کتاب صوتی بصری‌سازی داده‌های علوم کامپیوتر

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بصری‌سازی داده‌های علوم کامپیوتر

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بصری‌سازی داده و اهمیت آن در علوم کامپیوتر
• 2. تاریخچه بصری‌سازی داده: از نقشه‌های اولیه تا داشبوردهای مدرن
• 3. انواع داده‌ها: کمی، کیفی، طبقه‌بندی شده و ترتیبی
• 4. ساختارهای داده در علوم کامپیوتر و نحوه بصری‌سازی آنها (لیست، درخت، گراف)
• 5. اصول ادراک بصری و روانشناسی گشتالت
• 6. آناتومی یک نمودار: محورها، راهنما، عنوان و حاشیه‌نویسی
• 7. اصول طراحی تأثیرگذار: نسبت داده به جوهر (Data-Ink Ratio) و پرهیز از Chartjunk
• 8. چگونه نمودار مناسب را برای داده‌های خود انتخاب کنیم؟
• 9. چرخه حیات بصری‌سازی داده: از پرسش تا ارائه بینش
• 10. ملاحظات اخلاقی در بصری‌سازی داده‌ها: چگونه داده‌ها را به اشتباه نمایش ندهیم
• 11. آماده‌سازی و پاک‌سازی داده‌ها برای بصری‌سازی
• 12. مبانی نظریه رنگ در بصری‌سازی داده
• 13. نقش شبکه‌بندی (Grids) و چیدمان (Layout) در طراحی
• 14. اهمیت داستان‌سرایی با داده‌ها (Data Storytelling)
• 15. اشتباهات رایج در بصری‌سازی و نحوه اجتناب از آنها
• 16. راه‌اندازی محیط برنامه‌نویسی پایتون برای بصری‌سازی (Anaconda, Jupyter)
• 17. مقدمه‌ای بر کتابخانه NumPy برای عملیات عددی
• 18. مقدمه‌ای بر کتابخانه Pandas برای کار با دیتافریم‌ها
• 19. اولین نمودار با Matplotlib: آشنایی با API pyplot
• 20. درک معماری شیءگرای Matplotlib: مفاهیم Figure و Axes
• 21. شخصی‌سازی نمودارها در Matplotlib: رنگ‌ها، برچسب‌ها و استایل‌ها
• 22. مقدمه‌ای بر کتابخانه Seaborn: نمودارهای آماری سطح بالا
• 23. مقایسه Seaborn و Matplotlib: چه زمانی از کدام استفاده کنیم؟
• 24. مقدمه‌ای بر کتابخانه Plotly: ایجاد نمودارهای تعاملی
• 25. ساخت نمودارهای پایه با Plotly Express
• 26. مروری بر D3.js: قدرت بصری‌سازی مبتنی بر وب
• 27. اتصال داده‌های پایتون به بصری‌سازی‌های جاوا اسکریپت
• 28. آشنایی با کتابخانه‌های دیگر: Bokeh و Altair
• 29. بصری‌سازی داده در محیط‌های توسعه یکپارچه (IDE) مانند VS Code
• 30. ذخیره و خروجی گرفتن از نمودارها: فرمت‌ها و بهترین روش‌ها
• 31. نمودارهای میله‌ای (Bar Charts): مقایسه دسته‌ها
• 32. نمودارهای میله‌ای تجمعی (Stacked) و گروهی (Grouped)
• 33. نمودارهای خطی (Line Charts): نمایش روندها در طول زمان
• 34. نمودارهای سطحی (Area Charts): تأکید بر حجم و مقدار تجمعی
• 35. نمودارهای پراکندگی (Scatter Plots): بررسی رابطه بین دو متغیر
• 36. افزودن بعد سوم به نمودارهای پراکندگی (رنگ، اندازه)
• 37. هیستوگرام‌ها: درک توزیع داده‌ها
• 38. نمودارهای چگالی (Density Plots): جایگزینی نرم‌تر برای هیستوگرام‌ها
• 39. نمودارهای جعبه‌ای (Box Plots): نمایش چارک‌ها و داده‌های پرت
• 40. نمودارهای ویولن (Violin Plots): ترکیب نمودار جعبه‌ای و چگالی
• 41. نمودارهای دایره‌ای و دونات (Pie & Donut Charts): چه زمانی باید (و نباید) از آنها استفاده کرد
• 42. بصری‌سازی داده‌های جدولی با Heatmaps
• 43. نمودارهای جفتی (Pair Plots): بصری‌سازی روابط در داده‌های چند متغیره
• 44. ایجاد زیرنمودارها (Subplots) و شبکه‌های وجهی (Facet Grids)
• 45. استفاده از مقیاس لگاریتمی برای داده‌های با دامنه وسیع
• 46. نمایش خطا و بازه اطمینان (Error Bars)
• 47. نمودارهای قطبی (Polar Charts) و راداری (Radar Charts)
• 48. نمودارهای قیفی (Funnel Charts) برای تحلیل مراحل یک فرآیند
• 49. نمودارهای بولت (Bullet Graphs) برای پایش عملکرد
• 50. مطالعه موردی: ترکیب نمودارهای پایه برای یک تحلیل ساده
• 51. نقشه‌های حرارتی (Heatmaps) و ماتریس‌های همبستگی (Correlograms)
• 52. مقدمه‌ای بر بصری‌سازی شبکه‌ها و گراف‌ها
• 53. ساختارهای داده گراف: گره‌ها (Nodes) و یال‌ها (Edges)
• 54. بصری‌سازی گراف با NetworkX و Matplotlib
• 55. الگوریتم‌های چیدمان گراف مانند Force-Directed
• 56. بصری‌سازی داده‌های سلسله‌مراتبی: Treemaps
• 57. نمودارهای Sunburst برای نمایش نسبت‌های سلسله‌مراتبی
• 58. مقدمه‌ای بر بصری‌سازی جغرافیایی (Geospatial)
• 59. نقشه‌های Choropleth: نمایش داده بر اساس مناطق جغرافیایی
• 60. نقشه‌های نقطه‌ای (Point Maps): نمایش موقعیت‌های مکانی
• 61. کار با فرمت‌های داده جغرافیایی: GeoJSON و Shapefiles
• 62. بصری‌سازی‌های سه‌بعدی: نمودارهای سطحی و سیمی
• 63. بصری‌سازی داده‌های چند بعدی با Parallel Coordinates
• 64. بصری‌سازی داده‌های متنی: ابر کلمات (Word Clouds)
• 65. نمودارهای Sankey برای تحلیل جریان (Flow Analysis)
• 66. نمودارهای گانت (Gantt Charts) برای زمان‌بندی پروژه‌ها
• 67. نمودارهای جریانی (Streamgraphs) برای نمایش ترکیبات در طول زمان
• 68. بصری‌سازی عدم قطعیت (Uncertainty)
• 69. ایجاد انیمیشن در بصری‌سازی‌ها
• 70. مطالعه موردی: بصری‌سازی یک مجموعه داده پیچیده با نمودارهای پیشرفته
• 71. اصول بصری‌سازی تعاملی (Interactive)
• 72. افزودن Tooltips و Hover Effects با Plotly
• 73. پیاده‌سازی قابلیت بزرگ‌نمایی (Zooming) و جابجایی (Panning)
• 74. ایجاد انتخاب‌های متصل (Linked Brushing)
• 75. مقدمه‌ای بر ساخت داشبوردهای مدیریتی
• 76. ساخت یک داشبورد ساده با Streamlit
• 77. ساخت یک داشبورد پیچیده‌تر با Dash (Plotly)
• 78. اصول طراحی و چیدمان برای داشبوردها
• 79. اتصال داشبورد به منابع داده زنده (Live Data)
• 80. استقرار (Deploy) یک اپلیکیشن وب بصری‌سازی
• 81. بصری‌سازی عملکرد الگوریتم‌ها: پیچیدگی زمانی (Big O)
• 82. انیمیشن‌سازی الگوریتم‌های مرتب‌سازی (حبابی، سریع، ادغامی)
• 83. بصری‌سازی ساختارهای داده: درخت‌ها و هیپ‌ها
• 84. بصری‌سازی الگوریتم‌های جستجو: BFS در مقابل DFS روی گراف
• 85. پروفایل‌سازی عملکرد کد: بصری‌سازی مصرف CPU و حافظه
• 86. استفاده از Flame Graphs برای تحلیل گلوگاه‌های عملکردی
• 87. بصری‌سازی توپولوژی و ترافیک شبکه
• 88. بصری‌سازی تحلیل بسته‌های شبکه (Packet Analysis)
• 89. بصری‌سازی اسکیمای پایگاه داده و روابط بین جداول
• 90. بصری‌سازی عملکرد کوئری‌ها (Explain Plans)
• 91. بصری‌سازی تاریخچه سیستم‌های کنترل نسخه (مانند Git)
• 92. بصری‌سازی معیارهای پیچیدگی کد (Cyclomatic Complexity)
• 93. بصری‌سازی عملکرد مدل‌های یادگیری ماشین: ماتریس درهم‌ریختگی (Confusion Matrix)
• 94. منحنی ROC و سطح زیر منحنی (AUC) برای مدل‌های طبقه‌بندی
• 95. بصری‌سازی درخت‌های تصمیم و معماری شبکه‌های عصبی
• 96. داستان‌سرایی با داده‌ها: ساخت یک روایت جذاب
• 97. طراحی برای مخاطب: انطباق بصری‌سازی با نیازهای کاربر
• 98. دسترسی‌پذیری (Accessibility) در بصری‌سازی: کوررنگی و صفحه‌خوان‌ها
• 99. مرور نهایی: اشتباهات متداول و راه‌های اصلاح آن‌ها
• 100. پروژه نهایی: از داده خام علوم کامپیوتر تا یک داشبورد تعاملی و بینش‌محور