کتاب صوتی بصری‌سازی داده‌های علمی و فناوری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بصری‌سازی داده‌های علمی و فناوری

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بصری‌سازی داده و اهمیت آن در علوم
• 2. تاریخچه مختصر بصری‌سازی داده‌های علمی
• 3. اصول بنیادی طراحی بصری و ادراک
• 4. روانشناسی گشتالت و کاربرد آن در نمایش داده‌ها
• 5. انواع داده‌ها: کمی، کیفی، گسسته و پیوسته
• 6. معرفی اکوسیستم پایتون برای بصری‌سازی
• 7. نصب و راه‌اندازی محیط کاری: Anaconda, Jupyter Notebook
• 8. آشنایی با NumPy برای کار با آرایه‌های عددی
• 9. مقدمه‌ای بر Pandas و ساختارهای داده (Series و DataFrame)
• 10. خواندن، پاک‌سازی و آماده‌سازی داده‌های علمی با Pandas
• 11. معماری کتابخانه Matplotlib: Figure, Axes, Artist
• 12. ایجاد اولین نمودار: نمودارهای خطی و نقطه‌ای با Matplotlib
• 13. سفارشی‌سازی نمودارها در Matplotlib: عناوین، برچسب‌ها، رنگ‌ها و استایل‌ها
• 14. کار با چندین نمودار در یک قاب: Subplots
• 15. مقدمه‌ای بر Seaborn برای نمودارهای آماری پیشرفته
• 16. مقایسه Matplotlib و Seaborn: چه زمانی از کدام استفاده کنیم؟
• 17. بصری‌سازی روابط: نمودار پراکندگی (Scatter Plot)
• 18. تحلیل روابط چندمتغیره با Pair Plot و Joint Plot
• 19. نمایش روندها در طول زمان: نمودار خطی (Line Chart)
• 20. مقایسه مقادیر دسته‌ای: نمودار میله‌ای (Bar Chart)
• 21. نمایش توزیع داده‌ها: هیستوگرام (Histogram)
• 22. تخمین توزیع داده‌ها: نمودار چگالی کرنل (Kernel Density Plot)
• 23. نمایش خلاصه‌های آماری: نمودار جعبه‌ای (Box Plot)
• 24. ترکیب Box Plot و KDE: نمودار ویولن (Violin Plot)
• 25. نمایش همبستگی در ماتریس‌ها: نقشه حرارتی (Heatmap)
• 26. نمودار دایره‌ای (Pie Chart) و دلایل استفاده محتاطانه از آن
• 27. گرامر گرافیک: رویکردی ساختاریافته به بصری‌سازی
• 28. تئوری رنگ در بصری‌سازی داده
• 29. انتخاب پالت‌های رنگی مناسب: Sequential, Diverging, Qualitative
• 30. طراحی برای مخاطبان کوررنگ
• 31. نقش تایپوگرافی در خوانایی و تاثیرگذاری نمودار
• 32. اصول چیدمان و ترکیب‌بندی برای وضوح بیشتر
• 33. کاهش عناصر اضافی (Chart Junk) و افزایش نسبت داده به جوهر
• 34. استفاده هوشمندانه از حاشیه‌نویسی (Annotation) برای روایت داستان
• 35. اصول داستان‌سرایی با داده‌ها (Data Storytelling)
• 36. اشتباهات رایج در بصری‌سازی و نحوه اجتناب از آن‌ها
• 37. راهنمای انتخاب نمودار مناسب برای هر نوع داده و هدف
• 38. مقدمه‌ای بر بصری‌سازی تعاملی (Interactive Visualization)
• 39. آشنایی با کتابخانه Plotly و Plotly Express
• 40. ایجاد نمودارهای تعاملی پایه: خطی، میله‌ای، پراکندگی
• 41. کنترل کامل بر نمودارها با Plotly Graph Objects
• 42. افزودن عناصر تعاملی: اسلایدر، دکمه و منوی کشویی
• 43. مرتبط کردن چندین نمودار به یکدیگر (Cross-filtering)
• 44. مقدمه‌ای بر کتابخانه Bokeh برای بصری‌سازی تعاملی در وب
• 45. مقدمه‌ای بر ساخت داشبوردهای تحلیلی با Streamlit
• 46. ساخت داشبوردهای پیچیده‌تر با Dash
• 47. مقدمه‌ای بر بصری‌سازی سه‌بعدی
• 48. ایجاد نمودارهای پراکندگی سه‌بعدی
• 49. ترسیم سطوح و کانتورهای سه‌بعدی
• 50. بصری‌سازی میدان‌های برداری (Vector Fields) در فیزیک و مهندسی
• 51. بصری‌سازی داده‌های حجمی (Volumetric Data)
• 52. بصری‌سازی داده‌های مکانی (Geospatial Data)
• 53. مبانی داده‌های جغرافیایی و سیستم‌های مختصات
• 54. رسم نقشه با GeoPandas و کتابخانه‌های مرتبط
• 55. ایجاد نقشه‌های کروپلت (Choropleth)
• 56. بصری‌سازی شبکه‌ها و گراف‌ها با NetworkX
• 57. تحلیل و بصری‌سازی ساختارهای اجتماعی و بیولوژیکی
• 58. بصری‌سازی عدم قطعیت: نوارهای خطا و فواصل اطمینان
• 59. استفاده از مقیاس لگاریتمی برای نمایش دامنه‌های وسیع داده
• 60. نمودار مختصات موازی برای داده‌های چندبعدی
• 61. بصری‌سازی نتایج خوشه‌بندی: دندروگرام و Scatter Plot
• 62. ایجاد انیمیشن از داده‌های سری زمانی و شبیه‌سازی‌ها
• 63. بصری‌سازی در بیوانفورماتیک: Heatmap برای داده‌های ژنومی
• 64. بصری‌سازی ساختارهای مولکولی و پروتئینی
• 65. بصری‌سازی نتایج شبیه‌سازی‌های علمی (CFD, FEA)
• 66. بصری‌سازی داده‌های تصویری پزشکی (مانند MRI و CT Scan)
• 67. بصری‌سازی سری‌های زمانی مالی: نمودارهای شمعی (Candlestick)
• 68. بصری‌سازی عملکرد مدل‌های یادگیری ماشین: منحنی ROC
• 69. بصری‌سازی ماتریس درهم‌ریختگی (Confusion Matrix)
• 70. بصری‌سازی برای تفسیرپذیری مدل‌های یادگیری ماشین (SHAP, LIME)
• 71. بصری‌سازی داده‌های نجومی و تصاویر تلسکوپی
• 72. بصری‌سازی داده‌های حسگرها و اینترنت اشیاء (IoT)
• 73. چالش‌های بصری‌سازی داده‌های حجیم (Big Data)
• 74. تکنیک‌های نمونه‌گیری و تجمیع برای داده‌های بزرگ
• 75. استفاده از Datashader برای رندر کردن میلیاردها نقطه
• 76. بهینه‌سازی عملکرد در Matplotlib برای نمودارهای پیچیده
• 77. استفاده از شتاب‌دهنده‌های سخت‌افزاری (GPU) برای بصری‌سازی
• 78. خروجی گرفتن از نمودارها برای مقالات و انتشارات (Vector vs. Raster)
• 79. فرمت‌های مختلف خروجی: PNG, JPG, SVG, PDF
• 80. اتوماتیک‌سازی فرآیند تولید گزارش‌ها و بصری‌سازی‌ها
• 81. طراحی برای مخاطبان مختلف: متخصصان، مدیران، عموم
• 82. نقد و بررسی بصری‌سازی‌های موجود در مقالات علمی
• 83. ملاحظات اخلاقی در بصری‌سازی داده
• 84. جلوگیری از ارائه نادرست و گمراه‌کننده داده‌ها
• 85. شناخت سوگیری‌های شناختی در تفسیر نمودارها
• 86. تکرارپذیری (Reproducibility) در بصری‌سازی‌های علمی
• 87. ایجاد یک کتابخانه شخصی از توابع بصری‌سازی
• 88. ترکیب تحلیل آماری و بصری‌سازی
• 89. بصری‌سازی داده‌های متنی: ابر کلمات (Word Cloud) و کاربردهای علمی آن
• 90. استفاده از ابزارهای جایگزین: Tableau و Power BI در حوزه علم
• 91. آشنایی مختصر با D3.js به عنوان استاندارد وب
• 92. آینده بصری‌سازی داده‌های علمی
• 93. نقش هوش مصنوعی در تولید خودکار بصری‌سازی
• 94. بصری‌سازی در محیط‌های واقعیت مجازی (VR) و واقعیت افزوده (AR)
• 95. پروژه نهایی: تعریف یک مسئله علمی
• 96. پروژه نهایی: جمع‌آوری و پاک‌سازی داده
• 97. پروژه نهایی: تحلیل اکتشافی و ایجاد بصری‌سازی‌های اولیه
• 98. پروژه نهایی: ساخت یک داستان داده‌محور و داشبورد نهایی
• 99. ارائه پروژه نهایی و دریافت بازخورد
• 100. جمع‌بندی دوره و منابع برای یادگیری بیشتر