plotly
• 19. نمودارهای تعاملی با Plotly
• 20. کار با داده‌های مکانی در بصری‌سازی
• 21. بصری‌سازی داده‌های سری زمانی
• 22. مقدمه‌ای بر تحلیل آماری پیشرفته
• 23. آمار توصیفی داده‌های حجیم
• 24. آزمون‌های فرض آماری
• 25. رگرسیون خطی و مدل‌سازی
• 26. رگرسیون لجستیک
• 27. تحلیل واریانس (ANOVA)
• 28. مقدمه‌ای بر یادگیری ماشین
• 29. یادگیری بدون ناظر
• 30. خوشه‌بندی داده‌ها (Clustering)
• 31. کاهش ابعاد (Dimensionality Reduction)
• 32. تحلیل مولفه‌های اصلی (PCA)
• 33. مقدمه‌ای بر یادگیری با ناظر
• 34. طبقه‌بندی داده‌ها (Classification)
• 35. درخت تصمیم
• 36. جنگل تصادفی
• 37. ماشین بردار پشتیبان (SVM)
• 38. شبکه‌های عصبی مقدماتی
• 39. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 40. تحلیل احساسات متون
• 41. مدل‌سازی موضوعی (Topic Modeling)
• 42. کار با داده‌های شبکه‌های اجتماعی
• 43. بصری‌سازی شبکه‌های اجتماعی
• 44. تحلیل داده‌های حجیم در پایتون
• 45. کار با پایگاه‌های داده در پایتون
• 46. اتصال به پایگاه‌های داده SQL
• 47. کار با NoSQL در پایتون
• 48. مقدمه‌ای بر Big Data Technologies
• 49. مفاهیم Hadoop و Spark
• 50. کار با Spark در پایتون (PySpark)
• 51. تحلیل داده‌های بزرگ با Spark
• 52. مقدمه‌ای بر معماری داده‌های بزرگ
• 53. انبار داده (Data Warehousing)
• 54. دریاچه داده (Data Lake)
• 55. مقدمه‌ای بر مدیریت داده‌های بزرگ
• 56. کیفیت داده‌ها در مقیاس بزرگ
• 57. امنیت داده‌ها در مقیاس بزرگ
• 58. حریم خصوصی داده‌ها
• 59. اصول مهندسی ویژگی (Feature Engineering)
• 60. انتخاب ویژگی (Feature Selection)
• 61. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 62. ارزیابی مدل‌های یادگیری ماشین
• 63. اعتبارسنجی متقابل (Cross-Validation)
• 64. متریک‌های ارزیابی طبقه‌بندی
• 65. متریک‌های ارزیابی رگرسیون
• 66. بهینه‌سازی پارامترهای مدل
• 67. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 68. شبکه‌های عصبی کانولوشنال (CNN)
• 69. شبکه‌های عصبی بازگشتی (RNN)
• 70. کاربردهای یادگیری عمیق در تحلیل داده
• 71. مقدمه‌ای بر هوش مصنوعی (AI)
• 72. اخلاق در هوش مصنوعی
• 73. کاربرد هوش مصنوعی در کسب و کار
• 74. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 75. قوانین وابستگی (Association Rules)
• 76. فیلتر کردن مشارکتی (Collaborative Filtering)
• 77. سیستم‌های توصیه‌گر
• 78. مقدمه‌ای بر تحلیل داده‌های اکتشافی (EDA)
• 79. استراتژی‌های EDA
• 80. تکنیک‌های پیشرفته EDA
• 81. بصری‌سازی داده‌های چندبعدی
• 82. تجزیه و تحلیل خوشه‌ای سلسله مراتبی
• 83. تجزیه و تحلیل ابعاد غیرخطی
• 84. مقدمه‌ای بر مدل‌سازی پیش‌بینانه
• 85. پیش‌بینی سری‌های زمانی
• 86. تحلیل بقا (Survival Analysis)
• 87. مقدمه‌ای بر ابزارهای داده‌کاوی
• 88. کار با TensorFlow در پایتون
• 89. کار با Keras در پایتون
• 90. مقدمه‌ای بر داده‌های ساختاریافته و نیمه‌ساختاریافته
• 91. استخراج اطلاعات از متون
• 92. مقدمه‌ای بر تحلیل داده‌های سلامت
• 93. بصری‌سازی داده‌های پزشکی
• 94. تحلیل داده‌های مالی
• 95. بصری‌سازی داده‌های اقتصادی
• 96. اصول گزارش‌دهی و مستندسازی تحلیل داده
• 97. ارائه نتایج تحلیل داده به ذینفعان
• 98. چالش‌های تحلیل داده‌های بزرگ
• 99. آینده علم داده در ایران
• 100. کاربرد علم داده در صنایع مختلف ایران