اپلیکیشن اندرویدی فلشکارت آموزشی SQL و Machine Learning with SQL
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره SQL و Machine Learning with SQL
موضوع کلی: برنامه نویسی
موضوع میانی: SQL
📋 سرفصلهای دوره
- 1. مقدمهای بر پایگاههای داده و SQL
- 2. پایگاههای داده رابطهای (Relational Databases) چیستند؟
- 3. نصب و راهاندازی محیط کار با SQL
- 4. آشنایی با ساختار یک کوئری SQL
- 5. دستور SELECT: بازیابی دادهها
- 6. دستور FROM: مشخص کردن جدول منبع
- 7. دستور WHERE: فیلتر کردن رکوردها
- 8. عملگرهای مقایسهای (=، <>، >، <، >=، <=)
- 9. عملگرهای منطقی AND، OR و NOT
- 10. فیلتر کردن با استفاده از BETWEEN و IN
- 11. جستجوی الگو با دستور LIKE
- 12. کار با مقادیر NULL
- 13. مرتبسازی نتایج با ORDER BY
- 14. محدود کردن تعداد نتایج با LIMIT یا TOP
- 15. توابع تجمعی: COUNT، SUM و AVG
- 16. توابع تجمعی: MIN و MAX
- 17. گروهبندی نتایج با GROUP BY
- 18. فیلتر کردن گروهها با HAVING
- 19. ترتیب اجرای دستورات در یک کوئری
- 20. مفهوم کلید اصلی (Primary Key) و کلید خارجی (Foreign Key)
- 21. اتصال جداول: INNER JOIN
- 22. اتصال جداول: LEFT JOIN و RIGHT JOIN
- 23. اتصال جداول: FULL OUTER JOIN
- 24. اتصال خودکار جدول به خودش (Self Join)
- 25. ترکیب نتایج با UNION و UNION ALL
- 26. زیرکوئریها (Subqueries)
- 27. زیرکوئریهای مرتبط (Correlated Subqueries)
- 28. عبارات جدول مشترک (Common Table Expressions - CTEs)
- 29. دستور INSERT INTO: درج دادههای جدید
- 30. دستور UPDATE: بهروزرسانی دادههای موجود
- 31. دستور DELETE: حذف دادهها
- 32. ایجاد جداول با CREATE TABLE
- 33. انواع دادههای رایج در SQL
- 34. محدودیتها (Constraints): NOT NULL, UNIQUE, CHECK
- 35. تغییر ساختار جداول با ALTER TABLE
- 36. حذف جداول با DROP TABLE
- 37. کار با تاریخ و زمان: توابع مربوط به تاریخ
- 38. کار با رشتهها: توابع متنی
- 39. توابع ریاضی در SQL
- 40. دستور CASE: منطق شرطی در کوئریها
- 41. توابع پنجرهای (Window Functions): مقدمه و OVER()
- 42. توابع رتبهبندی: ROW_NUMBER, RANK, DENSE_RANK
- 43. توابع تحلیلی: LAG و LEAD
- 44. توابع تجمعی پنجرهای (Moving Averages)
- 45. مفهوم View و کاربردهای آن
- 46. مفهوم Index و تاثیر آن بر عملکرد
- 47. مقدمهای بر یادگیری ماشین (Machine Learning)
- 48. نقش SQL در فرآیند یادگیری ماشین
- 49. انواع یادگیری ماشین: نظارتشده، نظارتنشده و تقویتی
- 50. مسائل رگرسیون (Regression) در مقابل مسائل طبقهبندی (Classification)
- 51. چرخه حیات یک پروژه یادگیری ماشین
- 52. آمار توصیفی با SQL: میانگین، میانه و مد
- 53. محاسبه واریانس و انحراف معیار با SQL
- 54. مفهوم همبستگی (Correlation) و محاسبه آن در SQL
- 55. مفهوم مجموعه دادههای آموزشی، اعتبارسنجی و تست
- 56. تقسیم دادهها به مجموعههای آموزشی و تست با SQL
- 57. پاکسازی دادهها (Data Cleaning) با SQL
- 58. شناسایی و مدیریت دادههای تکراری
- 59. استراتژیهای مدیریت مقادیر گمشده (Missing Values) با SQL
- 60. شناسایی دادههای پرت (Outliers) با استفاده از SQL
- 61. مهندسی ویژگی (Feature Engineering) چیست؟
- 62. ایجاد ویژگیهای جدید از ستونهای موجود
- 63. استخراج ویژگی از تاریخ و زمان (مانند روز هفته، ماه)
- 64. استخراج ویژگی از دادههای متنی (مانند طول رشته)
- 65. تبدیل دادهها: نرمالسازی و استانداردسازی با SQL
- 66. گسستهسازی (Binning) متغیرهای پیوسته با دستور CASE
- 67. کدگذاری وان-هات (One-Hot Encoding) با SQL
- 68. کدگذاری برچسبی (Label Encoding) با SQL
- 69. ایجاد ویژگیهای تجمعی (Aggregated Features)
- 70. نمونهبرداری (Sampling) از دادهها در SQL
- 71. مقدمهای بر پیادهسازی الگوریتمهای ML با SQL
- 72. رگرسیون خطی ساده: محاسبه شیب و عرض از مبدا با SQL
- 73. پیشبینی با مدل رگرسیون خطی ساختهشده در SQL
- 74. الگوریتم K-نزدیکترین همسایه (KNN): محاسبه فاصله اقلیدسی
- 75. پیادهسازی طبقهبندی KNN برای یک نمونه با SQL
- 76. الگوریتم خوشهبندی K-Means: مفهوم و مراحل
- 77. پیادهسازی یک مرحله از الگوریتم K-Means با SQL
- 78. الگوریتم Naive Bayes: محاسبه احتمالات با SQL
- 79. مفهوم درخت تصمیم (Decision Tree)
- 80. پیادهسازی یک درخت تصمیم ساده برای پیشبینی با دستور CASE
- 81. ارزیابی مدلهای طبقهبندی: ماتریس درهمریختگی (Confusion Matrix)
- 82. محاسبه ماتریس درهمریختگی با SQL
- 83. محاسبه دقت (Accuracy)، صحت (Precision) و بازیابی (Recall) با SQL
- 84. محاسبه امتیاز F1-Score با SQL
- 85. ارزیابی مدلهای رگرسیون: MAE, MSE, RMSE
- 86. محاسبه خطاهای مدل رگرسیون با SQL
- 87. مقدمهای بر یادگیری ماشین درون پایگاه داده (In-Database ML)
- 88. آشنایی با BigQuery ML
- 89. ایجاد و آموزش یک مدل رگرسیون با دستور CREATE MODEL در BigQuery ML
- 90. انجام پیشبینی با دستور ML.PREDICT
- 91. ارزیابی مدل با دستور ML.EVALUATE
- 92. آشنایی با خدمات یادگیری ماشین در SQL Server
- 93. آشنایی با قابلیتهای ML در PostgreSQL (مانند MADlib)
- 94. آشنایی با قابلیتهای ML در Amazon Redshift
- 95. مطالعه موردی ۱: پیشبینی ریزش مشتری (Customer Churn) با SQL
- 96. مطالعه موردی ۲: پیشبینی فروش (Sales Forecasting) با SQL
- 97. مطالعه موردی ۳: بخشبندی مشتریان (Customer Segmentation) با SQL
- 98. پروژه نهایی: تعریف مسئله تا ارزیابی مدل
- 99. جمعبندی و مسیرهای آینده برای یادگیری بیشتر
- 100. SQL پیشرفته برای مهندسی ویژگی (Feature Engineering): توابع پنجرهای، عبارات جدولی مشترک (CTE) و Pivot Table**
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.