کتاب صوتی Data Storytelling: روایت داده‌ها برای تصمیم‌گیری کسب و کار

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Data Storytelling: روایت داده‌ها برای تصمیم‌گیری کسب و کار

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و روایت داده‌ها
• 2. اهمیت روایت داده‌ها در کسب و کار
• 3. ارتباط بین داده، داستان و تصمیم‌گیری
• 4. مراحل کلیدی در فرآیند روایت داده‌ها
• 5. تعریف اهداف داستان‌گویی با داده
• 6. شناسایی مخاطبان و نیازهای اطلاعاتی آن‌ها
• 7. اصول انتخاب داده‌های مناسب
• 8. مفهوم داده‌های خام و داده‌های پردازش شده
• 9. انواع داده‌ها (ساختار یافته، نیمه ساختار یافته، بدون ساختار)
• 10. مصادر داده‌ای متداول در کسب و کار
• 11. جمع‌آوری داده‌ها از منابع مختلف
• 12. اصول پاکسازی و پیش‌پردازش داده‌ها
• 13. شناسایی و رفع مقادیر گمشده (Missing Values)
• 14. شناسایی و حذف داده‌های پرت (Outliers)
• 15. استانداردسازی و نرمال‌سازی داده‌ها
• 16. تبدیل داده‌ها (Data Transformation)
• 17. مهندسی ویژگی (Feature Engineering)
• 18. کاوش داده‌ها (Exploratory Data Analysis - EDA)
• 19. تجسم داده‌ها (Data Visualization) به عنوان ابزار اصلی
• 20. انتخاب نمودار مناسب بر اساس نوع داده و هدف
• 21. نمودارهای خطی (Line Charts) و کاربردهای آن‌ها
• 22. نمودارهای میله‌ای (Bar Charts) و کاربردهای آن‌ها
• 23. نمودارهای دایره‌ای (Pie Charts) و محدودیت‌های آن‌ها
• 24. نمودارهای پراکندگی (Scatter Plots) و تشخیص روابط
• 25. هیستوگرام‌ها (Histograms) و توزیع داده‌ها
• 26. جعبه نمودارها (Box Plots) برای نمایش توزیع و پراکندگی
• 27. نقشه‌نگاری داده‌ها (Geospatial Visualization)
• 28. نمودارهای حرارتی (Heatmaps) و تشخیص الگوها
• 29. نمودارهای شبکه‌ای (Network Graphs)
• 30. نمودارهای سه بعدی (3D Charts) و ملاحظات استفاده
• 31. نمودارهای تعاملی (Interactive Charts)
• 32. اصول طراحی بصری برای نمودارها
• 33. انتخاب پالت رنگی مناسب
• 34. استفاده از برچسب‌ها و عنوان‌های گویا
• 35. نمایش اطلاعات کلیدی به صورت مختصر
• 36. تکنیک‌های داستان‌گویی در علم داده
• 37. ساختار یک داستان داده‌محور
• 38. شروع داستان: معرفی مسئله و زمینه
• 39. قلاب (Hook) در ابتدای داستان
• 40. ارائه یافته‌های کلیدی به صورت واضح
• 41. استفاده از روایت برای هدایت مخاطب
• 42. انتقال پیام اصلی داستان
• 43. نتیجه‌گیری و فراخوان به عمل (Call to Action)
• 44. استفاده از مثال‌های واقعی و مطالعات موردی
• 45. تجزیه و تحلیل روندها (Trend Analysis)
• 46. شناسایی همبستگی‌ها (Correlation) و علیت (Causation)
• 47. ارائه اطلاعات آماری به زبانی ساده
• 48. خلاصه سازی اطلاعات پیچیده
• 49. استفاده از مقایسه‌ها و تضادها
• 50. ایجاد تنش و هیجان در روایت
• 51. شخصیت‌پردازی در داستان داده‌ها (اگر امکان‌پذیر باشد)
• 52. تکنیک‌های پیشرفته تحلیل داده برای روایت
• 53. یادگیری ماشین (Machine Learning) برای پیش‌بینی
• 54. طبقه‌بندی (Classification) و کاربردهای آن
• 55. رگرسیون (Regression) برای پیش‌بینی مقادیر
• 56. خوشه‌بندی (Clustering) برای کشف گروه‌ها
• 57. تحلیل احساسات (Sentiment Analysis)
• 58. پردازش زبان طبیعی (Natural Language Processing - NLP)
• 59. مدل‌های زبانی پیشرفته
• 60. تجزیه و تحلیل آماری پیشرفته
• 61. آزمون فرضیه (Hypothesis Testing)
• 62. تحلیل سری‌های زمانی (Time Series Analysis)
• 63. تحلیل رگرسیون چندگانه
• 64. تحلیل عوامل (Factor Analysis)
• 65. تحلیل مؤلفه‌های اصلی (Principal Component Analysis - PCA)
• 66. مدل‌های یادگیری عمیق (Deep Learning) (مقدماتی)
• 67. ارزیابی مدل‌های یادگیری ماشین
• 68. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 69. معیارهای ارزیابی مدل‌های رگرسیون
• 70. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 71. اعتبارسنجی متقابل (Cross-validation)
• 72. بکارگیری دانش آماری در تفسیر نتایج
• 73. استفاده از ابزارهای علم داده
• 74. معرفی زبان‌های برنامه نویسی رایج (Python, R)
• 75. محیط‌های توسعه یکپارچه (IDE)
• 76. کتابخانه‌های کلیدی در Python (Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn)
• 77. کتابخانه‌های کلیدی در R (dplyr, ggplot2, caret)
• 78. ابزارهای بصری سازی پیشرفته (Tableau, Power BI) (معرفی)
• 79. پلتفرم‌های ابری برای علم داده (AWS, Azure, GCP) (معرفی)
• 80. بکارگیری هوش مصنوعی مولد (Generative AI) در روایت داده‌ها
• 81. استفاده از ChatGPT برای تولید متن روایی
• 82. استفاده از مدل‌های تصویری برای خلق نمودارهای خلاقانه
• 83. اتوماسیون فرآیند روایت داده‌ها
• 84. طراحی داشبوردهای مدیریتی (Dashboards)
• 85. اصول طراحی داشبوردهای موثر
• 86. انتخاب شاخص‌های کلیدی عملکرد (KPIs)
• 87. ارائه داشبورد به صورت داستانی
• 88. ملاحظات اخلاقی در روایت داده‌ها
• 89. حریم خصوصی داده‌ها
• 90. سوگیری (Bias) در داده‌ها و الگوریتم‌ها
• 91. شفافیت و قابلیت توضیح‌پذیری (Explainability)
• 92. مسئولیت‌پذیری در استفاده از داده‌ها
• 93. چالش‌های متداول در روایت داده‌ها
• 94. غلبه بر مقاومت در برابر داده‌ها
• 95. ارتباط موثر با ذینفعان غیرفنی
• 96. مدیریت انتظارات
• 97. تکرار و بهبود روایت داده‌ها
• 98. ساخت فرهنگ داده‌محور در سازمان
• 99. کار تیمی و همکاری در پروژه های علم داده
• 100. نکات پایانی و جمع‌بندی دوره