دوره ساخت ابزارهای علمی داده با پایتون خالص: علم داده بدون وابستگی به Pandas همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت ابزارهای علمی داده با پایتون خالص: علم داده بدون وابستگی به Pandas

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: توسعه ابزارهای داده با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده با پایتون خالص
• 2. مبانی پایتون برای علم داده
• 3. ساختارهای داده در پایتون خالص
• 4. کار با اعداد و محاسبات علمی
• 5. عملیات پایه‌ای روی لیست‌ها
• 6. کار با رشته‌ها و متون
• 7. توابع در پایتون
• 8. مدیریت خطاها و استثناها
• 9. مقدمه‌ای بر ماژول‌ها و بسته‌ها
• 10. استفاده از ماژول استاندارد `math`
• 11. کار با تاریخ و زمان
• 12. مقدمه‌ای بر فایل‌ها و ورودی/خروجی
• 13. خواندن و نوشتن فایل‌های متنی
• 14. کار با فایل‌های CSV بدون کتابخانه خارجی
• 15. مقدمه‌ای بر پردازش داده‌های جدولی
• 16. ساخت نمایش‌های داده‌ای سفارشی
• 17. پیاده‌سازی ساختارهای داده جدولی ساده
• 18. عملیات اولیه روی داده‌های جدولی
• 19. فیلتر کردن داده‌ها
• 20. مرتب‌سازی داده‌ها
• 21. دسته‌بندی داده‌ها
• 22. تجمیع داده‌ها
• 23. محاسبه آماره‌های توصیفی
• 24. محاسبه میانگین و میانه
• 25. محاسبه واریانس و انحراف معیار
• 26. کار با داده‌های گمشده
• 27. نمایش داده‌های گمشده
• 28. پر کردن داده‌های گمشده
• 29. حذف داده‌های گمشده
• 30. مقدمه‌ای بر تجسم داده‌ها
• 31. ساخت نمودار میله‌ای ساده
• 32. ساخت نمودار خطی ساده
• 33. ساخت نمودار پراکندگی ساده
• 34. اصول طراحی نمودارهای مؤثر
• 35. بهبود ظاهر نمودارها
• 36. کار با داده‌های سری زمانی
• 37. فیلتر کردن داده‌های سری زمانی
• 38. تغییر مقیاس داده‌های سری زمانی
• 39. هموارسازی داده‌های سری زمانی
• 40. محاسبه روندهای سری زمانی
• 41. مقدمه‌ای بر پردازش متن
• 42. توکن‌سازی متن
• 43. حذف کلمات توقف (Stop words)
• 44. ریشه‌یابی کلمات (Stemming)
• 45. لمتایزاسیون کلمات (Lemmatization)
• 46. شمارش فراوانی کلمات
• 47. ساخت مدل‌های زبانی ساده
• 48. تحلیل احساسات اولیه
• 49. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
• 50. مفهوم یادگیری نظارت شده
• 51. پیاده‌سازی رگرسیون خطی ساده
• 52. ارزیابی مدل رگرسیون
• 53. مفهوم یادگیری نظارت نشده
• 54. پیاده‌سازی خوشه‌بندی K-Means ساده
• 55. ارزیابی مدل خوشه‌بندی
• 56. مقدمه‌ای بر بهینه‌سازی
• 57. بهینه‌سازی توابع با روش گرادیان کاهشی
• 58. پیاده‌سازی گرادیان کاهشی ساده
• 59. مقدمه‌ای بر پایگاه‌های داده
• 60. کار با پایگاه داده‌های رابطه‌ای ساده
• 61. استفاده از SQLite با پایتون
• 62. اجرای کوئری‌های SQL پایه
• 63. مقدمه‌ای بر ساخت ابزارهای داده
• 64. طراحی رابط کاربری ساده خط فرمان
• 65. ارتباط ابزار با داده‌ها
• 66. ذخیره‌سازی تنظیمات ابزار
• 67. مستندسازی ابزارهای علمی داده
• 68. اصول کدنویسی تمیز و خوانا
• 69. مدیریت وابستگی‌ها در پروژه‌های پایتون
• 70. نوشتن تست‌های واحد برای ابزارهای داده
• 71. اشکال‌زدایی پیشرفته
• 72. مقدمه‌ای بر معماری نرم‌افزار
• 73. الگوهای طراحی رایج در علم داده
• 74. کار با داده‌های حجیم
• 75. ملاحظات امنیتی در کار با داده‌ها
• 76. رعایت حریم خصوصی داده‌ها
• 77. اصول اخلاقی در علم داده
• 78. کار با داده‌های جغرافیایی (مقدماتی)
• 79. مقدمه‌ای بر شبکه‌های عصبی ساده
• 80. پیاده‌سازی یک نورون مصنوعی
• 81. ساخت یک شبکه عصبی ساده
• 82. آموزش شبکه عصبی با داده‌های نمونه
• 83. مقدمه‌ای بر پردازش تصویر (مقدماتی)
• 84. خواندن و نمایش تصاویر ساده
• 85. عملیات پیکسلی پایه
• 86. مقدمه‌ای بر رایانش توزیع شده (مفهومی)
• 87. کار با داده‌های علمی پیچیده
• 88. ساخت ابزارهای تخصصی برای حوزه‌های خاص
• 89. ملاحظات عملکردی در ساخت ابزارها
• 90. بهینه‌سازی کد برای سرعت
• 91. مقدمه‌ای بر هوش مصنوعی مولد (مفهومی)
• 92. کاربردهای هوش مصنوعی در تحلیل داده
• 93. ساخت ابزارهای تحلیلی پیشرفته
• 94. مدیریت چرخه حیات داده‌ها
• 95. نکات پایانی و گام‌های بعدی در علم داده
• 96. کار با داده‌های ساختاریافته و نیمه‌ساختاریافته
• 97. اصول برنامه‌نویسی تابعی در پایتون
• 98. مقدمه‌ای بر مدل‌های پیش‌بینی
• 99. ساخت ابزارهای داده برای گزارش‌دهی
• 100. بررسی کیفیت داده‌ها