کتاب صوتی آموزش علوم داده با الگوریتم های پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش علوم داده با الگوریتم های پایتون

موضوع کلی: برنامه نویسی

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و نقش پایتون
• 2. حالت‌های داده: ساختاریافته، نیمه‌ساختاریافته و بدون ساختار
• 3. نصب و راه‌اندازی محیط پایتون برای علوم داده
• 4. آشنایی با کتابخانه NumPy و آرایه‌های چندبعدی
• 5. عملیات پایه ریاضی با NumPy
• 6. شاخص‌گذاری و برش آرایه‌ها در NumPy
• 7. مقدمه‌ای بر کتابخانه Pandas و ساختار Series
• 8. ساختار DataFrame در Pandas
• 9. خواندن و نوشتن داده‌ها با Pandas (CSV، Excel، JSON)
• 10. پاک‌سازی داده‌ها: مدیریت مقادیر گمشده
• 11. پاک‌سازی داده‌ها: حذف و جایگزینی داده‌های پرت
• 12. تبدیل و نرمال‌سازی داده‌ها
• 13. ادغام و پیوستن DataFrameها
• 14. گروه‌بندی و تجمیع داده‌ها با groupby
• 15. کار با تاریخ و زمان در Pandas
• 16. مقدمه‌ای بر مصورسازی داده‌ها با Matplotlib
• 17. نمودارهای خطی و پراکندگی با Matplotlib
• 18. نمودارهای میله‌ای و هیستوگرام
• 19. شخصی‌سازی نمودارها: رنگ، برچسب و عنوان
• 20. مصورسازی تعاملی با Seaborn
• 21. تحلیل اکتشافی داده‌ها (EDA) با ترکیب Pandas و Seaborn
• 22. مقدمه‌ای بر یادگیری ماشین با Scikit-learn
• 23. داده‌های آموزشی و آزمایشی: تقسیم数据集
• 24. پیش‌پردازش داده‌ها: مقیاس‌بندی و استانداردسازی
• 25. رگرسیون خطی ساده با Scikit-learn
• 26. رگرسیون خطی چندمتغیره
• 27. ارزیابی مدل رگرسیون: MSE، RMSE و R-squared
• 28. رگرسیون لجستیک برای طبقه‌بندی دودویی
• 29. معیارهای ارزیابی طبقه‌بندی: دقت، صحت، بازخوانی و F1
• 30. درخت تصمیم برای طبقه‌بندی و رگرسیون
• 31. جنگل تصادفی و کاهش overfitting
• 32. ماشین بردار پشتیبان (SVM) برای طبقه‌بندی
• 33. خوشه‌بندی K-Means: مبانی و پیاده‌سازی
• 34. انتخاب تعداد خوشه‌ها با روش آرنج
• 35. خوشه‌بندی سلسله‌مراتبی
• 36. کاهش ابعاد با تحلیل مؤلفه‌های اصلی (PCA)
• 37. مصورسازی داده‌های با ابعاد بالا با PCA
• 38. مقدمه‌ای بر شبکه‌های عصبی با TensorFlow
• 39. لایه‌های متراکم و توابع فعال‌سازی
• 40. آموزش یک شبکه عصبی ساده با TensorFlow
• 41. ارزیابی و تنظیم Hyperparameterها
• 42. اعتبارسنجی متقاطع (Cross-Validation)
• 43. جستجوی شبکه‌ای برای بهینه‌سازی Hyperparameter
• 44. مدیریت overfitting با regularization
• 45. مقدمه‌ای بر پردازش زبان طبیعی (NLP) با NLTK
• 46. پاک‌سازی متن: حذف علائم و توکن‌سازی
• 47. استخراج ویژگی‌های متنی با Bag of Words
• 48. تحلیل احساسات با داده‌های متنی
• 49. کار با داده‌های سری زمانی در Pandas
• 50. پیش‌بینی سری زمانی با مدل‌های ساده
• 51. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 52. ایجاد ویژگی‌های تعاملی و چندجمله‌ای
• 53. انتخاب ویژگی با روش‌های فیلتر و wrapper
• 54. کار با داده‌های نامتوازن: نمونه‌برداری و وزن‌دهی
• 55. مقدمه‌ای on سیستم‌های توصیه‌گر
• 56. ذخیره و بارگذاری مدل‌های آموزش‌دیده با Joblib
• 57. خط لوله (Pipeline) در Scikit-learn
• 58. مقدمه‌ای بر یادگیری عمیق با Keras
• 59. شبکه‌های عصبی پیچشی (CNN) برای تصاویر
• 60. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 61. ارزیابی نهایی و مقایسه مدل‌ها
• 62. مقدمه‌ای بر استقرار مدل با Flask
• 63. مستندسازی و گزارش نتایج تحلیل