فلش‌کارت‌های آموزشی جامع مهندسی داده با پایتون و کتابخانه Pandas: از تحلیل تا مدیریت داده‌های سازمانی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع مهندسی داده با پایتون و کتابخانه Pandas: از تحلیل تا مدیریت داده‌های سازمانی

موضوع کلی: علوم داده و مهندسی داده

موضوع میانی: تحلیل و پردازش داده‌های حجیم با زبان برنامه‌نویسی پایتون

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی مهندسی داده و جایگاه پایتون در اکوسیستم داده
• 2. نصب و پیکربندی محیط توسعه پایتون برای تحلیل داده
• 3. ساختار داده‌های پایه در پایتون و کار با لیست‌ها و دیکشنری‌ها
• 4. آشنایی با کتابخانه پانداز و مفاهیم سری و دیتافریم
• 5. روش‌های بارگذاری داده از فایل‌های CSV و اکسل
• 6. پاکسازی داده‌ها و مدیریت مقادیر مفقود
• 7. تکنیک‌های انتخاب و فیلتر کردن داده‌ها در پانداز
• 8. تغییر ساختار داده‌ها و کار با ایندکس‌ها
• 9. ادغام و ترکیب چندین مجموعه داده با توابع Join و Merge
• 10. گروه‌بندی داده‌ها و اجرای عملیات تجمعی با GroupBy
• 11. کار با داده‌های زمانی و سری‌های زمانی در پایتون
• 12. تحلیل آماری مقدماتی داده‌ها با استفاده از پانداز
• 13. مدیریت و فرمت‌دهی رشته‌ها در مجموعه‌های داده
• 14. کار با داده‌های حجیم و بهینه‌سازی مصرف حافظه
• 15. استفاده از کتابخانه NumPy برای محاسبات عددی سریع
• 16. اتصال به پایگاه‌های داده رابطه‌ای با استفاده از SQL و پایتون
• 17. انتقال داده‌ها بین پایگاه داده و دیتافریم‌های پانداز
• 18. مبانی مهندسی خط لوله داده (Data Pipeline)
• 19. پیش‌پردازش داده‌ها برای مدل‌های تحلیل پیش‌بینانه
• 20. مصورسازی داده‌ها با استفاده از Matplotlib و Seaborn
• 21. تحلیل اکتشافی داده‌ها جهت استخراج الگوهای سازمانی
• 22. مدیریت فایل‌های حجیم با استفاده از فرمت‌های پارکت و اچ‌دی‌اف‌فایو
• 23. اصول طراحی پایگاه داده برای مهندسان داده
• 24. آشنایی با مفاهیم انبار داده (Data Warehouse)
• 25. بررسی چالش‌های کیفیت داده و اعتبارسنجی در سازمان
• 26. استفاده از کتابخانه Dask برای پردازش موازی داده‌های بزرگ
• 27. آشنایی با اکوسیستم آپاچی اسپارک برای پردازش توزیع‌شده
• 28. خودکارسازی فرایندهای پردازش داده با اسکریپت‌های پایتون
• 29. مدیریت خطا و استثناها در خط لوله‌های داده
• 30. اصول مستندسازی و نگهداری کدهای مهندسی داده
• 31. آشنایی با ابزارهای زمان‌بندی اجرای وظایف داده‌ای
• 32. ملاحظات امنیتی در مدیریت و انتقال داده‌های سازمانی
• 33. حفاظت از حریم خصوصی داده‌ها طبق مقررات ملی
• 34. بهینه‌سازی پرس‌وجوهای داده‌ای در پایتون
• 35. مبانی مدل‌سازی داده‌ها برای گزارش‌گیری مدیریتی
• 36. کار با APIها برای جمع‌آوری داده‌های برخط
• 37. پاکسازی داده‌های غیرساختاریافته و متنی
• 38. معرفی معماری‌های نوین داده مانند دریاچه داده (Data Lake)
• 39. تست و ارزیابی کیفیت خط لوله‌های داده
• 40. ارائه گزارش‌های تحلیلی و داشبوردهای داده‌محور با پایتون