کتاب صوتی پروژه محور: تحلیل داده‌های یک فروشگاه اینترنتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پروژه محور: تحلیل داده‌های یک فروشگاه اینترنتی

موضوع کلی: برنامه نویسی

موضوع میانی: تحلیل داده (Data Analysis)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده
• 2. مقدمه‌ای بر فروشگاه‌های اینترنتی
• 3. اهداف دوره: تحلیل داده‌های فروشگاه اینترنتی
• 4. ابزارها و نرم‌افزارهای مورد نیاز
• 5. آشنایی با مفاهیم پایه‌ای برنامه نویسی (Python)
• 6. نصب و پیکربندی Python
• 7. مقدمه‌ای بر Jupyter Notebook/Lab
• 8. انواع داده در تحلیل داده
• 9. انواع متغیرها (کمی، کیفی)
• 10. مقدمه‌ای بر کتابخانه NumPy
• 11. عملیات پایه‌ای با NumPy
• 12. مقدمه‌ای بر کتابخانه Pandas
• 13. ساختار داده Series در Pandas
• 14. ساختار داده DataFrame در Pandas
• 15. بارگذاری داده‌ها از فایل‌های CSV
• 16. بارگذاری داده‌ها از فایل‌های Excel
• 17. بررسی اجمالی داده‌ها
• 18. فهمیدن ابعاد DataFrame
• 19. نمایش چند ردیف اول و آخر داده‌ها
• 20. بررسی ستون‌ها و انواع داده آن‌ها
• 21. شناسایی مقادیر گمشده (Missing Values)
• 22. روش‌های مدیریت مقادیر گمشده
• 23. حذف ردیف‌ها/ستون‌های دارای مقدار گمشده
• 24. پر کردن مقادیر گمشده با میانگین/میانه/مد
• 25. تشخیص داده‌های پرت (Outliers)
• 26. روش‌های بصری تشخیص داده‌های پرت (Box Plot)
• 27. روش‌های آماری تشخیص داده‌های پرت (Z-score)
• 28. مدیریت داده‌های پرت
• 29. حذف داده‌های پرت
• 30. تبدیل داده‌های پرت
• 31. توابع آماری توصیفی
• 32. محاسبه میانگین، میانه، مد
• 33. محاسبه واریانس و انحراف معیار
• 34. محاسبه چارک‌ها و دامنه بین چارکی (IQR)
• 35. تجزیه و تحلیل توزیع داده‌ها
• 36. هیستوگرام برای داده‌های کمی
• 37. نمودار میله‌ای برای داده‌های کیفی
• 38. نمودار دایره‌ای برای نسبت‌ها
• 39. مقدمه‌ای بر بصری‌سازی داده‌ها (Data Visualization)
• 40. ابزارهای بصری‌سازی در Python
• 41. مقدمه‌ای بر کتابخانه Matplotlib
• 42. ایجاد نمودارهای خطی
• 43. ایجاد نمودارهای پراکندگی (Scatter Plot)
• 44. ایجاد نمودارهای میله‌ای
• 45. ایجاد نمودارهای دایره‌ای
• 46. ایجاد هیستوگرام
• 47. تنظیمات اولیه نمودارها (عنوان، برچسب محورها)
• 48. مقدمه‌ای بر کتابخانه Seaborn
• 49. نمودارهای آماری پیشرفته با Seaborn
• 50. نمودار جعبه‌ای (Box Plot)
• 51. نمودار ویولن (Violin Plot)
• 52. نمودار هییت‌مپ (Heatmap)
• 53. نمودارهای توزیع (Distribution Plots)
• 54. نمودارهای دسته‌بندی (Categorical Plots)
• 55. ترکیب نمودارها
• 56. ایجاد داشبوردهای تعاملی (مقدماتی)
• 57. جمع‌آوری داده‌های فروشگاه اینترنتی (سناریو)
• 58. شناخت انواع داده‌های فروشگاه (سفارشات، مشتریان، محصولات)
• 59. مفهوم شناسه منحصر به فرد (Unique ID)
• 60. تجزیه و تحلیل داده‌های مشتریان
• 61. محاسبه تعداد مشتریان فعال
• 62. شناسایی مشتریان وفادار (بر اساس تعداد سفارش)
• 63. تحلیل اطلاعات دموگرافیک مشتریان (در صورت وجود)
• 64. تجزیه و تحلیل داده‌های محصولات
• 65. شناسایی محصولات پرفروش
• 66. محاسبه میانگین قیمت محصولات
• 67. تحلیل دسته‌بندی محصولات
• 68. تجزیه و تحلیل داده‌های سفارشات
• 69. محاسبه تعداد کل سفارشات
• 70. محاسبه میانگین ارزش سفارش
• 71. تحلیل روند فروش بر اساس زمان (روز، ماه، سال)
• 72. محاسبه سود ناخالص (با فرض داشتن اطلاعات هزینه)
• 73. شناسایی پردرآمدترین دسته‌بندی محصولات
• 74. تحلیل مشتریان بر اساس زمان خرید
• 75. شناسایی الگوهای خرید مشتریان
• 76. تحلیل سبد خرید (Market Basket Analysis) - مقدماتی
• 77. مفهوم قوانین وابستگی (Association Rules)
• 78. مفهوم Support, Confidence, Lift
• 79. استفاده از کتابخانه‌های مرتبط (مانند mlxtend) - مقدماتی
• 80. شناسایی محصولات که غالباً با هم خریداری می‌شوند
• 81. مقدمه‌ای بر یادگیری ماشین (Machine Learning) برای تحلیل داده
• 82. کاربرد یادگیری ماشین در تحلیل داده فروشگاه
• 83. مقدمه‌ای بر رگرسیون (Regression)
• 84. رگرسیون خطی ساده
• 85. پیش‌بینی فروش آینده
• 86. مقدمه‌ای بر دسته‌بندی (Classification)
• 87. دسته‌بندی مشتریان (مثلاً مشتریان با احتمال ریزش بالا)
• 88. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 89. شناسایی گروه‌های مشتریان (Segmentation)
• 90. الگوریتم K-Means - مقدماتی
• 91. کاربرد خوشه‌بندی در بازاریابی هدفمند
• 92. تحلیل ریزش مشتری (Churn Analysis) - مقدماتی
• 93. مفهوم ریزش مشتری
• 94. شناسایی عوامل موثر بر ریزش
• 95. ساخت یک مدل ساده پیش‌بینی ریزش (مقدماتی)
• 96. تجزیه و تحلیل نرخ تبدیل (Conversion Rate)
• 97. محاسبه نرخ تبدیل در مراحل مختلف قیف فروش
• 98. شناسایی موانع در قیف فروش
• 99. تحلیل بازگشت سرمایه (ROI) برای کمپین‌های بازاریابی
• 100. استفاده از داده‌ها برای بهینه‌سازی موجودی انبار