راهنمای کامل هوش مصنوعی مولد برای تجزیه و تحلیل داده و علم داده

سرفصل ها و درس ها

مقدمه Introduction

• شروع کردن Getting started

1. رمزگشایی از داده ها: تجزیه و تحلیل داده ها و علم داده 1. Demystifying Data: Data Analysis and Data Science

• نتایج را تفسیر کنید Interpret the results

• جمع آوری و به دست آوردن داده ها Collecting and obtaining data

• مدل سازی پیش بینی Predictive modeling

• سوال پرسیدن Asking questions

• تجزیه و تحلیل داده ها Analyzing data

• یادگیری ماشینی Machine learning

• تمیز کردن و آماده سازی داده ها Cleaning and preparing data

2. ابزارهای تجارت 2. Tools of the Trade

• الگوریتم های یادگیری ماشینی Machine learning algorithms

• آمار Statistics

• حل مسئله Problem-solving

• پایتون Python

• پلتفرم های آماری Statistics platforms

• کتابخانه های یادگیری ماشینی Machine learning libraries

• پایگاه داده های SQL و رابطه ای SQL and relational databases

• صفحات گسترده Spreadsheets

3. تفکر درباره داده ها 3. Thinking About Data

• داده های گسسته در مقابل داده های پیوسته Discrete vs. continuous data

• داده های طبقه بندی شده Categorical data

• داده های کمی و کیفی Quantitative and qualitative data

4. تکنیک هایی برای توصیف داده ها 4. Techniques for Describing Data

• چالش: توصیف داده ها Challenge: Describing data

• اقدامات گرایش مرکزی Measures of central tendency

• اقدامات گسترش Measures of spread

• راه حل: توصیف داده ها Solution: Describing data

• تجسم توزیع داده ها Visualizing data distribution

• توصیف مجموعه داده با استفاده از هوش مصنوعی مولد Describing a dataset using generative AI

5. توزیع داده ها 5. Distributions of Data

• تجسم توزیع دووجهی در پایتون Visualizing a bimodal distribution in Python

• راه حل: توزیع داده ها Solution: Distribution of data

• تجسم یک توزیع عادی در پایتون Visualizing a normal distribution in Python

• توزیع داده ها Distributions of data

• چالش: توزیع داده ها Challenge: Distributions of data

• ایجاد توزیع نرمال Generating a normal distribution

• تجسم توزیع یکنواخت در پایتون Visualizing a uniform distribution in Python

• تجسم یک توزیع نرمال در یک صفحه گسترده Visualizing a normal distribution in a spreadsheet

• Jupyter Notebook and Colab Jupyter Notebook and Colab

6. داده های نمونه گیری 6. Sampling Data

• ایجاد نمونه ها Creating samples

• نمونه گیری و جمعیت زیاد Sampling and large populations

• ذخیره نمونه ها در یک فایل Saving samples to a file

• مقایسه جمعیت با آمار نمونه Comparing population to sample statistics

• راه حل: نمونه برداری از داده ها Solution: Sampling data

• چالش: نمونه برداری از داده ها Challenge: Sampling data

7. استنتاج از داده ها 7. Making Inferences from Data

• راه حل: استنتاج از داده ها Solution: Making inferences from data

• خطاهای نوع I و نوع II Type I and type II errors

• تولید پایتون برای تست نرمال بودن Generating Python for testing normality

• تست های ANOVA برای مقایسه میانگین ها ANOVA tests for comparing means

• تولید پایتون برای تحلیل همبستگی Generating Python for correlation analysis

• تولید اسکریپت های پایتون برای تست های مجذور کای Generating Python Scripts for Chi-squared tests

• تحلیل همبستگی Correlation analysis

• روش شناسی آزمون فرضیه Hypothesis testing methodology

• آزمون استقلال متغیرهای طبقه بندی شده Testing independence of categorical variables

• چالش: استنتاج از داده ها Challenge: Making inferences from data

• آمار استنباطی Inferential statistics

• تست نرمال بودن Testing for normality

• تجزیه و تحلیل ترجیحات مشتری Analyzing customer preferences

• تولید اسکریپت های پایتون برای ANOVA Generating Python scripts for ANOVA

8. تجسم داده ها 8. Visualizing Data

• تجسم ترکیب Visualizing composition

• تجسم همبستگی ها Visualizing correlations

• راه حل: تجسم داده ها Solution: Visualizing data

• تجسم روندها Visualizing trends

• چالش: تجسم داده ها Challenge: Visualizing data

• تجسم داده ها Visualizing data

• تجسم توزیع ها Visualizing distributions

9. پسرفت 9.Regression

• رگرسیون خطی Linear regression

• چالش: ساخت مدل رگرسیون Challenge: Building a regression model

• ساخت مدل رگرسیون خطی Building a linear regression model

• تجسم داده های فروش Visualizing sales data

• ارزیابی مدل های رگرسیون خطی Evaluating linear regression models

• ارزیابی مدل رگرسیون خطی فروش Evaluating a sales linear regression model

• راه حل: ساخت مدل رگرسیون Solution: Building a regression model

10. تجزیه و تحلیل داده ها در فایل ها 10. Analyzing Data in Files

• راه حل: داده های از دست رفته Solution: Missing data

• فریم های داده در پایتون Dataframes in Python

• چالش: داده های از دست رفته Challenge: Missing data

• بازرسی چارچوب های داده Inspecting dataframes

• بارگیری JSON در دیتافریم Loading JSON into dataframes

• مرور یک نمونه فایل JSON Reviewing an example JSON file

• استفاده از صفحات گسترده با فایل های CSV Using spreadsheets with CSV files

• فایل های داده Data files

• بارگیری داده‌های CSV در فریم‌های داده Loading CSV data into dataframes

• کیفیت داده ها و پاکسازی داده ها Data quality and data cleansing

• استفاده از jq با فایل های JSON Using jq with JSON files

• تولید دستورات jq با استفاده از هوش مصنوعی Generating jq commands using AI

• استفاده از هوش مصنوعی برای کیفیت داده ها و پاکسازی داده ها Using AI for data quality and data cleansing

11. تجزیه و تحلیل داده ها در پایگاه های داده 11. Analyzing Data in Databases

• چالش: یک مدل داده رابطه ای ایجاد کنید Challenge: Generate a relational data model

• راه حل: یک مدل داده رابطه ای ایجاد کنید Solution: Generate a relational data model

• ایجاد جداول و درج داده ها Creating tables and inserting data

• مقدمه ای بر SQL Introduction to SQL

• پرس و جو داده ها با SQL Querying data with SQL

• ایجاد یک طرحواره ستاره ای، داده های مصنوعی و پرس و جوها Generating a star schema, synthetic data, and queries

• پایگاه های داده رابطه ای Relational databases

• استخراج، تبدیل و بارگذاری داده ها در پایگاه های داده Extraction, transformation, and loading data into databases

• پایگاه های داده NoSQL NoSQL databases

• تولید مجموعه داده های مصنوعی برای پایگاه داده رابطه ای Generating synthetic data sets for a relational database

• اتصال داده ها با SQL Joining data with SQL

• آمار توصیفی در SQL Descriptiive statistics in SQL

12. مقدمه ای بر یادگیری ماشین 12. Introduction to Machine Learning

• چرخه زندگی یادگیری ماشینی Machine learning lifecycle

• مهندسی ویژگی Feature engineering

• طبقه بندی Classification

• یادگیری تحت نظارت و بدون نظارت Supervised and unsupervised learning

• خوشه بندی Clustering

• ارزیابی مدل Model evaluation

• رگرسیون Regression

13. ساخت مدل های یادگیری ماشین: طبقه بندی 13. Building Machine Learning Models: Classification

• مدل طبقه بندی ساده Simple classification model

• راه حل: پیش بینی قصد مصرف کننده Solution: Predicting consumer intent

• تنظیم فراپارامتر Hyperparameter tuning

• رسیدگی به داده های از دست رفته Handling missing data

• طبقه بندی با شبکه های عصبی Classification with neural networks

• ارزیابی اهمیت ویژگی Evaluating feature importance

• مقایسه چندین الگوریتم Comparing multiple algorithms

• چالش: پیش بینی قصد مصرف کننده Challenge: Predicting consumer intent

14. ساخت مدل های یادگیری ماشین: خوشه بندی 14. Building Machine Learning Models: Clustering

• خوشه بندی با DBSCAN Clustering with DBSCAN

• خوشه بندی با k-means Clustering with k-means

• خوشه بندی با خوشه بندی سلسله مراتبی Clustering with hierarchical clustering

• چالش: تقسیم بندی مشتریان Challenge: Customer segmentation

• راه حل: تقسیم بندی مشتریان Solution: Customer segmentation

15. مجموعه داده های ML Access را باز کنید 15. Open Access ML Datasets

• دسترسی باز به مجموعه داده های ML Open access ML datasets

16. تجزیه و تحلیل شبکه 16. Network Analysis

• تجسم یک زنجیره تامین پیچیده Visualizing a complex supply chain

• تجزیه و تحلیل یک شبکه اجتماعی Analyzing a social network

• ایجاد یک زنجیره تامین مصنوعی Generating a synthetic supply chain

• مقدمه ای بر نظریه گراف Introduction to graph theory

• NetworkX NetworkX

• یافتن بالاترین نمرات بین بودن Finding highest betweenness scores

• راه حل: تجزیه و تحلیل یک شبکه اجتماعی Solution: Analyzing a social network

• مباحث پیشرفته در تحلیل زنجیره تامین Advanced topics in supply chain analysis

• چالش: تجزیه و تحلیل یک شبکه اجتماعی Challenge: Analyzing a social network

• زنجیره تامین و تجزیه و تحلیل شبکه Supply chains and network analysis

17. شبیه سازی 17. Simulations

• مقدمه ای بر شبیه سازی Introduction to simulations

• مدل‌سازی بیماری‌های عفونی مبتنی بر عامل Agent-base infectious diseases modeling

• انواع شبیه سازی Types of simulations

• چالش: شبیه سازی آتش سوزی جنگل Challenge: Simulating forest fires

• مدل سازی شیوع بیماری های عفونی Modeling the spread of infectious diseases

• راه حل: شبیه سازی آتش سوزی جنگل Solution: Simulating forest fires

• مدلسازی مدیریت موجودی Modeling inventory management

• مدل سازی مبتنی بر عامل Agent-based modeling

18. پروژه Capstone 18. Capstone Project

• راه حل پروژه Capstone Capstone project solution

• الزامات پروژه Capstone Capstone project requirements

19. ادامه سفر یادگیری هوش مصنوعی 19. Continuing Your AI Learning Journey

• مراحل بعدی و منابع اضافی Next steps and additional resources