فلش‌کارت‌های آموزشی بهینه‌سازی استفاده از منابع در کار با رشته‌های غنی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی استفاده از منابع در کار با رشته‌های غنی

موضوع کلی: برنامه‌نویسی و مدیریت داده در بی‌بی‌سی میکرومپیوتر

موضوع میانی: کار با رشته‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بهینه‌سازی منابع در علوم داده
• 2. اصول اولیه مدیریت داده‌های حجیم
• 3. شناخت ساختارهای داده‌ای پرکاربرد
• 4. مفاهیم کلیدی در طراحی پایگاه داده رابطه‌ای
• 5. بهینه‌سازی کوئری‌ها در پایگاه داده‌های رابطه‌ای
• 6. مقدمه‌ای بر NoSQL و انواع آن
• 7. کار با پایگاه داده‌های کلید-مقدار
• 8. کار با پایگاه داده‌های سند-گرا
• 9. کار با پایگاه داده‌های ستون-گرا
• 10. کار با پایگاه داده‌های گراف
• 11. انتخاب پایگاه داده مناسب بر اساس نیاز پروژه
• 12. مقدمه‌ای بر پردازش توزیع‌شده داده‌ها
• 13. آشنایی با مفاهیم MapReduce
• 14. پیاده‌سازی پردازش با Spark
• 15. بهینه‌سازی اجرای Job در Spark
• 16. کار با Spark SQL برای تحلیل داده
• 17. پردازش جریان داده با Spark Streaming
• 18. مقدمه‌ای بر مفاهیم یادگیری ماشین
• 19. انواع الگوریتم‌های یادگیری ماشین نظارت‌شده
• 20. رگرسیون خطی و کاربردهای آن
• 21. رگرسیون لجستیک برای طبقه‌بندی
• 22. درخت‌های تصمیم و قوانین استنتاج
• 23. ماشین‌های بردار پشتیبان (SVM)
• 24. شبکه‌های عصبی مصنوعی و اصول اولیه
• 25. شبکه‌های عصبی کانولوشنال (CNN) برای تصاویر
• 26. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 27. یادگیری تقویتی و کاربردهای آن
• 28. انتخاب ویژگی و مهندسی ویژگی
• 29. ارزیابی مدل‌های یادگیری ماشین
• 30. اعتبارسنجی متقابل و تکنیک‌های آن
• 31. بهینه‌سازی هایپرپارامترها
• 32. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 33. پیش‌پردازش متن و پاکسازی داده‌ها
• 34. مدل‌سازی موضوعی با LDA
• 35. تحلیل احساسات متنی
• 36. سیستم‌های توصیه‌گر مبتنی بر محتوا
• 37. سیستم‌های توصیه‌گر مبتنی بر همکاری
• 38. مقدمه‌ای بر تحلیل داده‌های گراف
• 39. مدل‌سازی گراف و تحلیل همبستگی
• 40. شناسایی جوامع در گراف‌ها
• 41. محاسبه مرکزیت در گراف‌ها
• 42. کار با کتابخانه‌های تحلیل گراف در پایتون
• 43. مقدمه‌ای بر یادگیری عمیق
• 44. معماری‌های پیشرفته شبکه‌های عصبی
• 45. ترانسفورمرها و کاربردهای آن‌ها
• 46. مدل‌های زبان بزرگ (LLMs) و کاربردها
• 47. تنظیم دقیق (Fine-tuning) مدل‌های LLM
• 48. مقدمه‌ای بر بهینه‌سازی محاسباتی
• 49. الگوریتم‌های بهینه‌سازی عددی
• 50. بهینه‌سازی مقید و نامقید
• 51. روش‌های گرادیان کاهشی و انواع آن
• 52. بهینه‌سازی با استفاده از کتابخانه‌های علمی
• 53. مقدمه‌ای بر محاسبات علمی
• 54. کار با NumPy برای محاسبات عددی
• 55. کار با SciPy برای توابع علمی
• 56. مصورسازی داده‌ها با Matplotlib
• 57. مصورسازی پیشرفته با Seaborn
• 58. مقدمه‌ای بر مهندسی نرم‌افزار برای داده‌ها
• 59. اصول کدنویسی تمیز و خوانا
• 60. مستندسازی کد و پروژه‌ها
• 61. مدیریت نسخه با Git
• 62. کار با محیط‌های توسعه یکپارچه (IDE)
• 63. اصول تست نرم‌افزار در پروژه‌های داده
• 64. مقدمه‌ای بر اخلاق در علم داده
• 65. حریم خصوصی داده‌ها و حفاظت از اطلاعات
• 66. سوگیری در داده‌ها و مدل‌ها
• 67. مسئولیت‌پذیری در تصمیم‌گیری‌های مبتنی بر داده
• 68. شفافیت در مدل‌های یادگیری ماشین
• 69. امنیت داده‌ها و جلوگیری از نفوذ
• 70. مقدمه‌ای بر رایانش ابری برای داده‌ها
• 71. خدمات محاسباتی ابری (مانند AWS, Azure, GCP)
• 72. ذخیره‌سازی ابری داده‌ها
• 73. پایگاه داده‌های ابری
• 74. ابزارهای تحلیل داده در ابر
• 75. بهینه‌سازی هزینه‌ها در رایانش ابری
• 76. مقدمه‌ای بر داده‌کاوی و کشف دانش
• 77. تکنیک‌های خوشه‌بندی داده‌ها
• 78. قوانین انجمنی و تحلیل سبد خرید
• 79. شناسایی ناهنجاری‌ها و داده‌های پرت
• 80. پیش‌بینی روندها و الگوهای زمانی
• 81. تحلیل داده‌های مکانی و جغرافیایی
• 82. مقدمه‌ای بر هوش تجاری (BI)
• 83. ساخت داشبوردهای مدیریتی
• 84. شاخص‌های کلیدی عملکرد (KPIs)
• 85. تحلیل داده‌های فروش و بازاریابی
• 86. تحلیل داده‌های مشتریان
• 87. گزارش‌دهی و بصری‌سازی داده‌ها برای تصمیم‌گیری
• 88. مقدمه‌ای بر معماری داده‌ها
• 89. انبار داده (Data Warehouse)
• 90. دریاچه داده (Data Lake)
• 91. ساختارهای داده‌ای ترکیبی (Data Lakehouse)
• 92. مدیریت کیفیت داده‌ها
• 93. حاکمیت داده‌ها (Data Governance)