آموزش تحلیل و بصری‌سازی داده‌ها با پایتون - آخرین آپدیت

مقدمه‌ای بر تحلیل داده Introduction to data analysis

• تحلیل داده چیست؟ What is data analysis?

• فرآیند تحلیل داده The data analysis process

• اخلاق و حریم خصوصی در داده‌ها: مدیریت استفاده مسئولانه از داده Data ethics and privacy: Navigating the responsible use of data

• حاکمیت داده (Data Governance) Data governance

• آماده‌سازی محیط کار برای تحلیل داده Setting up your environment for data analysis

• نکات و ترفندهای Jupyter Notebook Jupyter notebook tips and tricks

• دمو: میان‌برها و نکات بهره‌وری در Jupyter Notebook Demo: Jupyter notebook shortcuts and productivity tips

• موارد استفاده از کتابخانه‌های پایتون Use cases for Python libraries

• درک مجموعه‌داده‌ها (Datasets) Understanding datasets

• یافتن و دسترسی به مجموعه‌داده‌های واقعی Finding and accessing real-world datasets

پردازش و دستکاری داده‌ها Data processing and manipulation

• دستکاری داده‌ها با pandas Manipulating data with pandas

• دیتافریم‌های pandas: مبانی pandas Dataframes: The basics

• دمو: بارگذاری و بررسی مجموعه‌داده‌ها در pandas Demo: Loading and inspecting datasets in pandas

• بررسی تبدیل‌های داده از طریق pandas Exploring data transformations through pandas

• دمو: تبدیل داده‌ها با pandas Demo: Transforming data with pandas

• تحلیل اکتشافی داده‌ها (EDA) Exploratory data analysis (EDA)

• اهمیت پاک‌سازی داده‌ها The importance of data cleaning

• شناسایی و مدیریت داده‌های مفقود (Missing Data) Identifying and handling missing data

• مدیریت مقادیر تکراری در مجموعه‌داده‌ها Handling duplicate values in datasets

• تشخیص و حذف داده‌های پرت (Outliers) Detecting and removing outliers from datasets

• انواع داده در پایتون: انتخاب گزینه مناسب Data types in Python: Choosing the right fit

• دمو: استفاده از pandas برای اکتشاف و پاک‌سازی Demo: pandas for exploration and cleaning

• کنترل داده‌های نامنظم با pandas Taming messy data with pandas

بصری‌سازی داده‌ها Data visualization

• ترسیم نمودارهای بصری داده‌ها Charting your data visually

• ابزارهای رایج بصری‌سازی Common visualizations tools

• مقدمه‌ای بر Matplotlib Introduction to Matplotlib

• بررسی کتابخانه‌های بصری‌سازی Explore visualization libraries

• نمودارهای تعاملی با Plotly Interactive plots with Plotly

• سفارشی‌سازی بصری‌سازی‌ها با Bokeh Customizing visualizations with Bokeh

• استفاده از داده‌ها برای داستان‌سرایی Use data for storytelling

• هنر داستان‌سرایی با داده‌ها The art of data storytelling

• ارائه بینش‌های حاصل از داده‌ها Presenting data insights

• اجتناب از سوگیری در نتیجه‌گیری تحلیل داده Avoid conclusion bias in data analysis

مقدمه‌ای بر هوش مصنوعی مولد Introduction to generative AI

• هوش مصنوعی مولد چیست؟ What is generative AI?

• کاربردهای واقعی هوش مصنوعی مولد Real-world applications of generative AI

• اخلاق در محتوای تولید شده توسط هوش مصنوعی The ethics of AI-Generated content

• پر کردن شکاف‌ها در داده‌های شما Filling the gaps in your data

• استفاده از شبکه‌های مولد رقابتی (GANs) Using Generative Adversarial Networks (GANs)

• افزایش داده‌ها (Data Augmentation): تقویت مجموعه‌داده Data augmentation: Supercharging your dataset

• چرا افزایش داده‌ها اهمیت دارد؟ Why augmentation matters

• تکنیک‌های افزایش داده‌های متنی Text augmentation techniques

مقدمه‌ای بر یادگیری ماشین Introduction to machine learning

• یادگیری ماشین چیست؟ What is machine learning?

• یادگیری ماشین چگونه کار می‌کند؟ How machine learning works

• یادگیری ماشین در دنیای واقعی Machine learning in the real world

• چرا ارزیابی مدل اهمیت دارد؟ Why model evaluation matters

• معیارهای رگرسیون Regression metrics

• دمو: استفاده از معیارها برای طبقه‌بندی Demo: Using metrics for classification

• معیارهای رگرسیون برای یادگیری ماشین Regression metrics for machine learning

• از داده تا پیش‌بینی: جادوی یادگیری ماشین From data to predictions: The magic of machine learning

• شبکه عصبی در یادگیری ماشین چیست؟ What is a neural network in machine learning?

• دمو: رگرسیون خطی با Scikit Learn Demo: Linear regression with Scikit-Learn

• طبقه‌بندی با رگرسیون لجستیک Classification with logistic regression

• داده‌های مصنوعی در یادگیری ماشین: مطالعات موردی Synthetic data in ML: Case studies

• دمو: آموزش و تست با داده‌های مصنوعی Demo: Training and testing with synthetic data

• داده‌های مصنوعی: تعادل میان نوآوری و مسئولیت‌پذیری Synthetic data: Balancing innovation and responsibility