آموزش دوره CompTIA DataAI (DY0-001) - آخرین آپدیت

سرفصل ها و درس ها

کاوش در علم داده و منابع DataX Explore Data Science and Resources for DataX

• مقدمه Introduction

• منشأ علم داده چیست؟ The Origin of Data Science?

• علم داده چیست؟ What is Data Science?

• چرخه حیات علم داده و رویکردهای یادگیری ماشین Data Science Lifecycle & Machine Learning Approaches

• مثال‌هایی از کاربردهای یادگیری ماشین و علم داده Machine Learning & Data Science Application Examples

• چالش CHALLENGE

ارزیابی شکاف‌های دانشی علم داده برای DataX Assess your Data Science Knowledge Gaps for DataX

• مقدمه Introduction

• پنج دامنه CompTIA DataX The Five CompTIA DataX Domains

• دامنه ۱: ریاضیات و آمار Domain 1: Math & Statistics

• دامنه ۲: مدل‌سازی، تحلیل و نتایج Domain 2: Modeling, Analysis & Outcomes

• بخش ۳.۰: یادگیری ماشین Section 3.0: Machine Learning

• دامنه ۴.۰: عملیات و فرآیندها Domain 4.0: Operations & Processes

• دامنه ۵.۰: کاربردهای تخصصی علم داده Domain 5.0: Specialized Applications of Data Science

• مرور سوالات همراه با پاسخ‌های تشریحی Review Questions with Answers Explained

بررسی ابزارها و چرخه‌های حیات علم داده Explore Data Science Tools and Lifecycles

• مقدمه Introduction

• پیاده‌سازی بهترین شیوه‌ها در چرخه حیات علم داده Implementing Best Practices in the Data Science Lifecycle

• استاندارد CRISP DM (فرآیند استاندارد صنعتی برای داده‌کاوی) CRISP-DM (Cross-Industry Standard Process for Data Mining)

• فرآیند TDSP (فرآیند تیمی علم داده) TDSP (Team Data Science Process)

• متدولوژی SEMMA (نمونه‌برداری، کاوش، اصلاح، مدل‌سازی، ارزیابی) SEMMA (Sample, Explore, Modify, Model, Assess)

• چالش CHALLENGE

بررسی سینتکس کدنویسی و جریان‌های کاری علم داده Examine Data Science Code Syntax and Workflows

• مقدمه Introduction

• کتابخانه‌های پایتون و لایسنس‌های وابستگی در علم داده Python Libraries & Dependency Licenses for Data Science

• ساختارهای دایرکتوری در علم داده Data Science Directory Structures

• سینتکس پایه پایتون Basic Python Syntax

• سینتکس پایه زبان R Basic R Syntax

• چالش: پاک‌سازی و پردازش داده‌های فروش CHALLENGE: Clean & Process Sales Data

• ویدیو راه حل Solution Video

مرور بهترین شیوه‌ها، ترکیب و نیازمندی‌ها Review Best Practices, Composition, & Requirements

• مقدمه Introduction

• استاندارد DAMA و کتاب DMBOK DAMA and the DMBOK

• جمع‌آوری نیازمندی‌ها Requirement Gathering

• تحلیل ترکیب نرم‌افزار Software Composition Analysis

• مستندسازی و کیفیت کد Documentation and Code Quality

• یکپارچه‌سازی API API Integration

• چالش Challenge 🎉

• ویدیو راه حل (اختیاری) Solution Video (optional)

کاوش در تغییرات با استفاده از حساب دیفرانسیل برای علم داده Explore Change Using Calculus for Data Science

• مقدمه پایتون Python Introduction

• مشتقات: اندازه‌گیری تغییرات Derivatives: Measuring Change

• قانون زنجیری: برای توابع تو در تو Chain Rule: For Nested Functions

• مشتقات جزئی: توابع چند متغیره Partial Derivatives: Multivariable Functions

• انتگرال: تجمیع مقادیر Integration: Accumulating Totals

• چالش CHALLENGE 🎉

• ویدیو راه حل Solution Video

به‌کارگیری احتمال و آمار در علم داده Apply Probability & Statistics for Data Science

• مقدمه Introduction

• توزیع‌های احتمالی Probability Distributions

• توزیع‌های گسسته، پیوسته و تراکمی Discrete, Continuous, and Cumulative Distributions

• انواع توزیع‌های پیوسته Types of Continuous Distributions

• قضیه حد مرکزی و شبیه‌سازی مونت کارلو Central Limit Theorem, Monte Carlo Simulations

• چالش CHALLENGE 🎉

• راه حل Solution

انجام آزمون‌های آماری برای علم داده Perform Statistical Testing for Data Science

• مقدمه Introduction

• آمار استنباطی Inferential Statistics

• فواصل اطمینان و Z-Scores Confidence Intervals and Z-Scores

• آزمون فرضیه Hypothesis Testing

• آزمون‌های t تک‌نمونه‌ای، دو‌نمونه‌ای و جفتی One-Sample, Two-Sample, and Paired t-Tests

• آزمون ANOVA، کای-اسکوئر و همبستگی ANOVA, Chi-Squared Tests, and Correlation

• چالش Challenge 🎉

به‌کارگیری جبر خطی در مسائل علم داده Apply Linear Algebra to Data Science Problems

• مقدمه Introductions

• اسکالرها، بردارها، ماتریس‌ها و تنسورها Scalars, Vectors, Matrices, and Tensors

• عملیات برداری Vector Operations

• ضرب داخلی و معیارهای فاصله برداری Dot Product & Vector Distance Metrics

• عملیات ماتریسی Matrix Operations

• معکوس و حل سیستم‌های خطی Inverse & Solving Linear Systems

• چالش CHALLENGE 🎉

بررسی منابع کلیدی داده‌ها برای علم داده Examine Key Data Sources for Data Science

• مقدمه Introduction

• داده‌های تولید شده Generated Data

• رکوردها Records

• داده‌های حسگر Sensor Data

• تراکنش‌ها و آزمایش‌ها Transactions & Experiments

• داده‌های مصنوعی (Synthetic) Synthetic Data

• داده‌های عمومی Public Data

• چالش Challenge 🎉

کاوش در جذب و ذخیره‌سازی داده‌ها برای علم داده Explore Data Ingestion & Storage for Data Science

• مقدمه Introduction

• جذب داده‌ها (Data Ingestion) Data Ingestion

• زیرساخت‌های جذب داده Ingestion Infrastructure

• خط لوله جذب داده Data Ingestion Pipeline

• ارکستراسیون در مقابل اتوماسیون Orchestration Vs Automation

• ذخیره‌سازی ساختاریافته Structured Storage

• فایل‌های تخت، نیمه‌ساختاریافته، بدون ساختار و فشرده‌سازی Flat Files, Semi-Structured, Unstructured, and Compression

• چالش CHALLENGE 🎉

بررسی تحلیل داده‌ها و متغیرها در علم داده Explore Data Analysis & Variables for Data Science

• مقدمه Introduction

• مبانی تحلیل اکتشافی داده‌ها (EDA) Exploratory Data Analysis Basics

• انواع متغیرهای تحلیلی Types of Analysis Variables

• تحلیل داده‌های نظرسنجی سلامت Analyzing Health Survey Data

• تحلیل تک‌متغیره Univariate Analysis

• تحلیل دو متغیره Bivariate Analysis

• سناریوهای دنیای واقعی Real-world Scenarios

• چالش Challenge

تحلیل چندمتغیره و کیفیت در علم داده Explore Multivariate Analysis and Quality in DS

• مقدمه Introduction

• مرور تحلیل تک‌متغیره و دو متغیره (بازیابی فاصله‌دار) Univariate & Bivariate Analysis Review (Spaced Retrieval)

• تحلیل چندمتغیره Multivariate Analysis

• کیفیت داده‌ها Data Quality

• غیرخطی بودن Nonlinearity

• چالش Challenge

کاوش در تبدیل داده‌ها برای علم داده Explore Data Transformation for Data Science

• مقدمه Introduction

• کدگذاری داده‌های طبقه‌بندی شده Encoding Categorical Data

• کدگذاری برچسب (Label Encoding) Label Encoding

• مقیاس‌بندی و نرمال‌سازی Scaling and Normalization

• استانداردسازی Standardization

• توابع تبدیل Transformation Functions

• تبدیلات ساختاری Structural Transformations

• استخراج ویژگی Feature Extraction

• چالش Challenge 🎉

• راه حل SOLUTION

افزایش داده‌ها و مهندسی ویژگی برای علم داده Augment and Feature Engineer Data for Data Science

• کاوش در مجموعه‌داده‌ها Explore the Datasets

• افزایش و غنی‌سازی داده‌ها Data Augmentation and Enrichment

• برچسب‌گذاری حقیقت زمینی (Ground Truth) Ground Truth Labeling

• مهندسی ویژگی Feature Engineering

• ادغام و ترکیب داده‌ها با SQL JOINS Merging and Combining Data with SQL JOINS

• اتصال‌های Left, Right, Full, Anti و Fuzzy (ادامه SQL JOINS) Left, Right, Full, Anti, and Fuzzy Joins (continued SQL JOINS)

• پاک‌سازی داده‌ها Cleaning Data

• درون‌یابی و برون‌یابی Interpolation and Extrapolation

• شناسایی داده‌های پرت (Outlier) Outlier Detection

• چالش Challenge 🎉

بررسی مدل‌های آماری و یادگیری ماشین Explore Statistical and Machine Learning Models

• مقدمه Introduction

• مدل‌های رگرسیون Regression Models

• مدل‌های طبقه‌بندی Classification Models

• مدل‌سازی سری‌های زمانی Modeling Time Series

• تحلیل بقا Survival Analysis

• مطالعات طولی Longitudinal Studies

• استنتاج علی و توازن بایاس-واریانس Causal Inference & Bias-Variance Trade-Off

• توابع زیان و ارزیابی مدل Loss Functions and Model Evaluations

• چالش Challenge 🎉

اعتبارسنجی مدل‌ها و انتقال موثر داده‌ها Validate Models and Communicate Data Effectively

• مقدمه Introduction

• اعتبارسنجی مدل چیست؟ What is Model Validation?

• معیارهای عملکرد Performance Metrics

• محدودیت‌های طراحی Design Constraints

• تغییر داده (Data Drift) در مقابل تغییر مفهوم (Concept Drift) Data Drift Vs Concepts Drift

• همسویی با نیازمندی‌های تجاری Aligning Business Requirements

• بنچ‌مارکینگ Benchmarking

• ارائه نتایج به ذینفعان Communicating Results to Stakeholders

• چالش CHALLENGE 🎉

تحلیل استقرار مدل و MLOps Analyze Model Deployment and MLOps

• مقدمه Introduction

• کانتینرسازی Containerization

• ارکستراسیون کانتینرها Container Orchestration

• مجازی‌سازی Virtualization

• استقرار محلی (On-Premises) On-Premises Deployment

• استقرار ترکیبی و لبه‌ای (Hybrid & Edge) Hybrid & Edge Deployment

• استقرار کلاستر و ابری Cluster & Cloud Deployment

• MLOps: چرخه حیات و مفاهیم MLOps: Lifecycle & Concepts

• MLOps: اتوماسیون و نسخه‌بندی MLOps: Automation & Versioning

• MLOps: تست و نسخه‌بندی MLOps: Testing & Versioning

• چالش CHALLENGE 🎉

ساخت مدل رگرسیون یادگیری نظارت شده Build a Supervised Learning Regression Model

• مقدمه Introduction

• یادگیری نظارت شده چیست؟ What is Supervised Learning?

• رگرسیون خطی چیست؟ What is Linear Regression?

• پیش‌بینی بیماری با رگرسیون خطی Predicting Disease with Linear Regression

• پیش‌بینی بیماری: تحلیل اکتشافی (EDA) Predicting Disease: EDA

• پیش‌بینی بیماری: ارزیابی Predicting Disease: Evaluation

• رگرسیون خطی در مقابل رگرسیون لجستیک Linear regression Vs Logistic regression

• چالش CHALLENGE 🎉

ساخت مدل طبقه‌بندی یادگیری نظارت شده Build a Supervised Learning Classification Model

• مقدمه Introduction

• رگرسیون خطی در مقابل رگرسیون لجستیک Linear Regression Vs Logistic Regression

• پیاده‌سازی مدل رگرسیون خطی Implement Linear Regression Model

• پیاده‌سازی مدل رگرسیون لجستیک Implement Logistic Regression Model

• تحلیل دقیق رگرسیون لجستیک Logistic Regression Breakdown

• چالش CHALLENGE 🎉|

• ویدیو راه حل Solution Video

کاوش در تحلیل متمایز خطی و درجه دوم Explore Quadratic and Linear Discriminant Analysis

• مقدمه Introduction

• رگرسیون خطی و لجستیک در مقابل تحلیل متمایز (DA) Linear and Logistic Regression Vs. Discriminant Analysis (DA)

• تحلیل متمایز (DA) چیست؟ What is Discriminant Analysis (DA)?

• تحلیل متمایز خطی (LDA) چیست؟ What is Linear Discriminant Analysis (LDA)?

• مقایسه LCA و PCA LCA Vs. PCA

• تحلیل متمایز درجه دوم (QDA) چیست؟ What is Quadratic Discriminant Analysis (QDA)?

• بررسی نرمال بودن برای LDA: آزمون شاپیرو-ویلک Checking Normality for LDA: Shapiro-Wilk Test

• چالش CHALLENGE 🎉

طبقه‌بندی داده‌ها با الگوریتم Naive Bayes Classify Data with the Naive Bayes Algorithm

• مقدمه Introduction

• قضیه بیز Bayes' Theorem

• Naive Bayes: بخش "ساده‌لوحانه" Naive Bayes: The "Naive" Part

• Naive Bayes: روی مجموعه‌داده Iris Naive Bayes: On the Iris Dataset

• Naive Bayes: روی مجموعه‌داده Titanic Naive Bayes: On the Titanic Dataset

• Naive Bayes: مشکل فرکانس صفر Naive Bayes: Zero Frequency Problem

• مدیریت داده‌های پیوسته، با ابعاد بالا و داده‌های مفقود Handling Continuous, High-Dimensional, and Missing Data

• چالش CHALLENGE 🎉

بررسی درخت‌های تصمیم و روش‌های Ensemble Explore Decision Trees and Ensemble Methods

• مقدمه Introduction

• درخت تصمیم چیست؟ What is a Decision Tree?

• بصری‌سازی درخت‌های تصمیم Visualizing Decision Trees

• درخت‌های تصمیم چگونه رشد می‌کنند؟ How Do Decision Trees Grow?

• معیارهای ناخالصی: Gini و Entropy Impurity Measures: Gini and Entropy

• رشد درخت: گام به گام با ارزهای دیجیتال Growing the Tree: Step by Step with Cryptocurrency

• یک درخت تصمیم کاربردی: مجموعه‌داده Iris A Practical Decision Tree: Iris Dataset

• جنگل تصادفی (Random Forest) چیست؟ What is a Random Forest?

• روش‌های Ensemble چیست؟ What Are Ensemble Methods?

• چالش Challenge 🎉

تحلیل مفاهیم اصلی شبکه عصبی مصنوعی Analyze Core Artificial Neural Network Concepts

• مقدمه Introduction

• شبکه عصبی مصنوعی چیست؟ What is an Artificial Neural Network?

• پرسپترون چیست؟ What is a Perceptron?

• تحلیل توابع فعال‌ساز Activation Function Breakdown

• اجزای ANN ANN Components

• توابع فعال‌ساز مختلف Different Activation Functions

• آموزش شبکه‌های عصبی Training Neural Networks

• چالش: ساخت یک ANN Challenge: Build an ANN 🎉

• راه حل Solution

تکنیک‌های آموزش ANN و گرادیان کاهشی Explore ANN Training Techniques & Gradient Descent

• مقدمه Introduction

• آموزش شبکه‌های عصبی Training Neural Networks

• آموزش شبکه عصبی: توابع زیان (ادامه) Training a Neural Network: Loss Functions (continued)

• آموزش شبکه عصبی: فرمول‌ها (ادامه) Training a Neural Network: Formula (continued)

• تکنیک‌های آموزش: منظم‌سازی (Regularization) Training Techniques: Regularization

• چالش Challenge

• راه حل Solution

به‌کارگیری مفاهیم شبکه عصبی در یادگیری عمیق Apply Neural Network Concepts to Deep Learning

• مقدمه Introduction

• مشکلات گرادیان Gradient Problems

• بهینه‌سازها در یادگیری عمیق Optimizers in Deep Learning

• یادگیری عمیق چیست؟ What is Deep Learning?

• شبکه‌های عصبی بازگشتی (RNNs)، LSTMها و GRUها Recurrent Neural Networks (RNNs), LSTMS, and GRUs

• معماری ترنسفورمر (Transformer) The Transformer Architecture

• GANها، مدل‌های انتشار (Diffusion) و تکنیک‌های یادگیری خاص GANs, Diffusion, and Special Learning Techniques

• چالش CHALLENGE 🎉

مقایسه PyTorch و TensorFlow برای یادگیری عمیق Compare PyTorch and TensorFlow for Deep Learning

• مقدمه Introduction

• مقایسه PyTorch در مقابل TensorFlow Compare: PyTorch Vs. TensorFlow

• طبقه‌بندی چندکلاسه با TensorFlow TensorFlow Multiclass Classifier

• طبقه‌بندی چندکلاسه با PyTorch PyTorch Multiclass Classifier

• چالش CHALLENGE 🎉

کاوش در مفاهیم پردازش زبان طبیعی (NLP) Explore Natural Language Processing (NLP) Concepts

• مقدمه Introduction

• NLP چیست؟ What is NLP?

• تحلیل متن چیست؟ (متن‌کاوی و تحلیل متن) What is Text Analysis? (aka Text Mining & Text Analytics)

• تحلیل متن: مدل‌های تطبیق Text Analysis: Matching Models

• تحلیل متن: تطبیق معنایی Text Analysis: Semantic Matching

• چالش Challenge 🎉

بررسی توکن‌بندی، هوش مصنوعی مولد و LLMها در NLP Explore Tokenization, Gen AI, and LLMs in NLP

• مقدمه Introduction

• توکن‌بندی چیست؟ (پیش‌پردازش) What is Tokenization? (preprocessing)

• توکن‌بندی جملات و زیر‌کلمات Sentence and Subword Tokenization

• تولید زبان چیست؟ What is Language Generation?

• مدل‌های زبانی بزرگ (LLMs) چیست؟ What are Large Language Models (LLMs)?

• چالش Challenge 🎉

آماده‌سازی متن برای پردازش زبان طبیعی Prepare Text for Natural Language Processing

• مقدمه Introduction

• آماده‌سازی و نمایش متن Text Preparation and Representation

• توکن‌بندی با N-grams Tokenization with N-grams

• ساقه تراشی (Stemming) و ریشه‌یابی (Lemmatization) Stemming and Lemmatization

• حذف کلمات توقف (Stop Words) Removing Stop Words

• چالش CHALLENGE 🎉

استفاده از آماده‌سازی پیشرفته متن برای یادگیری ماشین Use Advanced Text Preparation for Machine Learning

• مقدمه Introduction

• برچسب‌گذاری POS (نقش کلمات) POS Tagging

• عبارات منظم (Regex) Regular Expressions (Regex)

• نرمال‌سازی املایی Spelling Normalization

• افزایش داده‌ها (Data Augmentation) Data Augmentation

• نمایش‌های متنی Text Representations

• چالش Challenge 🎉

به‌کارگیری NLP: One Hot, BoW, TF IDF, Word2Vec و GloVe Apply NLP: One-Hot, BoW, TF-IDF, Word2Vec & GloVe

• مقدمه Introduction

• برداری کردن یا نکردن To Vectorize or Not to Vectorize

• کدگذاری One Hot One-Hot Encoding

• Bag of Words, TF IDF و TensorFlow Embedding Projector Bag of Words, TF-IDF, and TensorFlow Embedding Projector

• جایگذاری کلمات با Word2Vec Word Embeddings with Word2Vec

• GloVe: بردارهای جهانی برای نمایش کلمات GloVe: Global Vectors for Word Representation

• چالش CHALLENGE 🎉

بررسی مبانی بهینه‌سازی Explore Foundations of Optimization

• مقدمه Introduction

• بهینه‌سازی چیست؟ What is Optimization?

• بهینه‌سازی در یادگیری ماشین Optimization in Machine Learning

• متغیرهای تصمیم، توابع هدف و محدودیت‌ها Decision Variables, Objective Functions, and Constraints

• نواحی امکان‌پذیر (Feasibility Regions) Feasibility Regions

• بهینه‌سازی محدود و نامحدود Constrained and Unconstrained Optimization

• گرادیان کاهشی در مقابل گرادیان کاهشی تصادفی (SGD) Gradient Descent Vs Stochastic Gradient Descent

• چالش Challenge 🎉

• تصور کنید در حال تحلیل یک استارتاپ ارسال غذا هستید. وظیفه شما به حداقل رساندن زمان کل ارسال در تمام مناطق شهر است. شما می‌توانید تا ۱۰ ربات ارسال اختصاص دهید. Imagine you are analyzing a food delivery startup. You are tasked with minimizing the total deliver time across all city zones. You can assign up to 10 delivery robots.

• یک استارتاپ کوچک دو سطح SaaS می‌فروشد: Basic (B) و Pro (P). هر طرح Basic مبلغ ۵۰ دلار و هر طرح Pro مبلغ ۱۰۰ دلار درآمد دارد. تیم پشتیبانی می‌تواند تا ۳۰۰ مشتری و تیم Pro حداکثر ۱۲۰ مشتری Pro را مدیریت کند. A small startup sells two SaaS tiers: Basic (B) and Pro (P). Each basic plan earns $50, and each Pro plan earns $100. Support team can handle up to 300 customers, and the Pro team can handle at most 120 Pro clients.

• در این سناریو، شما در حال به حداقل رساندن یک تابع زیان برای مدل رگرسیون با استفاده از گرادیان کاهشی هستید. مجموعه‌داده شما ۱۰ میلیون ردیف دارد و هر تکرار زمان بسیار زیادی می‌برد. In this scenario, you are minimizing a loss function for a regression model using gradient descent. Your dataset has 10 million rows, and each iteration is taking forever to complete—way too long.

مقایسه روش‌های برنامه‌ریزی خطی و غیرخطی Compare Linear and Nonlinear Programming Methods

• مقدمه Introduction

• مفاهیم برنامه‌ریزی خطی Linear Programming Concepts

• برنامه‌ریزی خطی با پایتون Linear Programming with Python

• بصری‌سازی ناحیه امکان‌پذیر Visualize the Feasibility Region

• برنامه‌ریزی عدد صحیح Integer Programming

• برنامه‌ریزی خطی در مقابل غیرخطی Linear Vs Nonlinear Programming

• بصری‌سازی ناحیه امکان‌پذیر Visualize the Feasibility Region

• چالش CHALLENGE 🎉

• شما برای مشاوره به یک استارتاپ فودتراک در سانفرانسیسکو استخدام شده‌اید. آن‌ها برای به حداکثر رساندن سود تحت محدودیت‌های خاصی نیاز به کمک دارند. You've been hired to consult for a popup food truck startup in San Francisco. They need help maximizing profits under certain constraints.

کاوش در بهینه‌سازی تخصصی یادگیری ماشین Explore Specialized Machine Learning Optimization

• مقدمه Introduction

• هدف بهینه‌سازی در یادگیری ماشین چیست؟ What is the Goal of ML Optimization?

• بصری‌سازی گرادیان کاهشی در یک بُعد Visualize Gradient Descent in 1D

• انواع مختلف گرادیان کاهشی Different Flavors of Gradient Descent

• بهینه‌سازی محدود در مقابل نامحدود Constrained Vs Unconstrained Optimization

• مسائل Bandit Bandit Problems

• چالش CHALLENGE 🎉

• ویدیو راهنمای حل Walkthrough/Solution Video

به‌کارگیری بینایی ماشین برای درک تصاویر Apply Computer Vision for Image Understanding

• مقدمه Introduction

• پیش‌پردازش تصویر Image Preprocessing

• تشخیص اشیاء با مدل‌های پیش‌آموزش‌دیده Object Detection with Pretrained Models

• OCR و قطعه‌بندی (Segmentation) OCR and Segmentation

• استخراج تصویر Image Extraction

• تلفیق حسگرها (Sensor Fusion) Sensor Fusion

• چالش Challenge

به‌کارگیری استخراج ویژگی برای ادراک تصویر Apply Feature Extraction for Image Perception

• مقدمه Introduction

• بررسی عمیق پیش‌پردازش تصویر Image Preprocessing Deep Dive

• تبدیلات هندسی بیشتر More Geometric Transformations

• کنتراست، نرمال‌سازی، تبدیل فضای رنگ و پر کردن حفره‌ها Contrast, Normalization, Color Space Conversion & Hole Filling

• بررسی عمیق استخراج ویژگی Feature Extraction Deep Dive

• چالش Challenge 🎉

شناسایی شکاف‌های دانشی با SkillScan Identify Knowledge Gaps with the DataX SkillScan

• مقدمه Introduction

• سوال ۱ Question 1

• سوال ۲ Question 2

• سوال ۳ Question 3

• سوال ۴ Question 4

• سوال ۵ Question 5

• سوال ۶ Question 6

• سوال ۷ Question 7

• سوال ۸ Question 8

• سوال ۹ Question 9

• سوال ۱۰ Question 10

• سوال ۱۱ Question 11

• سوال ۱۲ Question 12

• سوال ۱۳ Question 13

• سوال ۱۴ Question 14

• سوال ۱۵ Question 15

• سوال ۱۶ Question 16

• سوال ۱۷ Question 17

• سوال ۱۸ Question 18

• سوال ۱۹ Question 19

• سوال ۲۰ Question 20

• سوال ۲۱ Question 21

• سوال ۲۲ Question 22

• سوال ۲۳ Question 23

• سوال ۲۴ Question 24

• سوال ۲۵ Question 25

• سوال ۲۶ Question 26

• سوال ۲۷ Question 27

• سوال ۲۸ Question 28

• سوال ۲۹ Question 29

• سوال ۳۰ Question 30

• سوال ۳۱ Question 31

• سوال ۳۲ Question 32

• سوال ۳۳ Question 33

• سوال ۳۴ Question 34

• سوال ۳۵ Question 35

• سوال ۳۶ Question 36