آموزش نقشه راه شغلی علم داده: بوت‌کمپ ۱۰۰ روزه دیتا ساینس - آخرین آپدیت

سرفصل ها و درس ها

IMPORTANT Messages for you!

• رد نکنید، از اینجا شروع کنید! Don't skip, Start from here!

• نحوه گذراندن کلاس‌ها How to take the classes

• همین حالا بازپرداخت بگیرید، اگر... Take a refund now, if....

• چیزی اضافه برای شما! Something Extra for you!

مرحله 1: دنیای علم داده ------- Phase 1: The world of Data Science -------

• یادداشت‌هایی بر دنیای علم داده! Notes on Data Science World!

روز 1: مقدمه‌ای بر علم داده Day 1: Introduction to Data Science

• پیام‌های مهم برای شما! Important Messages for You!

• علم داده چیست؟ What is Data Science

• مبانی علم داده Fundamentals of Data Science

• مسیر تبدیل شدن به یک دانشمند داده The path to be a Data Scientist

• ارزیابی دانش 1 Knowledge Assessment 1

روز 2: حوزه علم داده – بخش 1 Day 2: The Field of Data Science - PART 1

• تحلیل داده Data Analysis

• هوش تجاری Business Intelligence

• مدل‌سازی آماری Statistical Modeling

• ارزیابی دانش 2 Knowledge Assessment 2

روز 3: حوزه علم داده – بخش 2 Day 3: The Field of Data Science - PART 2

• یادگیری ماشین Machine Learning

• یادگیری عمیق Deep Learning

• هوش مصنوعی Artificial Intelligence

• ارزیابی دانش 3 Knowledge Assessment 3

روز 4: نقش داده در علم داده Day 4: The role of Data in Data Science

• داده سنتی در مقابل داده بزرگ (Big Data) Traditional Data vs Big Data

• کار با داده بزرگ (Big Data) Working with Big Data

• مثال‌های واقعی از داده بزرگ (Big Data) Real - life examples of Big data

• ارزیابی دانش 4 Knowledge Assessment 4

روز 5: ابزارهای علم داده Day 5: Tools of Data Science

• ابزارهای مدیریت پایگاه داده Database management tools

• زبان‌های برنامه‌نویسی Programming languages

• ابزارهای تحلیل داده 360 360 Data analytics tools

• ابزارهای بصری‌سازی داده Data visualization tools

• محیط‌های توسعه Development environments

• ارزیابی دانش 5 Knowledge Assessment 5

روز 6: متدولوژی علم داده Day 6: Data Science Methodology

• گام 1 – درک کسب‌وکار Step 1 - Business understanding

• گام 2 – جمع‌آوری داده Step 2 - Data collection

• گام 3 – آماده‌سازی داده Step 3 - Data preparation

• گام 4 – مدل‌سازی داده Step 4 - Data modeling

• گام 5 – ارزیابی مدل Step 5 - Model evaluation

• گام 6 – استقرار مدل Step 6 - Model deployment

• ارزیابی دانش 6 Knowledge Assessment 6

مرحله 2: پایتون برای علم داده ------- Phase 2: Python for Data Science -------

• نصب پایتون و ژوپیتر نوت‌بوک Installing Python & Jupyter notebook

• یادداشت‌هایی درباره پایتون برای علم داده Notes on Python for data science

• مجموعه‌داده‌های استفاده شده در این مرحله Datasets used in this phase

روز 7: عبارات و متغیرهای پایتون Day 7: Python Expressions & Variables

• عبارات و متغیرها Expressions and Variables

• تمرین عملی: عبارات و متغیرها Hands-on: Expressions and Variables

• شروع با برنامه‌نویسی پایتون Starting with python programming

روز 8: انواع داده در پایتون Day 8: Python Data Types

• درک انواع داده Understanding Data Types

• تمرین عملی: انواع داده Hands-on: Data Types

• تبدیل انواع داده #1 Converting data types #1

• تبدیل انواع داده #2 Converting data types #2

• تبدیل انواع داده #3 Converting data types #3

روز 9: عملگرهای رشته‌ای پایتون Day 9: Python String Operators

• عملگرهای رشته‌ای مختلف Various String Operators

• تمرین عملی: عملگرهای رشته‌ای Hands-on: String Operators

• شروع از متغیرها تا انواع داده Starting with Variables to Data Types

روز 10: تاپل‌ها و لیست‌های پایتون Day 10: Python Tuples and Lists

• درک تاپل‌ها و لیست‌ها Understanding Tuples and Lists

• تمرین عملی: تاپل‌ها و لیست‌ها Hands-on: Tuples and Lists

• ایجاد لیست Creating list

• ایندکس‌گذاری لیست Indexing list

• برش دادن لیست (Slicing) Slicing list

• افزودن عناصر Adding elements

• حذف عناصر Removing elements

• جایگزینی عناصر Replacing elements

روز 11: عملگرهای مجموعه (Set) در پایتون Day 11: Python Set operators

• درک مجموعه (Set) Understanding Set

• تمرین عملی: عملگرهای مجموعه (Set) Hands-on: Set operators

• یکپارچه‌سازی مجموعه Set integration

• کاهش مجموعه Set reduction

روز 12: دیکشنری‌ها در پایتون Day 12: Python Dictionaries

• درک دیکشنری‌ها Understanding Dictionaries

• تمرین عملی: دیکشنری‌ها Hands-on: Dictionaries

• ایجاد دیکشنری Create dictionary

• افزودن کلیدها و مقادیر Adding keys and values

روز 13: شرطی‌ها در پایتون Day 13: Python Conditionals

• شرط و انشعاب Condition and Branching

• تمرین عملی: شرط و انشعاب Hands-on: Condition & Branching

• دستور شرطی #1 Conditional statement #1

• دستور شرطی #2 Conditional statement #2

• عبارت منطقی #1 Logical expression #1

• عبارت منطقی #2 Logical expression #2

• عبارت منطقی #3 Logical expression #3

روز 14: تکرارکننده‌ها در پایتون Day 14: Python Iteratives

• حلقه‌ها برای تکرار Loops for Iteration

• تمرین عملی: حلقه‌ها Hands-on: Loops

• حلقه For For loop

• حلقه While While loop

روز 15: توابع پایتون Day 15: Python Functions

• توسعه توابع Developing Functions

• تمرین عملی: توابع Hands-on: Functions

• کار با تابع #1 Dealing with function #1

روز 16: شیء و کلاس‌ها در پایتون Day 16: Python Object & Classes

• شیء و کلاس‌ها Object and Classes

• تمرین عملی: شیء و کلاس‌ها Hands-on: Object & Classes

• کار با تابع #2 Dealing with function #2

روز 17: وب اسکرپینگ در پایتون Day 17: Python Web Scrapping

• API, REST API و درخواست (Request) API, REST API & Request

• HTML و BeautifulSoup HTML and BeautifulSoup

• آزمایشگاه عملی: BeautifulSoup Hands-on Lab: BeautifulSoup

• وب اسکرپینگ در پایتون Web scrapping in Python

روز 18: خواندن و نوشتن فایل‌ها Day 18: Reading and Writing files

• خواندن و نوشتن با Pandas Reading and Writing with Pandas

• آزمایشگاه عملی: وارد کردن مجموعه‌داده‌ها Hands-on Lab: Importing datasets

• خواندن و نوشتن JSON و XML Reading and Writing JASON & XML

• آزمایشگاه عملی: وارد کردن JSON و XML Hands-on Lab: Importing JASON & XML

• خواندن فایل‌ها با پایتون Reading Files with Python

مرحله 3: احتمال و توزیع ------- Phase 3: Probability and Distribution -------

• یادداشت‌هایی درباره احتمال و توزیع Notes on Probability & Distribution

روز 19: شروع با احتمال Day 19: Getting started with Probability

• احتمال چیست؟ What is probability?

• مقدار مورد انتظار در مقابل مقدار واقعی Expected value v/s Actual value

• فراوانی در احتمال Frequency in probability

• مکمل‌ها در احتمال Complements in probability

• ارزیابی دانش 7 Knowledge Assessment 7

روز 20: ترکیبیات در احتمال Day 20: Combinatorics in Probability

• مقدمه‌ای بر ترکیبیات Intro to combinatorics

• جایگشت‌ها Permutations

• عملیات فاکتوریل‌ها Factorials operations

• ترکیب‌ها Combinations

• ارزیابی دانش 8 Knowledge Assessment 8

روز 21: استنتاج بیزی Day 21: Bayesian Inference

• مجموعه‌های متقابلاً انحصاری Mutually exclusive sets

• وابستگی‌های مجموعه Set dependencies

• احتمال شرطی Conditional probability

• ارزیابی دانش 10 Knowledge Assessment 10

روز 22: قوانین احتمال Day 22: The law of Probability

• قانون جمع The additive rule

• قانون ضرب The multiplication law

• قانون بیز The bayes' law

• ارزیابی دانش 11 Knowledge Assessment 11

روز 23: درک داده‌های آماری Day 23: Understanding Statistical data

• جامعه آماری و نمونه Population and Sample

• انواع داده‌های آماری Types of Statistical data

• سطح اندازه‌گیری Level of Measurement

• ارزیابی دانش 15 Knowledge Assessment 15

روز 24: توزیع‌های احتمال Day 24: Probability Distributions

• مقدمه‌ای بر توزیع‌ها Intro to Distributions

• توزیع‌های گسسته Discrete distributions

• توزیع‌های پیوسته Continuous distributions

• ارزیابی دانش 12 Knowledge Assessment 12

روز 25: توزیع‌های احتمال – گسسته Day 25: Probability Distributions - Discrete

• توزیع یکنواخت Uniform distribution

• توزیع برنولی Bernoulli distribution

• توزیع دو جمله‌ای Binomial distribution

• توزیع پواسون Poisson distribution

• ارزیابی دانش 13 Knowledge Assessment 13

روز 26: توزیع‌های احتمال – پیوسته Day 26: Probability Distributions - Continuous

• توزیع نرمال Normal distribution

• توزیع تی استیودنت Students' T distribution

• توزیع کای-دو Chi-squared distribution

• توزیع نمایی Exponential distribution

• ارزیابی دانش 14 Knowledge Assessment 14

مرحله 4: پاکسازی و دستکاری داده ------- Phase 4: Data cleaning & Manipulation -------

• یادداشت‌هایی درباره پاکسازی داده Notes on Data cleaning

• مجموعه‌داده‌ها برای فازهای 4 تا 9 Datasets for Phase 4 to 9

روز 27: تعریف مقادیر گمشده Day 27: Define Missing values

• درک مقادیر گمشده Understanding Missing values

• پایتون برای شناسایی مقادیر گمشده Python for missing value identification

• تمرین عملی: شناسایی مقادیر گمشده Hands-on: Missing value identification

• شناسایی مقادیر گمشده Identify missing value

روز 28: پر کردن مقادیر گمشده (Imputing) Day 28: Imputing Missing Values

• درک پر کردن مقادیر (Imputation) Understanding Imputation

• پایتون برای پر کردن مقادیر گمشده Python for missing value imputation

• تمرین عملی: پر کردن مقادیر گمشده Hands-on: Imputing missing values

• پر کردن مقادیر گمشده Imputing missing values

روز 29: انواع داده در دیتافریم (Dataframe) Day 29: Dataframe's Data Types

• انواع داده در دیتافریم Dataframe's data types

• پایتون برای تغییر نوع داده (casting) Python for casting data types

• تمرین عملی: انواع داده در دیتافریم Hands-on: Data types in dataframe

• بررسی نوع داده Checking data type

• تخصیص نوع داده Assigning data type

روز 30: مقابله با ناسازگاری‌ها Day 30: Dealing with Inconsistencies

• مقدار ناسازگار چیست؟ What is Inconsistent value?

• پایتون برای مقابله با ناسازگاری‌ها Python for dealing inconsistencies

• تمرین عملی: کار با ناسازگاری‌ها Hands-on: Working with inconsistencies

• یافتن مقادیر منحصر به فرد Finding the unique values

• حذف مقادیر ناسازگار Removing inconsistent value

روز 31: مقابله با موارد تکراری Day 31: Dealing with Duplicates

• درک موارد تکراری Understanding duplicates

• پایتون برای مقابله با موارد تکراری Python for dealing duplicates

• تمرین عملی: کار با موارد تکراری Hands-on Working with duplicates

• شناسایی موارد تکراری Identify duplicates

• حذف موارد تکراری Removing duplicates

روز 32: مرتب‌سازی ترتیب داده‌ها Day 32: Sorting data order

• مرتب‌سازی داده چیست؟ What is data sorting?

• پایتون برای مرتب‌سازی داده Python for sorting data

• تمرین عملی: مرتب‌سازی داده Hands-on: Sorting data

• مرتب‌سازی مجموعه‌داده dataset sorting

روز 33: برش دادن دیتافریم (Slicing) Day 33: Slicing Dataframe

• درک برش دادن (Slicing) Understanding slicing

• پایتون برای برش دادن داده Python for data slicing

• تمرین عملی: برش دادن داده Hands-on: Data slicing

• برش دادن با loc Slicing with loc

• برش دادن با iloc Slicing with iloc

روز 34: فیلتر کردن دیتافریم (Dataframe) Day 34: Filtering Dataframe

• روش‌های فیلتر کردن داده Methods of Data filtering

• پایتون برای فیلتر کردن داده Python for data filtering

• تمرین عملی: فیلتر کردن داده Hands-on: Data filtering

• فیلتر کردن بولین Boolean filtering

• شرایط چندگانه Multiple conditions

روز 35: ادغام دیتافریم‌ها (Dataframes) Day 35: Merging Dataframes

• درک ادغام داده Understanding data merge

• پایتون برای ادغام داده Python for merging data

• تمرین عملی: ادغام دیتافریم‌ها Hands-on: Merging dataframes

• ادغام دیتافریم‌ها Merging dataframes

روز 36: اتصال دیتافریم‌ها (Concatenating) Day 36: Concatenating Dataframes

• درک اتصال (Concatenation) Understanding concatenation

• پایتون برای اتصال Python for concatenation

• تمرین عملی: اتصال داده Hands-on: Data concatenation

• اتصال دیتافریم‌ها Concatenating dataframes

مرحله 5: تحلیل اکتشافی داده (EDA) و بصری‌سازی داده ------- Phase 5: EDA and Data Visualizations -------

• یادداشت‌هایی درباره تحلیل اکتشافی داده Notes on Exploratory data analysis

• مجموعه‌داده مورد استفاده در این مرحله Dataset used in this phase

روز 37: تحلیل فراوانی و درصد Day 37: Frequency & Percentage Analysis

• درک فراوانی و درصد Understanding Frequency & Percentage

• پایتون برای تحلیل فراوانی-درصد Python for frequency-percentage analysis

• تمرین عملی: فراوانی و درصد Hands-on: Frequency & Percentage

• متد شمارش مقادیر (Value counts) Value counts method

روز 38: آمار توصیفی Day 38: Descriptive Statistics

• میانگین، میانه و مد Mean, Median and Mode

• چولگی و کشیدگی Skewness and Kurtosis

• واریانس و کوواریانس Variance and Covariance

• انحراف معیار Standard deviation

• ارزیابی دانش 16 Knowledge Assessment 16

روز 39: تحلیل توصیفی با پایتون Day 39: Python Descriptive Analysis

• پایتون برای تحلیل توصیفی Python for descriptive analysis

• تمرین عملی: تحلیل توصیفی Hands-on: Descriptive analysis

• آمار توصیفی Descriptive statistics

روز 40: تحلیل داده با Group-by Day 40: Group-by data analysis

• تحلیل داده با Group-by Group-by data analysis

• پایتون برای تحلیل Group-by Python for group-by analysis

• تمرین عملی: تحلیل Group-by Hands-on: Group-by analysis

• متد Group by Group by method

روز 41: تحلیل جدول محوری (PIVOT table) Day 41: PIVOT table analysis

• تحلیل جدول محوری (PIVOT table) PIVOT table analysis

• پایتون برای تحلیل جدول محوری (PIVOT table) Python for PIVOT table analysis

• تمرین عملی: تحلیل جدول محوری (PIVOT table) Hands-on: PIVOT table analysis

• تحلیل جدول محوری (PIVOT table) PIVOT table analysis

روز 42: تحلیل جدول متقاطع (Cross-tab) Day 42: Cross-tab analysis

• تحلیل جدول متقاطع (Cross-tab) Cross-tab analysis

• پایتون برای تحلیل جدول متقاطع (Cross-tab) Python for Cross-tab analysis

• تمرین عملی: تحلیل جدول متقاطع (Cross-tab) Hands-on: Cross-tab analysis

• تحلیل جدول متقاطع (Cross-tab) Cross-tab analysis

روز 43: بصری‌سازی نمودار میله‌ای (Bar Chart) Day 43: Bar Chart Visualization

• موارد استفاده نمودار میله‌ای Use cases of Bar chart

• پایتون برای ایجاد نمودار میله‌ای Python for creating bar chart

• تمرین عملی: ایجاد نمودار میله‌ای Hands-on: Creating bar chart

• نمودار میله‌ای Bar chart

• نمودار میله‌ای خوشه‌ای Clustered bar plot

روز 44: بصری‌سازی نمودار دایره‌ای (Pie Chart) Day 44: Pie Chart Visualization

• موارد استفاده نمودار دایره‌ای Use cases of pie chart

• پایتون برای ایجاد نمودار دایره‌ای Python for creating pie chart

• تمرین عملی: نمودار دایره‌ای Hands-on: Pie chart

• نمودار دایره‌ای Pie chart

روز 45: بصری‌سازی نمودار خطی (Line Chart) Day 45: Line Chart Visualization

• موارد استفاده نمودار خطی Use cases of line chart

• پایتون برای ایجاد نمودار خطی Python for creating line chart

• تمرین عملی: نمودار خطی Hands-on: Line chart

• نمودار خطی Line chart

روز 46: بصری‌سازی هیستوگرام (Histogram) Day 46: Histogram Visualization

• مورد استفاده هیستوگرام Use case of Histogram

• پایتون برای ایجاد هیستوگرام Python for creating histogram

• تمرین عملی: هیستوگرام Hands-on: Histogram

• هیستوگرام Histogram

روز 47: بصری‌سازی نمودار پراکندگی (Scatterplot) Day 47: Scatterplot Visualization

• موارد استفاده نمودار پراکندگی Use cases of Scatterplot

• پایتون برای ایجاد نمودار پراکندگی Python for creating Scatterplot

• تمرین عملی: نمودار پراکندگی Hands-on: Scatterplot

• نمودار پراکندگی Scatterplot

روز 48: بصری‌سازی نقشه‌حرارتی (Heatmap) Day 48: Heatmap Visualization

• موارد استفاده نقشه‌حرارتی Use cases of Heatmap

• پایتون برای ایجاد نقشه‌حرارتی Python for creating Heatmap

• تمرین عملی: نقشه‌حرارتی Hands-on: Heatmap

• نقشه‌حرارتی Heatmap

روز 49: بصری‌سازی نمودار جعبه‌ای (Box-plot) Day 49: Box-plot Visualization

• موارد استفاده نمودار جعبه‌ای Use cases of Box-plot

• پایتون برای ایجاد نمودار جعبه‌ای Python for creating Box-plot

• تمرین عملی: نمودار جعبه‌ای Hands-on: Box-plot

• نمودار جعبه‌ای Boxplot

مرحله 6: آمار استنباطی و مدل‌سازی آماری ------- Phase 6: Inferential Statistics & Statistical Modeling -------

• یادداشت‌هایی درباره آمار استنباطی Notes on Inferential statistics

روز 50: کاوش آمار استنباطی Day 50: Exploring Inferential Statistics

• آمار استنباطی چیست؟ What is inferential statistics

• قضیه حد مرکزی Central limit theorem

• خطای استاندارد Standard error

• برآوردگرها و برآوردها Estimators and estimates

• ارزیابی دانش 17 Knowledge Assessment 17

روز 51: اصول آمار استنباطی Day 51: Essentials of Inferential Statistics

• فاصله اطمینان Confidence interval

• Z-score در مقابل T-score Z-score v/s T-score

• حاشیه خطا Margin of error

• فرضیه صفر در مقابل فرضیه جایگزین Null v/s Alternative Hypothesis

• خطای نوع I و نوع II Type | and Type || Error

• ارزیابی دانش 18 Knowledge Assessment 18

روز 52: پنج گام در آزمون فرضیه Day 52: Five-steps in Hypothesis Testing

• گام 1: تدوین فرضیه‌ها Step 1: Formulate the Hypotheses

• گام 2: انتخاب سطح معنی‌داری Step 2: Select Significance level

• گام 3: انجام آزمون فرض Step 3: Perform assumption test

• گام 4: انجام آزمون مناسب Step 4: Perform appropriate test

• گام 5: تصمیم‌گیری و نتیجه‌گیری Step 5: Decision and Conclusion

• ارزیابی دانش 19 Knowledge Assessment 19

روز 53: بررسی توزیع Day 53: Investigating distribution

• Kdeplot برای توزیع Kdeplot for distribution

• پایتون برای ایجاد Kdeplot Python for creating Kdeplot

• تمرین عملی: Kdeplot Hands-on: Kdeplot

• Kdeplot برای توزیع Kdeplot for distribution

روز 54: آزمون نرمالیتی (Normality Test) Day 54: Normality Test

• آزمون شاپیرو-ویلک Shapiro Wilk test

• پایتون برای آزمون شاپیرو-ویلک Python for Shapiro Wilk test

• تمرین عملی: آزمون شاپیرو-ویلک Hands-on: Shapiro Wilk test

• آزمون نرمالیتی Normality test

روز 55: تبدیل داده Day 55: Data Transformation

• روش‌های تبدیل داده Data transformations methods

• پایتون برای تبدیل داده Python for data transformation

• تمرین عملی: تبدیل داده Hands-on: Data transformation

• تبدیل SQRT SQRT transformation

• تبدیل LOG LOG transformation

• تبدیل BOXCOX BOXCOX transformation

روز 56: آزمون تی نمونه‌های مستقل Day 56: T-test Independent sample

• آزمون تی نمونه‌های مستقل Independent sample t-test

• پایتون برای آزمون تی نمونه‌های مستقل Python for Independent sample t-test

• تمرین عملی: آزمون تی نمونه‌های مستقل Hands-on: Independent sample t-test

• آزمون تی نمونه‌های مستقل Independent sample t-test

روز 57: آزمون تی یک نمونه‌ای Day 57: T-test one sample

• آزمون تی یک نمونه‌ای One sample t-test

• پایتون برای آزمون تی یک نمونه‌ای Python for One sample t-test

• تمرین عملی: آزمون تی یک نمونه‌ای Hands-on: One sample t-test

• آزمون تی یک نمونه‌ای One sample t-test

روز 58: تحلیل واریانس Day 58: Analysis of Variance

• تحلیل واریانس Analysis of Variance

• پایتون برای تحلیل واریانس Python for Analysis of Variance

• تمرین عملی: تحلیل واریانس Hands-on: Analysis of Variance

• آزمون لوین (Levene) Levene's test

• تحلیل واریانس Analysis of Variance

روز 59: آزمون کای-دو Day 59: Chi - Square test

• آزمون کای-دو Chi square test

• پایتون برای آزمون کای-دو Python for Chi square test

• تمرین عملی: آزمون کای-دو Hands-on: Chi square test

• آزمون کای-دو Chi square test

روز 60: آزمون همبستگی پیرسون Day 60: Pearson Correlation Test

• همبستگی پیرسون Pearson correlation

• پایتون برای همبستگی پیرسون Python for Pearson correlation

• تمرین عملی: همبستگی پیرسون Hands-on: Pearson correlation

• همبستگی پیرسون Pearson correlation

روز 61: تحلیل رگرسیون خطی Day 61: Linear Regression Analysis

• تحلیل رگرسیون خطی Linear regression analysis

• پایتون برای رگرسیون خطی Python for Linear regression

• تمرین عملی: رگرسیون خطی Hands-on: Linear regression

• رگرسیون خطی Linear Regression

مرحله 7: مهندسی ویژگی (Feature Engineering) و پیش‌پردازش داده ------- Phase 7: Feature Engineering & Data Preprocessing -------

• یادداشت‌هایی درباره مهندسی ویژگی (Feature Engineering) Notes on Feature engineering

• مجموعه‌داده‌ها برای این مرحله Datasets for this phase

روز 62: تولید ویژگی‌های جدید Day 62: Generating new features

• چگونه ویژگی جدید تولید کنیم؟ How to generate new feature?

• پایتون برای تولید ویژگی‌های جدید Python for generating new features

• تمرین عملی: تولید ویژگی‌های جدید Hands-on: Generating new features

• تولید ویژگی Feature generation

روز 63: استخراج عناصر تاریخ Day 63: Extracting date elements

• چرا این مهم است؟ Why is it important?

• پایتون برای استخراج عناصر تاریخ Python for extracting date elements

• تمرین عملی: استخراج عناصر تاریخ Hands-on: Extracting date elements

• استخراج روز، ماه و سال Extracting day, month and year

روز 64: رمزگذاری ویژگی (Feature encoding) Day 64: Feature encoding

• چه زمانی ویژگی را رمزگذاری کنیم؟ When to encode feature

• پایتون برای رمزگذاری ویژگی Python for encoding feature

• تمرین عملی: رمزگذاری ویژگی Hands-on: Feature encoding

• رمزگذاری ویژگی Feature encoding

روز 65: دسته‌بندی ویژگی (Feature binning) Day 65: Feature binning

• چه زمانی ویژگی را دسته‌بندی کنیم؟ When to bin feature

• پایتون برای دسته‌بندی ویژگی Python for binning feature

• تمرین عملی: دسته‌بندی ویژگی Hands-on: Feature binning

• دسته‌بندی ویژگی Feature binning

روز 66: نگاشت ویژگی (Feature mapping) Day 66: Feature mapping

• چه زمانی ویژگی را نگاشت کنیم؟ When to map feature

• پایتون برای نگاشت ویژگی Python for mapping feature

• تمرین عملی: نگاشت ویژگی Hands-on: Feature mapping

• نگاشت ویژگی Feature mapping

روز 67: تولید متغیرهای ساختگی (dummies) Day 67: Generating dummies

• چه زمانی متغیرهای ساختگی تولید کنیم؟ When to generate dummies

• پایتون برای تولید متغیرهای ساختگی Python for generating dummies

• تمرین عملی: تولید متغیرهای ساختگی hands-on: Generating dummies

• تولید متغیرهای ساختگی Generating dummies

روز 68: انتخاب ویژگی (Feature selection) Day 68: Feature selection

• چرا ضروری است؟ Why it is necessary?

• پایتون برای انتخاب ویژگی Python for Feature selection

• تمرین عملی: انتخاب ویژگی Hand-on: Feature selection

• انتخاب ویژگی Feature selection

روز 69: مقیاس‌گذاری ویژگی (Feature scaling) Day 69: Feature scaling

• روش‌های مقیاس‌گذاری ویژگی Methods of Feature scaling

• پایتون برای مقیاس‌گذاری ویژگی‌ها Python for scaling features

• تمرین عملی: مقیاس‌گذاری ویژگی Hands-on: Feature scaling

• مقیاس‌گذاری استاندارد (Standard scaling) Standard scaling

• مقیاس‌گذاری MinMax MinMax Scaling

روز 70: کاهش ابعاد (Dimensionality reduction) Day 70: Dimensionality reduction

• What is Dimensionality reduction?

• پایتون برای کاهش ابعاد Python for Dimensionality reduction

• عملی: کاهش ابعاد Hands-on: Dimensionality reduction

• نسبت واریانس توضیح داده شده Explained variance ratio

• انتخاب n_component Select n_component

• تحلیل مؤلفه‌های اصلی Principal component analysis

روز ۷۱: تقسیم مجموعه داده Day 71: Splitting Dataset

• چرا لازم است؟ Why it is necessary?

• پایتون برای مجموعه داده‌های آموزش-آزمایش Python for train-test set

• عملی: مجموعه داده‌های آموزش-آزمایش Hands-on: Train-test set

• تقسیم آموزش-آزمایش Train test split

-------- فاز ۸: یادگیری ماشین [پیش‌نیاز] ------- ------- Phase 8: Machine Learning [Prerequisite] -------

• نکاتی درباره یادگیری ماشین Notes on Machine Learning

روز ۷۲: ریاضیات ضروری - بخش ۱ Day 72: Essential Mathematics PART 1

• ماتریس چیست؟ What is Matrix?

• اسکالرها و بردارها Scalars and Vectors

• مقدمه‌ای بر جبر خطی Linear algebra introduction

• ارزیابی دانش ۲۰ Knowledge Assessment 20

روز ۷۳: ریاضیات ضروری - بخش ۲ Day 73: Essential Mathematics PART 2

• تنسور چیست؟ What is Tensor?

• ترانهاده ماتریس Transpose of Matrix

• ضرب نقطه‌ای و ماتریس Dot product and Matrix

• ارزیابی دانش ۲۱ Knowledge Assessment 21

روز ۷۴: مقدمه‌ای بر یادگیری ماشین Day 74: Introduction to Machine learning

• یادگیری ماشین چیست؟ What is Machine learning?

• مدل‌های رگرسیون نظارت شده Supervised Regression models

• مدل‌های طبقه‌بندی نظارت شده Supervised Classification models

• مدل‌های خوشه‌بندی بدون نظارت Unsupervised clustering models

• ارزیابی دانش ۲۲ Knowledge Assessment 22

روز ۷۵: ارزیابی و اعتبارسنجی Day 75: Evaluation and Validation

• معیارهای ارزیابی مدل Model evaluating metrics

• بیش‌برازش و کم‌برازش Overfitting & Underfitting

• مشکل داده نامتوازن Imbalanced data problem

• ارزیابی دانش ۲۳ Knowledge Assessment 23

-------- فاز ۹: یادگیری ماشین عملی [از A تا Z] ------- ------- Phase 9: Hands-on Machine Learning [A - Z] -------

• نکاتی درباره یادگیری ماشین Notes on Machine learning

• مجموعه داده‌های تمرینی مورد استفاده در این فاز Practice datasets used for this phase

روز ۷۶: مدل رگرسیون خطی Day 76: Linear Regression Model

• رگرسیون خطی چگونه کار می‌کند How Linear regression works

• پایتون برای مدل رگرسیون خطی Python for Linear regression model

• عملی: مدل رگرسیون خطی Hands-on: Linear regression model

• ساخت رگرسیون خطی Build Linear Regression

• پیش‌بینی با رگرسیون خطی Prediction with Linear Regression

• ارزیابی مدل Model evaluation

روز ۷۷: مدل رگرسیون لجستیک Day 77: Logistic Regression Model

• رگرسیون لجستیک چگونه کار می‌کند How Logistic regression works

• پایتون برای رگرسیون لجستیک Python for logistic regression

• عملی: رگرسیون لجستیک Hands-on: Logistic Regression

• ساخت رگرسیون لجستیک Build Logistic Regression

• ارزیابی مدل LGR Evaluate the LGR model

روز ۷۸: مقابله با بیش‌برازش - روش ۱ Day 78: Dealing with overfitting - Method 1

• اعتبارسنجی متقاطع K-fold K-fold cross validation

• پایتون برای اعتبارسنجی متقاطع Python for cross-validation

• عملی: اعتبارسنجی متقاطع k-fold Hands-on: k-fold cross validation

• اعتبارسنجی متقاطع K-fold K-fold cross validation

روز ۷۹: مقابله با بیش‌برازش - روش ۲ Day 79: Dealing with overfitting - Method 2

• رگولاریزاسیون L1, L2 L1, L2 regularization

• پایتون برای رگولاریزاسیون Python for regularization

• عملی: رگولاریزاسیون مدل Hands-on: Model regularization

• رگولاریزاسیون L1 و L2 L1 & L2 regularization

روز ۸۰: حل مشکل داده نامتوازن - روش ۱ Day 80: Solving imbalanced data - Method 1

• روش نمونه‌برداری بیش از حد (oversampling) The oversampling method

• پایتون برای روش‌های نمونه‌برداری بیش از حد Python for oversampling methods

• عملی: روش‌های نمونه‌برداری بیش از حد Hands-on: oversampling methods

• SMOTE - نمونه‌برداری بیش از حد SMOTE - oversampling

روز ۸۱: حل مشکل داده نامتوازن - روش ۲ Day 81: Solving imbalanced data - Method 2

• روش نمونه‌برداری کمتر از حد (undersampling) The undersampling method

• پایتون برای روش‌های نمونه‌برداری کمتر از حد Python for undersampling methods

• عملی: روش‌های نمونه‌برداری کمتر از حد Hands-on: Undersampling methods

• Tomek Links - نمونه‌برداری کمتر از حد Tomek Links - Undersampling

روز ۸۲: مدل خوشه‌بندی KMeans Day 82: KMeans Clustering Model

• خوشه‌بندی KMeans چگونه کار می‌کند How KMeans clustering works

• پایتون برای خوشه‌بندی KMeans Python for KMeans clustering

• عملی: خوشه‌بندی KMeans Hands-on: KMeans clustering

• محاسبه WCSS Calculating WCSS

• رسم نمودار آرنجی Plotting Elbow chart

• ساخت خوشه KMeans Building KMeans cluster

روز ۸۳: مدل رگرسیون درخت تصمیم Day 83: Decision Tree Regression Model

• رگرسیون درخت تصمیم چگونه کار می‌کند How Decision tree regression works

• پایتون برای رگرسیون درخت تصمیم Python for decision tree regression

• عملی: رگرسیون درخت تصمیم Hands-on: Decision tree regression

• رگرسیون درخت تصمیم Decision tree regression

روز ۸۴: مدل طبقه‌بندی درخت تصمیم Day 84: Decision Tree Classification Model

• طبقه‌بندی درخت تصمیم چگونه کار می‌کند How Decision tree classification works

• پایتون برای طبقه‌بندی درخت تصمیم Python for Decision tree classification

• عملی: طبقه‌بندی درخت تصمیم Hands-on: Decision tree classification

• طبقه‌بندی درخت تصمیم Decision tree classification

روز ۸۵: مدل رگرسیون جنگل تصادفی Day 85: Random Forest Regression Model

• رگرسیون جنگل تصادفی چگونه کار می‌کند How Random forest regression works

• پایتون برای رگرسیون جنگل تصادفی Python for Random forest regression

• عملی: رگرسیون جنگل تصادفی Hands-on: Random forest regression

• رگرسیون جنگل تصادفی Random forest regression

روز ۸۶: مدل طبقه‌بندی جنگل تصادفی Day 86: Random Forest Classification Model

• طبقه‌بندی جنگل تصادفی چگونه کار می‌کند How Random forest classification works

• پایتون برای طبقه‌بندی جنگل تصادفی Python for Random forest classification

• عملی: طبقه‌بندی جنگل تصادفی Hands-on: Random forest classification

• طبقه‌بندی جنگل تصادفی Random forest classification

روز ۸۷: مدل‌های AdaBoost Day 87: AdaBoost Models

• مدل‌های AdaBoost چگونه کار می‌کنند How AdaBoost Models work

• پایتون برای مدل‌های AdaBoost Python for AdaBoost Models

• عملی: مدل‌های AdaBoost Hands-on: AdaBoost Models

• مدل طبقه‌بندی AdaBoost AdaBoost Classification Model

روز ۸۸: مدل GBM سنتی Day 88: Traditional GBM Model

• GBM سنتی چگونه کار می‌کند How Traditional GBM works

• پایتون برای مدل GBM سنتی Python for Traditional GBM Model

• عملی: مدل GBM سنتی Hands-on: Traditional GBM Model

• مدل طبقه‌بندی GBM سنتی Trad GBM Classification Model

روز ۸۹: مدل‌های CatBoost Day 89: CatBoost Models

• مدل‌های CatBoost چگونه کار می‌کنند How CatBoost Models work

• پایتون برای مدل‌های CatBoost Python for CatBoost Models

• عملی: مدل‌های CatBoost Hands-on: CatBoost Models

• مدل طبقه‌بندی CatBoost CatBoost Classification Model

روز ۹۰: مدل‌های LightGBM Day 90: LightGBM Models

• مدل‌های LightGBM چگونه کار می‌کنند How LightGBM Models work

• پایتون برای مدل‌های LightGBM Python for LightGBM Models

• عملی: مدل‌های LightGBM Hands-on: LightGBM Models

• طبقه‌بند LightGBM LightGBM Classifier

روز ۹۱: مدل‌های XGBoost Day 91: XGBoost Models

• مدل‌های XGBoost چگونه کار می‌کنند How XGBoost Models work

• پایتون برای مدل‌های XGBoost Python for XGBoost Models

• عملی: مدل‌های XGBoost Hands-on: XGBoost Models

• مدل‌های XGBoost XGBoost Models

روز ۹۲: تنظیم هایپرپارامتر Day 92: Hyper-parameter Tuning

• تنظیم هایپرپارامتر چیست؟ What is Hyperparameter tuning?

• پایتون برای تنظیم هایپرپارامتر Python for Hyperparameter tuning

• عملی: تنظیم هایپرپارامتر Hands-on: Hyperparameter tuning

• جستجوی بیزین CV Bayes search CV

-------- فاز ۱۰: یادگیری عمیق و هوش مصنوعی ------- ------- Phase 10: Deep Learning & Artificial Intelligence -------

• نکاتی درباره یادگیری عمیق Notes on Deep learning

روز ۹۳: مبانی یادگیری عمیق Day 93: Fundamentals of Deep Learning

• درک یادگیری عمیق Understanding Deep Learning

• شبکه‌های عصبی در یادگیری عمیق Neural Networks in Deep Learning

• TensorFlow چیست؟ What is TensorFlow?

• TensorFlow 2.0 چگونه کار می‌کند How TensorFlow 2.0 works

• ارزیابی دانش ۲۴ Knowledge Assessment 24

روز ۹۴: مقداردهی اولیه و نزول گرادیان Day 94: Initialization & Gradient Descent

• مقداردهی اولیه چیست؟ What is Initialization?

• مقداردهی اولیه گلوروت Glorot Initialization

• نزول گرادیان تصادفی Stochastic Gradient Descent

• ارزیابی دانش ۲۵ Knowledge Assessment 25

روز ۹۵: یادگیری عمیق در زندگی واقعی Day 95: Deep Learning in Real-life

• درک داده Understanding the data

• پیش‌پردازش داده Preprocessing the data

• آموزش مدل Model training

• ارزیابی مدل Model evaluation

• حل مشکل واقعی با یادگیری عمیق Solve Real problem with Deep Learning

روز ۹۶: مبانی هوش مصنوعی Day 96: AI Fundamentals

• هوش مصنوعی و جریان کاری آن چیست؟ What is AI and AI workflow?

• انواع مختلف هوش مصنوعی Various types of Artificial intelligence

• هوش مصنوعی مولد و موارد استفاده آن Generative AI and Its use cases

• NLP، فناوری گفتار و بینایی کامپیوتر NLP, Speech Technology & Computer vision

• ارزیابی دانش ۲۶ Knowledge Assessment 26

روز ۹۷: مهندسی پرامپت Day 97: Prompt Engineering

• پرامپت چیست؟ What is Prompt?

• مهندسی پرامپت The Prompt engineering

• بهترین روش‌ها در PE Best practices in PE

• الگوی مصاحبه PE Interview pattern of PE

• ارزیابی دانش ۲۷ Knowledge Assessment 27

روز ۹۸: توسعه هوش مصنوعی مولد تبدیل متن به تصویر Day 98: Gen AI Text-to-Image Development

• مروری بر پروژه Project overview

• دیفیوزرها - پایپ‌لاین انتشار پایدار Diffusers - Stable Diffusion Pipeline

• runwayml/stable-diffusion-v1-5 runwayml/stable-diffusion-v1-5

• توسعه مدل هوش مصنوعی مولد تبدیل متن به تصویر Developing Gen AI Text to Image Model

• آزمایشگاه عملی: هوش مصنوعی مولد Text2Image Hands-on Lab: Gen AI Text2Image

روز ۹۹: توسعه ربات چت هوش مصنوعی مولد Day 99: Gen AI Chatbot Development

• مروری بر پروژه Project overview

• مدل Gemma-2-2b برای ربات چت Gemma-2-2b Model for Chatbot

• مدل Llama-2-7b برای ربات چت Llama-2-7b Model for Chatbot

• توسعه ربات چت هوش مصنوعی مولد Developing Gen AI Chatbot

• آزمایشگاه عملی: ربات چت هوش مصنوعی مولد Hands-on Lab: Gen AI Chatbot

روز ۱۰۰ - علم داده در دنیای واقعی Day 100 - Data Science in Real World

• طبقه‌بندی بهترین مهاجمان Classifying the Best Strikers

پیوست - مدیریت داده از A تا Z با SQL APPENDIX - Data Management A-Z with SQL

• RDBMS: مثال و اهمیت RDBMS: example and importance

• ویژگی‌های کلیدی RDBMS Key features of RDBMS

• کلید اصلی در مقابل کلید خارجی Primary key v/s Foreign key

• انواع رابطه در RDBMS Types of relationship in RDBMS

• انواع داده در RDBMS Data types in RDBMS

• نصب MySQL در ویندوز و مک Installing MySQL in Windows and Mac

• بارگذاری مجموعه داده CSV در MySQL Loading CSV dataset in MySQL

• ایجاد پایگاه داده Creating database

• انتخاب پایگاه داده Selecting database

• اصلاح پایگاه داده Modifying database

• حذف پایگاه داده Deleting database

• SELECT....FROM: انتخاب داده از جدول SELECT....FROM: select data from table

• DISTINCT: انتخاب مقادیر منحصربه‌فرد برای ستون DISTINCT: selecting unique values for column

• AS: انتخاب ستون‌ها بر اساس نام مستعار AS: selecting columns based on aliases

• WHERE: انتخاب داده بر اساس شرط WHERE: selecting data based on condition

• CREATE: ایجاد جدول CREATE: creating table

• NOT NULL: محدود کردن مقادیر Null NOT NULL: limiting null values

• UNIQUE: محدود کردن تکراری‌ها UNIQUE: limiting duplicates

• INSERT INTO: افزودن مقادیر در ستون‌ها INSERT INTO: adding values in columns

• UPDATE: به‌روزرسانی مقادیر بر اساس شرط UPDATE: updating values based on condition

• DELETE: حذف مقادیر بر اساس شرط DELETE: deleting values based on condition

• TRUNCATE: حذف همه مقادیر به جز جدول TRUNCATE: deleting all the values except table

• DROP: حذف کل جدول DROP: removing entire table

• CHECK: محدود کردن مقادیر خاص در ستون‌ها CHECK: limiting specific values in columns

• ADD COLUMN: افزودن ستون جدید ADD COLUMN: adding new column

• MODIFY COLUMN: جایگزینی انواع داده MODIFY COLUMN: replacing data types

• RENAME COLUMN: تغییر نام ستون‌ها RENAME COLUMN: changing column names

• DROP COLUMN: حذف ستون‌ها DROP COLUMN: deleting columns

• ADD CONSTRAINT: افزودن کلید اصلی ADD CONSTRAINT: adding primary key

• ADD CONSTRAINT….REFERENCES: افزودن کلید خارجی ADD CONSTRAINT….REFERENCES: adding foreign key

• DROP CONSTRAINT: حذف کلیدها DROP CONSTRAINT: deleting keys

• CREATE INDEX: ایجاد فهرست جدید CREATE INDEX: creating new index

• CREATE UNIQUE INDEX: ایجاد فهرست بدون تکرار CREATE UNIQUE INDEX: creating index without duplicates

• DROP INDEX: حذف فهرست موجود DROP INDEX: deleting existing index

• IS NULL: فیلتر کردن مقادیر واقعی IS NULL: filtering the actual values out

• IS NOT NULL: فیلتر کردن مقادیر از دست رفته IS NOT NULL: filtering the missing values out

• AND: ترکیب دو یا چند شرط AND: combining two or more conditions

• OR: عملگر منطقی انعطاف‌پذیر OR: flexible logical operator

• NOT: حذف مقادیر از فیلتر NOT: excluding values from filteration

• BETWEEN...AND: فیلتر کردن محدوده‌های مقادیر BETWEEN...AND: filtering ranges of values

• LIKE: فیلتر کردن بر اساس الگو LIKE: filtering based on pattern

• IN: منطق دقیق برای شرایط متعدد IN: precise logic for multiple conditions

• LIMIT: فیلتر کردن با داده محدود LIMIT: filtering with limited data

• CHAR_LENGTH: یافتن طول متن CHAR_LENGTH: finding the length of text

• CONCAT: اضافه کردن رشته‌های مختلف به هم CONCAT: adding different strings together

• LOWER: تبدیل به حروف کوچک LOWER: converting into lowercase

• UPPER: تبدیل به حروف بزرگ UPPER: converting into uppercase

• TRIM: حذف فاصله‌های اضافی TRIM: removing unnecessary gaps

• REPLACE: جایگزینی مقدار قدیمی با مقدار جدید REPLACE: replacing old value by new value

• ABS: تبدیل مقدار منفی به مثبت ABS: negative to positive value

• SUM: محاسبه مقدار کل SUM: calculating the total value

• AVG: محاسبه مقدار میانگین AVG: calculating the average value

• COUNT: شمارش کل آیتم‌ها COUNT: counting total items

• DIV: تقسیم داده‌های عددی DIV: dividing numeric data

• MIN: یافتن کمترین مقدار MIN: finding the lowest value

• MAX: یافتن بیشترین مقدار MAX: finding the highest value

• POWER: ضرب‌های چندگانه POWER: multiple multiplications

• ROUND: کاهش اعشار ROUND: decreasing the decimals

• SQRT و LOG: توابع تبدیل SQRT and LOG: transformation functions

• DATEFORMAT: قالب‌بندی شکل تاریخ DATEFORMAT: formatting the date shape

• DATEDIFF: یافتن تفاوت تاریخ DATEDIFF: finding the date difference

• DAY/MONTH/YEAR: استخراج بخش‌هایی از تاریخ DAY/MONTH/YEAR: extracting parts of dates

• ORDER BY: مرتب‌سازی داده‌ها بر اساس یک ستون ORDER BY: sorting data based on a column

• GROUP BY: تحلیل داده گروهی با توابع GROUP BY: group data analysis with functions

• INNER JOIN: ادغام بر اساس مقادیر مشترک INNER JOIN: joining on common values

• LEFT JOIN: ادغام بر اساس مقادیر جدول چپ LEFT JOIN: joining on left table values

• RIGHT JOIN: ادغام بر اساس مقادیر جدول راست RIGHT JOIN: joining on right table values

• CROSS JOIN: ادغام همه مقادیر از جداول CROSS JOIN: joining all values from tables

• HAVING: قالب شرطی پیشرفته HAVING: advanced conditional format

• EXISTS: فیلترگذاری تو در تو بین جداول EXISTS: nested filtering between tables

• ANY: فیلترگذاری تو در تو بین جداول ANY: nested filtering between tables

• CASE: یافتن نتایج شرطی CASE: finding the conditional outcomes

پیوست - هوش تجاری از A تا Z با PowerBI APPENDIX - Business Intelligence A-Z with PowerBI

• دانلود مجموعه‌های داده Download datasets

• دانلود Power BI دسکتاپ Downloading Power BI desktop

• تنظیمات مهم برای Power BI Important setting to Power BI

• وارد کردن مجموعه داده به Power BI Importing dataset into Power BI

• تنظیم نام‌های جدول و ستون Adjusting table and column names

• تنظیم انواع داده صحیح Setting correct data types

• تقسیم و حذف ستون Splitting and removing column

• جایگزینی مقادیر در یک ستون Replacing values in a column

• دستکاری داده‌های متنی Text data manipulation

• تحلیل داده‌های عددی Numeric data analysis

• دستکاری تاریخ و زمان Date and time manipulation

• ستون شرطی Conditional column

• گروه‌بندی و تجمیع Grouping and aggregating

• ادغام مجموعه‌های داده Joining datasets

• الحاق مجموعه‌های داده Concatenating datasets

• درک مدل‌سازی داده Understanding data modeling

• ایجاد مدل داده در Power BI Creating data model in Power BI

• مدیریت و ویرایش مدل‌های داده Managing & editing data models

• فرمت‌ها و دسته‌بندی‌های ستون داده Data column formats & categories

• ایجاد و مدیریت سلسله‌مراتب Creating & managing hierarchies

• DAX برای ریاضیات و آمار DAX for math and statistics

• DAX برای شمارش دسته‌بندی‌ها DAX for counting categories

• DAX برای توابع منطقی DAX for logical functions

• شروع کار با داشبورد Getting started with dashboard

• نصب کارت‌های KPI Installing KPI cards

• رسم نمودار خطی Plotting line chart

• توسعه نمودار مساحتی Developing area chart

• نصب نمودارهای سنجش Installing gauge charts

• تزئین داشبورد Decorating dashboard

• ایجاد نمودارهای میله‌ای Creating bar charts

• نصب نمودار دونات Installing donut chart

• بصری‌سازی ماتریس جدول Table matrix visualization

• بصری‌سازی نقشه Map visualization

• ویژه: راهنمای ابزار Power BI SPEACIAL: Power BI tooltip

• ویژه: اسلایسرها برای تعامل‌پذیری SPECIAL: Slicers for interactivity

• ویژه: افزودن دکمه سفارشی SPECIAL: Adding custom button

• مهم: لمس نهایی IMPORTANT: Final touch

گام‌های بعدی شما برای حرفه Your Next Steps for Career

• پورتفولیوی خود را توسعه دهید Develop your portfolio

• اولین شغل خود را پیدا کنید! Get your first job!