فلش‌کارت‌های آموزشی مطالعه موردی Coupling from the Past در علوم داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مطالعه موردی Coupling from the Past در علوم داده

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: Coupling from the Past (CFTP)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و کاربردهای آن
• 2. مروری بر تاریخچه علوم داده
• 3. آشنایی با چرخه حیات داده
• 4. جمع‌آوری و استخراج داده‌ها
• 5. مفاهیم پایه‌ای پایگاه داده
• 6. انواع پایگاه داده و مدل‌های داده
• 7. مقدمه‌ای بر SQL و کوئری‌نویسی
• 8. پاکسازی و پیش‌پردازش داده‌ها
• 9. شناسایی و مدیریت داده‌های پرت
• 10. استانداردسازی و نرمال‌سازی داده‌ها
• 11. مهندسی ویژگی (Feature Engineering)
• 12. انتخاب ویژگی‌های مرتبط
• 13. مقدمه‌ای بر یادگیری ماشین
• 14. انواع الگوریتم‌های یادگیری ماشین
• 15. یادگیری تحت نظارت (Supervised Learning)
• 16. رگرسیون خطی و کاربردهای آن
• 17. رگرسیون لجستیک و دسته‌بندی
• 18. درختان تصمیم و جنگل‌های تصادفی
• 19. ماشین‌های بردار پشتیبان (SVM)
• 20. یادگیری بدون نظارت (Unsupervised Learning)
• 21. خوشه‌بندی (Clustering) و الگوریتم K-Means
• 22. تحلیل مولفه‌های اصلی (PCA)
• 23. شبکه‌های عصبی و یادگیری عمیق
• 24. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 25. شبکه‌های عصبی کانولوشنال (CNN)
• 26. شبکه‌های عصبی بازگشتی (RNN)
• 27. پردازش زبان طبیعی (NLP)
• 28. تحلیل احساسات متنی
• 29. مدل‌سازی موضوعی (Topic Modeling)
• 30. تکنیک‌های کاهش ابعاد
• 31. ارزیابی مدل‌های یادگیری ماشین
• 32. معیارهای ارزیابی مدل‌های رگرسیون
• 33. معیارهای ارزیابی مدل‌های دسته‌بندی
• 34. اعتبارسنجی متقابل (Cross-Validation)
• 35. تنظیم هایپرپارامترها
• 36. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 37. مفاهیم پایه یادگیری تقویتی
• 38. الگوریتم‌های یادگیری تقویتی
• 39. کاربرد یادگیری تقویتی در بهینه‌سازی
• 40. مقدمه‌ای بر تحلیل سری‌های زمانی
• 41. شناسایی الگو در داده‌های سری زمانی
• 42. مدل‌سازی سری‌های زمانی با ARIMA
• 43. پیش‌بینی با استفاده از مدل‌های سری زمانی
• 44. تحلیل شبکه‌های اجتماعی
• 45. نمودارهای شبکه‌ای و مفاهیم آن
• 46. شناسایی جوامع در شبکه‌های اجتماعی
• 47. شاخص‌های مرکزیت در شبکه‌ها
• 48. مقدمه‌ای بر داده‌کاوی
• 49. قواعد وابستگی (Association Rules)
• 50. الگوریتم Apriori
• 51. کاربرد داده‌کاوی در کسب‌وکار
• 52. بصری‌سازی داده‌ها (Data Visualization)
• 53. اصول و مفاهیم بصری‌سازی
• 54. ابزارهای بصری‌سازی داده‌ها
• 55. ترسیم نمودارهای خطی و میله‌ای
• 56. نمودارهای پراکندگی و هیستوگرام
• 57. نقشه‌های حرارتی (Heatmaps)
• 58. داشبوردهای مدیریتی
• 59. مقدمه‌ای بر کلان‌داده (Big Data)
• 60. معماری‌های کلان‌داده
• 61. اکوسیستم هادوپ (Hadoop)
• 62. فریم‌ورک اسپارک (Spark)
• 63. ذخیره‌سازی و پردازش کلان‌داده
• 64. امنیت در کلان‌داده
• 65. مقدمه‌ای بر اخلاق در علوم داده
• 66. حریم خصوصی داده‌ها
• 67. سوگیری در الگوریتم‌ها
• 68. مسئولیت‌پذیری در علوم داده
• 69. کاربرد علوم داده در حوزه‌های مختلف
• 70. علوم داده در بهداشت و درمان
• 71. علوم داده در امور مالی و بانکی
• 72. علوم داده در بازاریابی و فروش
• 73. علوم داده در حوزه انرژی
• 74. علوم داده در حمل و نقل
• 75. علوم داده در بخش دولتی
• 76. مقدمه‌ای بر یادگیری توزیع‌شده
• 77. چالش‌های یادگیری توزیع‌شده
• 78. فریم‌ورک‌های یادگیری توزیع‌شده
• 79. کاربرد یادگیری توزیع‌شده
• 80. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 81. مفاهیم و معماری یادگیری فدرال
• 82. مزایا و چالش‌های یادگیری فدرال
• 83. کاربردهای یادگیری فدرال
• 84. مطالعه موردی: پیش‌بینی رفتار مشتری
• 85. مطالعه موردی: تحلیل ریسک اعتباری
• 86. مطالعه موردی: بهینه‌سازی زنجیره تامین
• 87. مطالعه موردی: کشف تقلب
• 88. مطالعه موردی: سیستم‌های توصیه‌گر
• 89. مطالعه موردی: تحلیل داده‌های سلامت
• 90. مطالعه موردی: بهبود فرآیندهای تولید
• 91. مطالعه موردی: هوشمندسازی شهرها
• 92. مطالعه موردی: تحلیل داده‌های آموزشی
• 93. مطالعه موردی: پیش‌بینی بلایای طبیعی
• 94. مقدمه‌ای بر مفاهیم پیشرفته در علوم داده
• 95. یادگیری عمیق برای داده‌های ساختاریافته
• 96. استنتاج علی (Causal Inference)
• 97. یادگیری خودنظارتی (Self-Supervised Learning)
• 98. توضیح‌پذیری مدل‌های یادگیری ماشین (XAI)
• 99. سیستم‌های توصیه‌گر پیشرفته
• 100. یادگیری تقویتی عمیق