کتاب صوتی تست پذیرش در پروژه‌های داده‌محور

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تست پذیرش در پروژه‌های داده‌محور

موضوع کلی: مهندسی نرم‌افزار و علم داده

موضوع میانی: تست پذیرش (Acceptance Testing)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پروژه‌های داده‌محور
• 2. جمع‌آوری داده‌ها: منابع و روش‌ها
• 3. کیفیت داده‌ها: ارزیابی و بهبود
• 4. پاکسازی داده‌ها: حذف ناهنجاری‌ها
• 5. تبدیل داده‌ها: فرمت‌بندی و استانداردسازی
• 6. کاوش داده‌ها: الگوها و روابط
• 7. مبانی آمار توصیفی
• 8. مبانی احتمال و توزیع‌ها
• 9. نمونه‌برداری و استنباط آماری
• 10. تصویرسازی داده‌ها: نمودارها و گراف‌ها
• 11. تجسم داده‌ها: اصول طراحی
• 12. مقدمه‌ای بر یادگیری ماشین
• 13. رگرسیون خطی: مدل‌سازی و پیش‌بینی
• 14. رگرسیون لجستیک: طبقه‌بندی داده‌ها
• 15. درخت‌های تصمیم‌گیری: الگوریتم و کاربردها
• 16. جنگل تصادفی: بهبود دقت مدل
• 17. ماشین بردار پشتیبان (SVM): اصول و پیاده‌سازی
• 18. خوشه‌بندی K-Means: گروه‌بندی داده‌ها
• 19. خوشه‌بندی سلسله‌مراتبی: روش‌ها و تفسیر
• 20. کاهش ابعاد: PCA و کاربردها
• 21. انتخاب ویژگی: روش‌های فیلتر
• 22. انتخاب ویژگی: روش‌های Wrapper
• 23. ارزیابی مدل: ماتریس درهم‌ریختگی
• 24. ارزیابی مدل: معیارهای دقت
• 25. بیش‌برازش و کم‌برازش: تشخیص و راه‌حل‌ها
• 26. اعتبارسنجی متقابل: ارزیابی مدل
• 27. بهینه‌سازی هایپرپارامترها: Grid Search
• 28. مقدمه‌ای بر شبکه‌های عصبی
• 29. شبکه‌های عصبی چندلایه: ساختار و آموزش
• 30. شبکه‌های عصبی کانولوشن: پردازش تصویر
• 31. شبکه‌های عصبی بازگشتی: پردازش متن
• 32. پردازش زبان طبیعی (NLP): مقدمه
• 33. تحلیل احساسات: تشخیص نظرات
• 34. مدل‌سازی موضوعی: استخراج مفاهیم
• 35. داده‌های سری زمانی: تحلیل و پیش‌بینی
• 36. پیش‌بینی با مدل‌های ARIMA
• 37. مقدمه‌ای بر پایگاه‌داده‌های NoSQL
• 38. داده‌های بزرگ: چالش‌ها و راهکارها
• 39. محاسبات ابری: پلتفرم‌ها و خدمات
• 40. اخلاق در علم داده: حریم خصوصی و امنیت
• 41. مقدمه‌ای بر ابزارهای علم داده (Python)
• 42. مقدمه‌ای بر ابزارهای علم داده (R)
• 43. مقدمه‌ای بر ابزارهای تجسم داده (Tableau)
• 44. مقدمه‌ای بر ابزارهای تجسم داده (Power BI)
• 45. داشبوردهای تعاملی: طراحی و پیاده‌سازی