کتاب صوتی مهارت‌های بنیادین در آماده‌سازی داده‌ها برای تحلیل و مدل‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهارت‌های بنیادین در آماده‌سازی داده‌ها برای تحلیل و مدل‌سازی

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: آماده‌سازی و پاکسازی داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و اهمیت آماده‌سازی داده
• 2. آشنایی با چرخه حیات داده در پروژه‌های علمی
• 3. انواع داده‌ها و ساختارهای داده‌ای رایج
• 4. جمع‌آوری داده‌ها از منابع مختلف
• 5. شناخت انواع مشکلات کیفی داده‌ها
• 6. مفهوم داده‌های گمشده و روش‌های شناسایی
• 7. استراتژی‌های جایگزینی مقادیر گمشده (روش‌های آماری)
• 8. استراتژی‌های جایگزینی مقادیر گمشده (روش‌های مبتنی بر مدل)
• 9. شناخت داده‌های پرت (Outliers) و روش‌های تشخیص
• 10. روش‌های حذف یا تبدیل داده‌های پرت
• 11. شناخت داده‌های تکراری و روش‌های مدیریت
• 12. استانداردسازی و نرمال‌سازی داده‌ها
• 13. تبدیل مقیاس داده‌ها برای مدل‌سازی
• 14. کدگذاری متغیرهای دسته‌بندی (Encoding)
• 15. روش‌های One-Hot Encoding
• 16. روش‌های Label Encoding
• 17. روش‌های Target Encoding
• 18. تبدیل ویژگی‌های متنی به فرمت عددی
• 19. استفاده از تکنیک‌های TF-IDF
• 20. استفاده از تکنیک‌های Bag-of-Words
• 21. شناخت انواع نویز در داده‌ها
• 22. روش‌های حذف نویز از داده‌ها
• 23. اعتبارسنجی کیفی داده‌ها
• 24. مستندسازی فرآیند آماده‌سازی داده‌ها
• 25. اهمیت کیفیت داده در مدل‌سازی پیش‌بینانه
• 26. آماده‌سازی داده‌ها برای الگوریتم‌های یادگیری ماشین
• 27. آماده‌سازی داده‌ها برای مدل‌های رگرسیون
• 28. آماده‌سازی داده‌ها برای مدل‌های طبقه‌بندی
• 29. آماده‌سازی داده‌ها برای مدل‌های خوشه‌بندی
• 30. شناخت داده‌های نامتوازن و راهکارهای آن
• 31. روش‌های نمونه‌برداری برای داده‌های نامتوازن (Oversampling)
• 32. روش‌های نمونه‌برداری برای داده‌های نامتوازن (Undersampling)
• 33. استفاده از الگوریتم‌های SMOTE
• 34. استفاده از تکنیک‌های ترکیب روش‌ها
• 35. اهمیت مهندسی ویژگی (Feature Engineering)
• 36. ایجاد ویژگی‌های جدید از ویژگی‌های موجود
• 37. ترکیب ویژگی‌های عددی
• 38. ترکیب ویژگی‌های دسته‌بندی
• 39. استخراج ویژگی از داده‌های زمانی
• 40. استخراج ویژگی از داده‌های متنی
• 41. استفاده از ابزارهای آماده‌سازی داده در پایتون (Pandas)
• 42. عملیات فیلترینگ و انتخاب داده‌ها
• 43. عملیات گروه‌بندی و تجمیع داده‌ها
• 44. عملیات ادغام و اتصال داده‌ها
• 45. مدیریت داده‌های حجیم (Big Data)
• 46. مقدمه‌ای بر ابزارهای پردازش داده‌های حجیم
• 47. استفاده از Spark برای آماده‌سازی داده
• 48. پردازش داده‌های ناهمگن
• 49. اهمیت حریم خصوصی و امنیت در آماده‌سازی داده
• 50. روش‌های ناشناس‌سازی داده‌ها
• 51. رعایت قوانین و مقررات حفاظت از داده‌ها
• 52. آماده‌سازی داده‌ها برای تحلیل اکتشافی (EDA)
• 53. نمودارهای پراکندگی برای بررسی روابط
• 54. نمودارهای هیستوگرام برای توزیع داده‌ها
• 55. نمودارهای جعبه‌ای برای تشخیص پرت‌ها
• 56. نمودارهای میله‌ای برای مقایسه دسته‌ها
• 57. تجزیه و تحلیل همبستگی بین متغیرها
• 58. تشخیص روابط خطی و غیرخطی
• 59. تکنیک‌های کاهش ابعاد (Dimensionality Reduction)
• 60. تحلیل مولفه‌های اصلی (PCA)
• 61. تحلیل تشخیصی خطی (LDA)
• 62. کاربرد t-SNE در بصری‌سازی داده‌های با ابعاد بالا
• 63. آماده‌سازی داده‌ها برای یادگیری عمیق
• 64. فرمت‌بندی داده‌ها برای شبکه‌های عصبی
• 65. استفاده از کتابخانه‌های Keras و TensorFlow
• 66. آماده‌سازی داده‌ها برای پردازش زبان طبیعی (NLP)
• 67. آماده‌سازی داده‌ها برای بینایی ماشین (Computer Vision)
• 68. روش‌های مقیاس‌بندی تصاویر
• 69. استفاده از Augmentation برای افزایش تنوع داده
• 70. مدیریت داده‌های سری زمانی
• 71. شناخت الگوها در داده‌های سری زمانی
• 72. آماده‌سازی داده‌ها برای پیش‌بینی سری زمانی
• 73. استفاده از مدل‌های ARIMA
• 74. استفاده از مدل‌های LSTM
• 75. اصول اعتبارسنجی متقابل (Cross-Validation)
• 76. اعتبارسنجی K-Fold
• 77. اعتبارسنجی Time Series Cross-Validation
• 78. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 79. جستجوی شبکه‌ای (Grid Search)
• 80. جستجوی تصادفی (Random Search)
• 81. اهمیت بازبینی و تکرار فرآیند آماده‌سازی
• 82. ابزارهای بصری‌سازی برای درک بهتر داده‌ها
• 83. نکات کلیدی در آماده‌سازی داده برای پروژه‌های واقعی
• 84. پروژه‌های عملی در آماده‌سازی داده
• 85. مثال کاربردی: آماده‌سازی داده‌های مشتریان
• 86. مثال کاربردی: آماده‌سازی داده‌های مالی
• 87. مثال کاربردی: آماده‌سازی داده‌های پزشکی
• 88. جمع‌بندی و گام‌های بعدی در علوم داده