آموزش مبانی علم داده: مفاهیم پایه - آخرین آپدیت

مقدمه Introduction

• خوش‌آمدگویی Welcome

1. علم داده چیست؟ 1. What Is Data Science?

• بررسی مجدد نمودار ون علم داده The data science Venn diagram revisited

• چارچوب CRISP-DM The CRISP-DM framework

• تکامل علم داده The evolution of data science

• نقش محوری پرسش‌ها در علم داده The central role of questions in data science

• نقش‌ها، تیم‌ها و ابزارها در علم داده مدرن Roles, teams, and tools in modern data science

• عرضه و تقاضا در بازار علم داده Supply and demand for data science

2. جایگاه علم داده در دنیای داده‌ها 2. The Place of Data Science in the Data Universe

• تحلیل‌های پیش‌بینانه Predictive analytics

• تحلیل‌های تجویزی Prescriptive analytics

• یادگیری عمیق و شبکه‌های عصبی Deep learning and neural networks

• داده‌های بزرگ (Big Data) Big data

• یادگیری ماشین Machine learning

• هوش مصنوعی Artificial intelligence

• ترنسفورمرها و مکانیسم توجه برای هوش مصنوعی مولد Transformers and attention for generative AI

• تکامل هوش تجاری The evolution of business intelligence

3. اخلاق، حریم خصوصی و مقررات 3. Ethics, Privacy, and Regulation

• سوگیری (Bias) Bias

• هوش مصنوعی قابل توضیح Explainable AI

• امنیت و حریم خصوصی Security and privacy

• عاملیت الگوریتم‌ها و تصمیم‌گیرندگان Agency of algorithms and decision-makers

• مباحث قانونی Legal

4. منابع داده و بینش‌ها 4. Sources of Data and Insights

• داده‌های داخلی سازمان In-house data

• جمع‌آوری غیرفعال داده‌های آموزشی Passive collection of training data

• داده‌های باز (Open Data) Open data

• برچسب‌گذاری داده‌ها برای یادگیری نظارت شده Labeling data for supervised learning

• داده‌های مصنوعی و محیط‌های شبیه‌سازی Synthetic data and simulation environments

• فروشندگان داده Data vendors

• اخلاق در داده‌ها Data ethics

• داده‌های جدید حاصل از نظرسنجی‌ها و آزمایش‌ها New data from surveys and experiments

• آماده‌سازی داده‌ها Data preparation

• رابط‌های برنامه‌نویسی (APIs) APIs

• استخراج داده‌ها (Web Scraping) Scraping data

5. ابزارها و تکنیک‌های علم داده 5. Tools and Techniques for Data Science

• عملیات یادگیری ماشین (MLOps) MLOps

• نرم‌افزارهای تحلیل داده Applications for data analysis

• جایگزین‌های برنامه‌نویسی: Low-code، No-code و AutoML Alternatives to programming: Low-code, no-code, and AutoML

• زبان‌های برنامه‌نویسی برای علم داده Languages for data science

• یادگیری ماشین و هوش مصنوعی به عنوان سرویس Machine learning and AI as a service

6. مبانی ریاضی برای علم داده 6. Math Foundations for Data Science

• نمونه‌برداری و احتمال Sampling and probability

• جبر Algebra

• حساب دیفرانسیل و انتگرال Calculus

• بهینه‌سازی و انفجار ترکیبی Optimization and the combinatorial explosion

• قضیه بیز Bayes' theorem

7. پارادایم‌های یادگیری 7. Learning Paradigms

• تحلیل‌های توصیفی Descriptive analytics

• کاهش ابعاد Dimensionality reduction

• اعتبارسنجی مدل‌ها Validating models

• تحلیل روند Trend analysis

• یادگیری نظارت شده، نظارت نشده و یادگیری تقویتی Supervised, unsupervised, and reinforcement learning

• تشخیص ناهنجاری Anomaly detection

• تکنیک‌های خوشه‌بندی Clustering techniques

• تجمیع مدل‌ها Aggregating models

8. الگوریتم‌های سازنده 8. Algorithms That Create

• یادگیری تقویتی Reinforcement learning

• شبکه‌های مولد رقابتی (GANs) Generative Adversarial Networks (GANs)

9. عملیاتی کردن علم داده 9. Acting on Data Science

• اهمیت تفسیرپذیری در هوش مصنوعی The importance of interpretability in AI

• تکنیک‌های ایجاد مدل‌های تفسیرپذیر Techniques for creating interpretable models

• ارائه بینش‌های کاربردی و عملیاتی Delivering actionable insights

جمع‌بندی Conclusion

• گام‌های بعدی Next steps