تحلیل داده ۱
Data Analysis I
ورود به تحلیل داده با ابزارهای کاربردی و تمرین‌های پروژه‌محور.
درباره‌ی این دوره
تحلیل داده ۱ نقطه‌ی شروع مسیر چهارمرحله‌ای علم داده در ایده‌نت است. این دوره برای کسانی طراحی شده که می‌خواهند به‌صورت اصولی وارد دنیای داده شوند، حتی بدون پیش‌زمینه‌ی برنامه‌نویسی یا آمار پیشرفته.
محتوا با مفاهیم بنیادی داده شروع می‌شود: انواع داده، منابع، کیفیت داده و تمیزسازی. سپس به‌سراغ تحلیل اکتشافی (EDA) با Python و کتابخانه‌های Pandas و NumPy می‌رویم. بخش پایانی به ویژوال‌سازی با Matplotlib و Seaborn اختصاص دارد.
هر فصل با یک پروژه‌ی واقعی همراه است: تحلیل داده‌ی فروش، رفتار کاربر، یا داده‌های عمومی. در پایان دوره، توانایی تحلیل اولیه‌ی هر دیتاست واقعی را به‌دست می‌آورید.
سرفصل دوره
۹ فصل · ۴۵ سرفصل
۱مبانی آمار و داده۴ سرفصل
- آشنایی با مفاهیم اولیه آمار
- نقش آمار در تحلیل داده و تصمیم‌گیری
- آشنایی با انواع متغیرها و مقیاس‌های اندازه‌گیری
- معرفی ابزارهای تحلیل داده: Python، R و SPSS
۲آمار توصیفی و شاخص‌های مرکزی۶ سرفصل
- مفهوم آمار توصیفی
- مد (Mode) و کاربردهای آن
- میانه (Median) و تفسیر آن
- میانگین (Mean) و انواع آن
- محاسبه شاخص‌های مرکزی با Python
- کار با کتابخانه NumPy برای تحلیل داده
۳توزیع داده‌ها و نمودارهای آماری۶ سرفصل
- آشنایی با انواع توزیع داده
- توزیع یکنواخت (Uniform Distribution)
- تولید و نمایش داده‌های تصادفی در Python
- توزیع نرمال (Normal Distribution)
- مفهوم چولگی (Skewness)
- مفهوم کشیدگی (Kurtosis)
۴مصورسازی داده‌ها۴ سرفصل
- اصول انتخاب نمودار مناسب
- آشنایی با نمودارهای آماری پرکاربرد
- نمودار پراکنش (Scatter Plot)
- نمودار جعبه‌ای (Box Plot)
۵شاخص‌های پراکندگی۶ سرفصل
- دامنه تغییرات (Range)
- انحراف چارکی (Quartile Deviation)
- انحراف متوسط (Mean Deviation)
- واریانس (Variance)
- انحراف معیار (Standard Deviation)
- ضریب تغییرات (Coefficient of Variation)
۶نمره‌گذاری استاندارد و رتبه‌بندی داده‌ها۵ سرفصل
- نمرات استاندارد (Standard Scores)
- رتبه درصدی (Percentile Rank)
- نمره استاندارد Z
- نمره استاندارد T
- کاربرد نمرات استاندارد در تحلیل داده
۷مفاهیم آماری پیشرفته۳ سرفصل
- قضیه حد مرکزی (Central Limit Theorem)
- تأثیر اعمال ریاضی بر شاخص‌های مرکزی و پراکندگی
- تفسیر نتایج آماری در پروژه‌های واقعی
۸همبستگی و تحلیل روابط بین متغیرها۶ سرفصل
- مفهوم همبستگی و کاربرد آن
- ضریب همبستگی پیرسون (Pearson)
- ضریب همبستگی اسپیرمن (Spearman)
- سایر ضرایب همبستگی پرکاربرد
- تفسیر شدت و جهت همبستگی
- اندازه اثر (Effect Size)
۹آزمون فرض و استنباط آماری مقدماتی۵ سرفصل
- آشنایی با مفهوم آزمون فرض
- فرض صفر و فرض مقابل
- انواع خطاهای آماری (Type I & Type II)
- آزمون معناداری ضرایب همبستگی
- تفسیر نتایج آماری در SPSS
کارگاه عملی
کارگاه‌های عملی (Hands-On Labs)
کارگاه عملی — آمار توصیفی و شاخص‌های مرکزی
- محاسبه و مقایسه شاخص‌های مرکزی در Python
کارگاه عملی — توزیع داده‌ها و نمودارهای آماری
- رسم توزیع‌های آماری با Python
- محاسبه چولگی و کشیدگی در Python، R و SPSS
کارگاه عملی — مصورسازی داده‌ها
- رسم نمودارها در Python، R و SPSS
- تفسیر نتایج و استخراج بینش از نمودارها
کارگاه عملی — شاخص‌های پراکندگی
- محاسبه شاخص‌های پراکندگی در Python، R و SPSS
- مقایسه و تفسیر نتایج
کارگاه عملی — همبستگی و تحلیل روابط بین متغیرها
- رسم Scatter Plot
- محاسبه همبستگی در Python، R و SPSS
- تحلیل روابط میان متغیرها با داده‌های واقعی
پروژه
پروژه پایانی — تحلیل یک مجموعه داده واقعی با استفاده از Python، R و SPSS
- آماده‌سازی و بررسی داده‌ها
- محاسبه شاخص‌های توصیفی
- مصورسازی داده‌ها
- تحلیل همبستگی بین متغیرها
- انجام آزمون‌های آماری
- ارائه گزارش و تفسیر نتایج تحلیل داده‌ها
دستاورد دوره
در پایان این دوره، دانشجویان قادر خواهند بود داده‌های واقعی را توصیف، مصورسازی و تحلیل کرده، روابط بین متغیرها را بررسی نموده و نتایج آماری را با استفاده از Python، R و SPSS تفسیر کنند.
نحوه‌ی برگزاری
محیط آموزشی پیشرفته و پویا
کلاس‌های زنده‌ی تعاملی به‌همراه ضبط جلسات.
دوره‌ی فشرده‌ی پروژه‌محور برای ورود سریع به بازار کار.
دوره‌های مرتبط در همین رشته آموزشی
تحلیل داده ۲
Data Analysis II
تکنیک‌های پیشرفته‌ی تحلیل داده، آمار و آماده‌سازی برای مدل‌سازی.
مدل‌سازی در دیتا ساینس
Data Science Modeling
روش‌شناسی مدل‌سازی، انتخاب الگوریتم و ارزیابی مدل‌های یادگیری.
ماشین لرنینگ و یادگیری عمیق
Machine Learning & Deep Learning
از الگوریتم‌های کلاسیک ML تا شبکه‌های عمیق؛ پروژه‌محور و عملیاتی.