کتاب صوتی مقایسه کتابخانه‌های پایتون برای کار با داده‌های پراکنده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقایسه کتابخانه‌های پایتون برای کار با داده‌های پراکنده

موضوع کلی: تحلیل داده‌های با ابعاد بالا و کاهش ابعاد

موضوع میانی: کار با داده‌های (Sparse Data) در پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های پراکنده و اهمیت آن‌ها
• 2. کاربردهای داده‌های پراکنده در حوزه‌های مختلف
• 3. نمایندگی داده‌های پراکنده در پایتون
• 4. ساختارهای داده‌ای مناسب برای داده‌های پراکنده
• 5. کتابخانه SciPy.sparse: معرفی و مبانی
• 6. ساخت ماتریس‌های پراکنده با SciPy.sparse
• 7. عملیات پایه بر روی ماتریس‌های پراکنده SciPy
• 8. شاخص‌گذاری و برش ماتریس‌های پراکنده SciPy
• 9. تبدیل بین فرمت‌های مختلف ماتریس‌های پراکنده SciPy (CSR, CSC, COO, LIL, DOK)
• 10. محاسبات ریاضی و آماری بر روی ماتریس‌های پراکنده SciPy
• 11. کتابخانه NumPy و پشتیبانی از داده‌های پراکنده
• 12. استفاده از NumPy برای ساخت و دستکاری داده‌های پراکنده
• 13. مقایسه کارایی SciPy.sparse و NumPy در کار با داده‌های پراکنده
• 14. کتابخانه scikit-sparse: معرفی و قابلیت‌ها
• 15. ساخت ماتریس‌های پراکنده با scikit-sparse
• 16. عملیات پیشرفته بر روی ماتریس‌های پراکنده scikit-sparse
• 17. استفاده از scikit-sparse برای الگوریتم‌های یادگیری ماشین
• 18. کتابخانه cuSPARSE (برای GPU): معرفی و مزایا
• 19. نصب و پیکربندی cuSPARSE
• 20. مقایسه کارایی cuSPARSE با SciPy.sparse و scikit-sparse
• 21. پردازش داده‌های متنی پراکنده با استفاده از کتابخانه‌های پایتون
• 22. مدل‌های برداری از کلمات (Word Embeddings) برای داده‌های متنی پراکنده
• 23. نمونه‌برداری از داده‌های پراکنده
• 24. کاهش ابعاد داده‌های پراکنده با استفاده از PCA و SVD
• 25. روش‌های کاهش ابعاد غیرخطی برای داده‌های پراکنده (t-SNE, UMAP)
• 26. بهینه‌سازی حافظه در کار با داده‌های پراکنده
• 27. فشرده‌سازی داده‌های پراکنده
• 28. کار با داده‌های پراکنده بسیار بزرگ (Out-of-Memory)
• 29. استفاده از Dask برای پردازش موازی داده‌های پراکنده
• 30. مقایسه کتابخانه‌های مختلف برای عملیات خاص (ضرب ماتریسی، حل دستگاه معادلات)
• 31. انتخاب کتابخانه مناسب بر اساس نوع داده و کاربرد
• 32. بهترین روش‌ها برای کار با داده‌های پراکنده در پایتون
• 33. عیب‌یابی و رفع مشکلات رایج در کار با داده‌های پراکنده