کتاب صوتی اصول بصری‌سازی داده برای نمایش شاخص‌های عملکرد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول بصری‌سازی داده برای نمایش شاخص‌های عملکرد

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بصری‌سازی داده
• 2. چرا بصری‌سازی داده مهم است؟
• 3. مفاهیم کلیدی در بصری‌سازی داده
• 4. کاربرد بصری‌سازی داده در دنیای واقعی
• 5. انواع شاخص‌های عملکرد (KPI)
• 6. تعریف اهداف برای بصری‌سازی KPI
• 7. شناسایی مخاطبان هدف برای بصری‌سازی
• 8. اصول طراحی بصری
• 9. نظریه رنگ در بصری‌سازی
• 10. کاربرد رنگ برای تأکید و تمایز
• 11. روانشناسی رنگ در بصری‌سازی
• 12. انتخاب فونت مناسب
• 13. نحوه‌ی استفاده از فضای سفید
• 14. اصول چیدمان و تراز
• 15. اصل سلسله مراتب بصری
• 16. کاربرد نمادها و آیکون‌ها
• 17. انواع نمودارها
• 18. نمودارهای میله‌ای (Bar Charts)
• 19. نمودارهای ستونی (Column Charts)
• 20. نمودارهای خطی (Line Charts)
• 21. نمودارهای ناحیه‌ای (Area Charts)
• 22. نمودارهای دایره‌ای (Pie Charts)
• 23. نمودارهای حلقه‌ای (Donut Charts)
• 24. نمودارهای پراکندگی (Scatter Plots)
• 25. نمودارهای حبابی (Bubble Charts)
• 26. نمودارهای هیستوگرام (Histograms)
• 27. نمودارهای جعبه‌ای (Box Plots)
• 28. نمودارهای شمعدانی (Candlestick Charts)
• 29. نمودارهای نقشه‌ای (Maps)
• 30. نمودارهای درختی (Tree Maps)
• 31. نمودارهای حباب‌دار (Sunburst Charts)
• 32. نمودارهای شبکه‌ای (Network Graphs)
• 33. نمودارهای آبشاری (Waterfall Charts)
• 34. نمودارهای رادار (Radar Charts)
• 35. نمودارهای استوانه ای (Cylinder Charts)
• 36. انتخاب نمودار مناسب برای انواع داده
• 37. انتخاب نمودار مناسب برای مقایسه
• 38. انتخاب نمودار مناسب برای نمایش روند
• 39. انتخاب نمودار مناسب برای نمایش توزیع
• 40. انتخاب نمودار مناسب برای نمایش رابطه
• 41. انتخاب نمودار مناسب برای نمایش ترکیب
• 42. ابزارهای بصری‌سازی داده
• 43. معرفی نرم‌افزارهای دسکتاپ (مانند Tableau Public, Power BI Desktop)
• 44. معرفی کتابخانه‌های برنامه‌نویسی (مانند Matplotlib, Seaborn, Plotly)
• 45. معرفی ابزارهای آنلاین (مانند Google Data Studio, Flourish)
• 46. مبانی کار با Tableau
• 47. مبانی کار با Power BI
• 48. مبانی کار با Python (Matplotlib, Seaborn)
• 49. مبانی کار با JavaScript (D3.js, Chart.js)
• 50. جمع‌آوری و پاکسازی داده
• 51. مراحل جمع‌آوری داده
• 52. اهمیت پاکسازی داده
• 53. شناسایی و رفع داده‌های پرت (Outliers)
• 54. مدیریت مقادیر گمشده (Missing Values)
• 55. استانداردسازی داده‌ها
• 56. نرمال‌سازی داده‌ها
• 57. فهم داده‌ها (Data Understanding)
• 58. شناسایی متغیرهای کلیدی
• 59. تحلیل اکتشافی داده (EDA)
• 60. ارتباط بین متغیرها
• 61. تعریف شاخص‌های کلیدی عملکرد (KPI)
• 62. نحوه‌ی تعریف KPI قابل اندازه‌گیری
• 63. شاخص‌های روند (Trend KPIs)
• 64. شاخص‌های مقایسه‌ای (Comparison KPIs)
• 65. شاخص‌های کارایی (Efficiency KPIs)
• 66. شاخص‌های سودآوری (Profitability KPIs)
• 67. شاخص‌های رضایت (Satisfaction KPIs)
• 68. شاخص‌های عملیاتی (Operational KPIs)
• 69. شاخص‌های مالی (Financial KPIs)
• 70. طراحی داشبوردهای مدیریتی
• 71. اصول طراحی داشبورد مؤثر
• 72. ساختار و چیدمان داشبورد
• 73. انتخاب KPI مناسب برای داشبورد
• 74. استفاده از فیلترها و تعاملات در داشبورد
• 75. طراحی داشبوردهای سفارشی
• 76. اصول داشبوردهای عملیاتی (Operational Dashboards)
• 77. اصول داشبوردهای استراتژیک (Strategic Dashboards)
• 78. اصول داشبوردهای تحلیلی (Analytical Dashboards)
• 79. داشبوردهای تلفیقی (Integrated Dashboards)
• 80. نمایش داده‌های جغرافیایی
• 81. مفاهیم اولیه نقشه‌ها
• 82. انواع نقشه‌های بصری‌سازی
• 83. استفاده از نقشه‌های حرارتی (Heatmaps)
• 84. استفاده از نمودارهای دایره‌ای روی نقشه
• 85. استفاده از نقاط نشانگر (Markers)
• 86. پردازش داده‌های مکانی
• 87. بصری‌سازی داده‌های سری زمانی
• 88. نمایش روند بلندمدت
• 89. نمایش نوسانات فصلی
• 90. نمایش الگوهای تکرارشونده
• 91. مقایسه سری‌های زمانی مختلف
• 92. نمایش داده‌های توزیع شده
• 93. نحوه‌ی نمایش توزیع داده با هیستوگرام
• 94. نحوه‌ی نمایش توزیع داده با نمودار جعبه‌ای
• 95. نحوه‌ی نمایش توزیع داده با نمودار چگالی
• 96. بصری‌سازی روابط بین متغیرها
• 97. نمودارهای پراکندگی برای شناسایی همبستگی
• 98. نمودارهای حبابی برای نمایش ابعاد بیشتر
• 99. ماتریس نمودارهای پراکندگی (Scatter Plot Matrix)
• 100. بصری‌سازی سلسله مراتبی داده‌ها