فلش‌کارت‌های آموزشی مبانی علم داده با رویکرد چابک

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی علم داده با رویکرد چابک

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: علم داده و تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علم داده و اهمیت آن
• 2. چرخه حیات پروژه علم داده
• 3. اصول توسعه چابک در علم داده
• 4. نقش تیم در پروژه های علم داده
• 5. شناخت نیازمندی ها و تعریف مسئله
• 6. جمع آوری و اکتشاف اولیه داده ها
• 7. پاکسازی و پیش پردازش داده ها
• 8. مدیریت کیفیت داده ها
• 9. انواع روش های پاکسازی داده
• 10. مدیریت داده های گمشده
• 11. شناسایی و مدیریت داده های پرت
• 12. انواع مدل های یادگیری ماشین
• 13. یادگیری نظارت شده
• 14. رگرسیون خطی
• 15. رگرسیون لجستیک
• 16. درخت تصمیم
• 17. جنگل تصادفی
• 18. ماشین بردار پشتیبان
• 19. یادگیری نظارت نشده
• 20. خوشه بندی
• 21. K-Means
• 22. خوشه بندی سلسله مراتبی
• 23. کاهش ابعاد
• 24. تحلیل مولفه های اصلی (PCA)
• 25. کاربرد PCA در علم داده
• 26. مهندسی ویژگی (Feature Engineering)
• 27. ایجاد ویژگی های جدید
• 28. انتخاب ویژگی (Feature Selection)
• 29. معیارهای انتخاب ویژگی
• 30. مبانی آمار و احتمالات در علم داده
• 31. توزیع های آماری متداول
• 32. آزمون فرض آماری
• 33. مفاهیم رگرسیون و همبستگی
• 34. تحلیل سری های زمانی
• 35. مقدمه ای بر یادگیری عمیق
• 36. شبکه های عصبی مصنوعی
• 37. مفاهیم مقدماتی شبکه های عصبی
• 38. کاربرد شبکه های عصبی در علم داده
• 39. یادگیری تقویتی
• 40. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 41. مدل های زبانی
• 42. تحلیل احساسات
• 43. شناسایی موجودیت های نام دار
• 44. کاربرد NLP در تحلیل داده
• 45. مقدمه ای بر بینایی ماشین
• 46. پردازش تصویر
• 47. تشخیص اشیاء
• 48. کاربرد بینایی ماشین در علم داده
• 49. مقدمه ای بر کلان داده (Big Data)
• 50. مفاهیم و چالش های کلان داده
• 51. فناوری های کلان داده
• 52. اکوسیستم هادوپ
• 53. مقدمه ای بر پایگاه داده ها
• 54. انواع پایگاه داده ها
• 55. پایگاه داده های رابطه‌ای
• 56. پایگاه داده های NoSQL
• 57. مقدمه ای بر ابزارها و زبان های علم داده
• 58. زبان پایتون برای علم داده
• 59. کتابخانه های پایتون (NumPy, Pandas)
• 60. کتابخانه های مصورسازی (Matplotlib, Seaborn)
• 61. کتابخانه های یادگیری ماشین (Scikit-learn)
• 62. زبان R برای علم داده
• 63. محیط های توسعه یکپارچه (IDE)
• 64. مقدمه ای بر مصورسازی داده ها
• 65. اصول طراحی نمودارهای موثر
• 66. انواع نمودارهای رایج
• 67. مصورسازی داده های مکانی
• 68. مصورسازی تعاملی
• 69. اصول داستان گویی با داده ها (Data Storytelling)
• 70. اعتبارسنجی و ارزیابی مدل ها
• 71. معیارهای ارزیابی مدل های رگرسیون
• 72. معیارهای ارزیابی مدل های طبقه بندی
• 73. ماتریس درهم ریختگی (Confusion Matrix)
• 74. منحنی ROC و AUC
• 75. اعتبارسنجی متقابل (Cross-validation)
• 76. مدیریت ریسک در پروژه های علم داده
• 77. ملاحظات اخلاقی در علم داده
• 78. حریم خصوصی داده ها
• 79. امنیت داده ها
• 80. قوانین و مقررات مربوط به داده ها در ایران
• 81. حاکمیت داده (Data Governance)
• 82. مقدمه ای بر یادگیری آنلاین و پیوسته
• 83. تکامل مدل ها در طول زمان
• 84. نظارت بر عملکرد مدل ها
• 85. مقدمه ای بر یادگیری ترکیبی (Ensemble Learning)
• 86. بگینگ (Bagging)
• 87. بوستینگ (Boosting)
• 88. تکنیک های ترکیبی پیشرفته
• 89. مقدمه ای بر بهینه سازی مدل ها
• 90. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 91. جستجوی شبکه‌ای (Grid Search)
• 92. جستجوی تصادفی (Random Search)
• 93. مقدمه ای بر انتشار مدل ها
• 94. استقرار مدل در محیط عملیاتی
• 95. نظارت پس از انتشار
• 96. مقدمه ای بر اتوماسیون در علم داده
• 97. خطوط لوله داده (Data Pipelines)
• 98. مهندسی مجدد و بهبود مستمر
• 99. کاربردهای علم داده در صنایع مختلف
• 100. علم داده در حوزه سلامت