دوره آموزشی مقدمهای بر علم داده
1 ساعت 59 دقیقهمبتدی2026-08-20
مدرسین

Madecraft
Full-Service Learning Content Company
جزئیات دوره
علم داده به یکی از مهمترین حوزههای فناوری و کسبوکار تبدیل شده و تقریباً بر تمام صنایع و نقشهای شغلی تأثیر گذاشته است. اگر میخواهید بدون پیشنیاز تخصصی وارد دنیای Data Science شوید، این دوره یک مسیر مقدماتی و کاربردی برای آشنایی با مفاهیم، مهارتها و ابزارهای اصلی این حوزه فراهم میکند.
در این دوره ابتدا با مفهوم علم داده، کاربردهای آن در کسبوکار و تفاوت آن با سایر مشاغل مرتبط با داده مانند Data Analyst و Data Engineer آشنا میشوید. سپس ابزارها و کتابخانههای رایج علم داده و روشهای کار با داده و دستکاری آنها را بررسی خواهید کرد.
در ادامه، مباحث مهمی مانند Exploratory Data Analysis (EDA)، پاکسازی داده، مصورسازی داده، نمونهگیری، آزمون فرضیه، برآورد و تحلیل آماری معرفی میشوند. هدف دوره این است که درک مناسبی از فرایند تبدیل داده خام به اطلاعات قابل استفاده و تصمیمگیری مبتنی بر داده به دست آورید.
در پایان، با مفاهیم Statistical Inference و تحلیل آماری آشنا خواهید شد و میآموزید چگونه از دادهها برای ایجاد پیشبینیهای قابل اعتمادتر و پشتیبانی از تصمیمهای کسبوکار استفاده کنید. این دوره برای افرادی که قصد دارند مسیر یادگیری خود را در حوزه علم داده آغاز کنند، نقطه شروع مناسبی است.
اهداف یادگیری
تعریف علم داده و بررسی نقش آن در کسبوکارها و صنایع مختلف.
تشخیص تفاوت میان Data Science و سایر مشاغل مرتبط با داده مانند Data Analysis و Data Engineering.
آشنایی با ابزارها و کتابخانههای رایج مورد استفاده در پروژههای علم داده.
کار با دادهها و استفاده از روشهای مختلف برای دستکاری و آمادهسازی آنها.
انجام Exploratory Data Analysis (EDA) برای شناخت ساختار، الگوها و ویژگیهای داده.
شناسایی و پاکسازی دادههای ناقص، نامنظم یا نامعتبر.
استفاده از روشهای مختلف Data Visualization برای درک بهتر دادهها.
درک مفاهیم نمونهگیری، آزمون آماری و برآورد در تحلیل داده.
استفاده از Statistical Inference و تحلیل آماری برای استخراج نتایج قابل اتکاتر.
استفاده از تحلیل داده و استنباط آماری برای ایجاد پیشبینیهای دقیقتر و پشتیبانی از تصمیمگیریهای کسبوکار.
در این دوره ابتدا با مفهوم علم داده، کاربردهای آن در کسبوکار و تفاوت آن با سایر مشاغل مرتبط با داده مانند Data Analyst و Data Engineer آشنا میشوید. سپس ابزارها و کتابخانههای رایج علم داده و روشهای کار با داده و دستکاری آنها را بررسی خواهید کرد.
در ادامه، مباحث مهمی مانند Exploratory Data Analysis (EDA)، پاکسازی داده، مصورسازی داده، نمونهگیری، آزمون فرضیه، برآورد و تحلیل آماری معرفی میشوند. هدف دوره این است که درک مناسبی از فرایند تبدیل داده خام به اطلاعات قابل استفاده و تصمیمگیری مبتنی بر داده به دست آورید.
در پایان، با مفاهیم Statistical Inference و تحلیل آماری آشنا خواهید شد و میآموزید چگونه از دادهها برای ایجاد پیشبینیهای قابل اعتمادتر و پشتیبانی از تصمیمهای کسبوکار استفاده کنید. این دوره برای افرادی که قصد دارند مسیر یادگیری خود را در حوزه علم داده آغاز کنند، نقطه شروع مناسبی است.
اهداف یادگیری
تعریف علم داده و بررسی نقش آن در کسبوکارها و صنایع مختلف.
تشخیص تفاوت میان Data Science و سایر مشاغل مرتبط با داده مانند Data Analysis و Data Engineering.
آشنایی با ابزارها و کتابخانههای رایج مورد استفاده در پروژههای علم داده.
کار با دادهها و استفاده از روشهای مختلف برای دستکاری و آمادهسازی آنها.
انجام Exploratory Data Analysis (EDA) برای شناخت ساختار، الگوها و ویژگیهای داده.
شناسایی و پاکسازی دادههای ناقص، نامنظم یا نامعتبر.
استفاده از روشهای مختلف Data Visualization برای درک بهتر دادهها.
درک مفاهیم نمونهگیری، آزمون آماری و برآورد در تحلیل داده.
استفاده از Statistical Inference و تحلیل آماری برای استخراج نتایج قابل اتکاتر.
استفاده از تحلیل داده و استنباط آماری برای ایجاد پیشبینیهای دقیقتر و پشتیبانی از تصمیمگیریهای کسبوکار.
سرفصل ها
مقدمه
- شروع کاوش علم داده
تعریف علم داده
- زدودن ابهام از علم داده
- تعریف چرخه حیات علم داده
شروع با طراحی داده
- کاهش سوگیری با نمونهگیری احتمالی
- استفاده از نمونهگیری غیراحتمالی
استفاده از ابزارهای محاسباتی
- مقایسه پایتون و آر
- راهاندازی محیط جیوپیتر
ساختاردهی دادههای جدولی خود
- تعریف داده جدولی
- خواندن داده جدولی
- تفسیر داده جدولی
- جمعآوری بینشها
- پاسخ به سؤالات خاص
استفاده از تحلیل اکتشافی داده
- تعریف تحلیل اکتشافی داده
- تشخیص انواع دادههای آماری
- تمایز ویژگیهای داده
پاکسازی دادههای خود
- توضیح پاکسازی داده
- سؤالاتی برای راهنمایی پاکسازی داده
استفاده از مصورسازی داده
- زدودن ابهام از مصورسازی داده
- مصورسازی دادههای کیفی خود
- مصورسازی دادههای کمی خود
استفاده از استنباط و تحلیل آماری
- تعریف استنباط
- طراحی آزمون فرضیه
- ایجاد جایگشت
- انجام آزمون جایگشت
- بوتاسترپ کردن فاصله اطمینان
استفاده از پیشبینی در علم داده
- تعریف پیشبینی برای علم داده
- آشنایی با طبقهبندی
- شناخت الگوریتم k-نزدیکترین همسایه
- پیادهسازی الگوریتم k-نزدیکترین همسایه
- آشنایی با رگرسیون
- بررسی مفروضات رگرسیون
- پیادهسازی رگرسیون خطی
نتیجهگیری
- مراحل بعدی