کتاب صوتی کاوش داده با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاوش داده با پایتون

موضوع کلی: مدل‌سازی ریاضی پدیده‌های پیچیده

موضوع میانی: مدل‌سازی تحلیل اکتشافی داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و پایتون
• 2. نصب و پیکربندی پایتون و محیط‌های توسعه
• 3. انواع داده‌ها و متغیرها در پایتون
• 4. عملگرها و عبارات در پایتون
• 5. ساختارهای کنترلی: شرطی‌ها (if, elif, else)
• 6. حلقه‌ها: for و while در پایتون
• 7. توابع: تعریف و فراخوانی توابع
• 8. آرگومان‌های توابع و مقادیر پیش‌فرض
• 9. ماژول‌ها و بسته‌ها در پایتون
• 10. مدیریت خطا و استثناها
• 11. کار با فایل‌ها: خواندن و نوشتن
• 12. مقدمه‌ای بر کتابخانه NumPy
• 13. آرایه‌ها در NumPy
• 14. عملیات ریاضیاتی با NumPy
• 15. کتابخانه Pandas: مقدمه و ساختار داده Series
• 16. DataFrames در Pandas
• 17. انتخاب و فیلتر کردن داده‌ها در Pandas
• 18. پاکسازی و آماده‌سازی داده‌ها
• 19. ادغام و اتصال DataFrames
• 20. گروه‌بندی و تجمیع داده‌ها
• 21. تحلیل داده‌های سری زمانی با Pandas
• 22. مقدمه‌ای بر کتابخانه Matplotlib
• 23. رسم نمودارهای خطی و پراکندگی
• 24. نمودارهای میله‌ای و هیستوگرام
• 25. نمودارهای جعبه‌ای و ویولن
• 26. سفارشی‌سازی نمودارها در Matplotlib
• 27. مقدمه‌ای بر کتابخانه Seaborn
• 28. نمودارهای آماری با Seaborn
• 29. نمودارهای چند متغیره با Seaborn
• 30. تصویرسازی داده‌های دسته‌بندی
• 31. مقدمه‌ای بر کتابخانه Scikit-learn
• 32. پیش‌پردازش داده‌ها با Scikit-learn
• 33. مدل‌های رگرسیون خطی
• 34. رگرسیون چندگانه
• 35. مدل‌های طبقه‌بندی: رگرسیون لجستیک
• 36. درخت‌های تصمیم‌گیری
• 37. جنگل تصادفی
• 38. ماشین‌های بردار پشتیبان (SVM)
• 39. خوشه‌بندی با K-Means
• 40. ارزیابی مدل‌ها: معیارها و روش‌ها
• 41. اعتبارسنجی متقابل (Cross-validation)
• 42. تنظیم پارامترهای مدل (Hyperparameter tuning)
• 43. کاهش ابعاد با PCA
• 44. انتخاب ویژگی (Feature selection)
• 45. مقدمه‌ای بر پردازش زبان طبیعی (NLP)