این مسیر توضیحات ندارد
متخصص داده و هوش مصنوعی داده‌های خام را جمع‌آوری، پاکسازی و تحلیل می‌کند و مدل‌هایی می‌سازد که می‌توانند آینده را پیش‌بینی یا فرایندها را هوشمند کنند.
روز کاری و فعالیت‌های اصلی: بررسی حجم داده‌ها، نوشتن کوئری‌های SQL، ساخت نمودارهای تحلیلی، آموزش مدل‌های یادگیری ماشین و ارائه گزارش به مدیران.
برای تسلط کامل بر data-ai، این نقشه راه به مراحل مشخص تقسیم شده است. پیشنهاد می‌کنیم مراحل را به ترتیب و همراه با تمرین عملی طی کنید:
درس 1: داده چیست و چگونه تولید می‌شود؟
درس 2: داده عددی
درس 3: داده متنی
درس 4: داده تصویری و صوتی
درس 5: داده ساختاریافته
درس 6: داده بدون ساختار
درس 7: ویژگی، رکورد و جدول
درس 8: تفاوت داده و اطلاعات
درس 9: داده خوب و داده بی‌کیفیت
درس 10: مثال‌های داده در زندگی روزمره
درس 1: سؤال داده‌ای چیست؟
درس 2: تحلیل توصیفی
درس 3: تحلیل تشخیصی
درس 4: تحلیل پیش‌بینی‌کننده
درس 5: تحلیل تجویزی
درس 6: تحلیلگر داده چه کاری انجام می‌دهد؟
درس 7: نمونه تحلیل فروش
درس 8: نمونه تحلیل آموزش
درس 9: تفاوت گزارش و تحلیل
درس 10: تبدیل سؤال مبهم به سؤال قابل‌اندازه‌گیری
درس 1: علم داده چیست؟
درس 2: یادگیری ماشین چیست؟
درس 3: مدل چیست؟
درس 4: آموزش مدل یعنی چه؟
درس 5: ورودی و خروجی مدل
درس 6: پیش‌بینی در برابر تصمیم
درس 7: الگوریتم در برابر مدل
درس 8: هوش مصنوعی مولد چیست؟
درس 9: مدل آماده چیست؟
درس 10: تفاوت استفاده از AI و ساخت سیستم AI
درس 1: آیا مدل همیشه درست می‌گوید؟
درس 2: داده جانبدارانه
درس 3: پیش‌بینی اشتباه
درس 4: همبستگی و علت
درس 5: اطلاعات ساختگی مدل‌های زبانی
درس 6: حریم خصوصی داده
درس 7: تصمیم‌های حساس
درس 8: مسئولیت انسان
درس 9: استفاده اخلاقی از اطلاعات
درس 10: چه مسئله‌ای را نباید با AI حل کنیم؟
درس 1: Python چیست و کجا استفاده می‌شود؟
درس 2: نصب و اجرای Python
درس 3: ساخت فایل .py
درس 4: دستور print
درس 5: Comment
درس 6: دستور و عبارت
درس 7: خطای Syntax
درس 8: خواندن پیام خطا
درس 9: اجرای برنامه در Terminal
درس 10: ساخت برنامه معرفی خود
درس 1: متغیر چیست؟
درس 2: نام‌گذاری متغیر
درس 3: String
درس 4: Integer
درس 5: Float
درس 6: Boolean
درس 7: مقدار None
درس 8: تابع type
درس 9: تبدیل نوع داده
درس 10: دریافت ورودی با input
درس 11: قالب‌بندی با f-string
درس 12: ساخت کارت اطلاعات کاربر
درس 1: جمع، تفریق، ضرب و تقسیم
درس 2: تقسیم صحیح
درس 3: باقی‌مانده تقسیم
درس 4: توان
درس 5: عملگرهای مقایسه
درس 6: برابری و نابرابری
درس 7: عملگرهای منطقی
درس 8: ترکیب شرط‌ها
درس 9: ترتیب اجرای عملگرها
درس 10: محاسبه میانگین نمرات
درس 1: تصمیم‌گیری در برنامه
درس 2: دستور if
درس 3: دستور else
درس 4: دستور elif
درس 5: شرط‌های ترکیبی
درس 6: شرط تو‌در‌تو
درس 7: بررسی بازه اعداد
درس 8: شرط کوتاه
درس 9: اعتبارسنجی ورودی
درس 10: برنامه تعیین وضعیت نمره
درس 1: مفهوم تکرار
درس 2: حلقه for
درس 3: تابع range
درس 4: حلقه while
درس 5: شمارنده
درس 6: جمع‌کردن مقادیر
درس 7: break
درس 8: continue
درس 9: حلقه تو‌در‌تو
درس 10: جلوگیری از حلقه بی‌نهایت
درس 11: دریافت چند نمره
درس 12: محاسبه آمار نمرات
درس 1: تابع چه مسئله‌ای را حل می‌کند؟
درس 2: تعریف و اجرای تابع
درس 3: پارامتر و آرگومان
درس 4: خروجی با return
درس 5: چند ورودی
درس 6: مقدار پیش‌فرض
درس 7: Named Argument
درس 8: Scope
درس 9: تقسیم مسئله به توابع کوچک
درس 10: نوشتن Docstring
درس 11: تست دستی تابع
درس 12: بازسازی برنامه نمرات با تابع
درس 1: List چیست؟
درس 2: ساخت فهرست
درس 3: دسترسی با Index
درس 4: تغییر عضو
درس 5: افزودن داده
درس 6: حذف داده
درس 7: طول فهرست
درس 8: جست‌وجو
درس 9: مرتب‌سازی
درس 10: پیمایش List
درس 11: List تو‌در‌تو
درس 12: فهرست نمرات
درس 1: Dictionary چیست؟
درس 2: کلید و مقدار
درس 3: خواندن و تغییر مقدار
درس 4: افزودن و حذف اطلاعات
درس 5: پیمایش Dictionary
درس 6: Dictionary تو‌در‌تو
درس 7: List شامل Dictionary
درس 8: Tuple
درس 9: Set
درس 10: حذف داده تکراری
درس 11: انتخاب ساختار مناسب
درس 12: مدل‌کردن اطلاعات دانش‌آموزان
درس 1: min، max و sum
درس 2: len
درس 3: sorted
درس 4: enumerate
درس 5: zip
درس 6: List Comprehension
درس 7: شرط در Comprehension
درس 8: Dictionary Comprehension
درس 9: any و all
درس 10: کوتاه‌نویسی در برابر خوانایی
درس 1: فایل متنی
درس 2: بازکردن فایل
درس 3: خواندن محتوا
درس 4: نوشتن محتوا
درس 5: استفاده از with
درس 6: مسیر فایل
درس 7: CSV چیست؟
درس 8: خواندن CSV
درس 9: نوشتن CSV
درس 10: JSON چیست؟
درس 11: خواندن و نوشتن JSON
درس 12: مدیریت خطای فایل
درس 1: خطای Syntax
درس 2: خطای Runtime
درس 3: خطای منطقی
درس 4: Exception
درس 5: try و except
درس 6: چند نوع Exception
درس 7: else و finally
درس 8: تولید خطا با raise
درس 9: پیام مناسب برای کاربر
درس 10: ثبت خطا برای بررسی
درس 1: Notebook چیست؟
درس 2: Cell کد
درس 3: Cell متنی
درس 4: Markdown
درس 5: اجرای سلول‌ها
درس 6: ترتیب اجرا
درس 7: Kernel
درس 8: نمایش جدول
درس 9: نمایش نمودار
درس 10: افزودن عنوان و توضیح
درس 11: پاکسازی خروجی
درس 12: تبدیل Notebook به گزارش
درس 1: Package چیست؟
درس 2: نصب با pip
درس 3: محیط مجازی
درس 4: ساخت و فعال‌سازی محیط
درس 5: فایل وابستگی‌ها
درس 6: ساختار پوشه پروژه
درس 7: فایل داده
درس 8: Notebook
درس 9: فایل‌های Python
درس 10: پوشه خروجی
درس 11: .gitignore
درس 12: اجرای پروژه روی سیستم دیگر
درس 1: عدد صحیح و اعشاری
درس 2: کسر و نسبت
درس 3: درصد
درس 4: تغییر درصدی
درس 5: توان
درس 6: ریشه
درس 7: عبارت جبری
درس 8: معادله ساده
درس 9: متغیر مستقل و وابسته
درس 10: کاربرد نسبت در داده
درس 1: تابع ریاضی چیست؟
درس 2: ورودی و خروجی
درس 3: نمایش جدولی تابع
درس 4: نمایش نموداری
درس 5: تابع خطی
درس 6: تابع درجه دوم
درس 7: تابع نمایی
درس 8: تابع لگاریتمی
درس 9: تابع چندمتغیره
درس 10: تابع هزینه به زبان ساده
درس 1: محور مختصات
درس 2: نقطه دوبعدی
درس 3: فاصله دو نقطه
درس 4: فاصله اقلیدسی
درس 5: فاصله Manhattan
درس 6: شباهت و فاصله
درس 7: مقیاس ویژگی‌ها
درس 8: نزدیک‌ترین همسایه
درس 9: فاصله در چند بعد
درس 10: اثر ویژگی‌های بزرگ‌مقیاس
درس 1: بردار چیست؟
درس 2: مؤلفه‌های بردار
درس 3: جمع بردار
درس 4: ضرب اسکالر
درس 5: طول بردار
درس 6: ضرب داخلی
درس 7: زاویه دو بردار
درس 8: شباهت کسینوسی
درس 9: نمایش یک رکورد به‌صورت بردار
درس 10: نمایش متن به‌صورت بردار
درس 1: ماتریس چیست؟
درس 2: سطر و ستون
درس 3: ابعاد ماتریس
درس 4: جمع ماتریس
درس 5: ضرب در عدد
درس 6: ضرب ماتریسی
درس 7: ترانهاده
درس 8: ماتریس داده
درس 9: ویژگی‌ها و نمونه‌ها
درس 10: کاربرد ماتریس در شبکه عصبی
درس 1: تغییر مقدار
درس 2: شیب خط
درس 3: نرخ تغییر
درس 4: مشتق به‌صورت شهودی
درس 5: کمینه و بیشینه
درس 6: تابع خطا
درس 7: حرکت در جهت کاهش خطا
درس 8: Gradient Descent
درس 9: Learning Rate
درس 10: مشکل گام بسیار کوچک یا بزرگ
درس 1: جامعه آماری
درس 2: نمونه
درس 3: واحد مشاهده
درس 4: متغیر
درس 5: پارامتر
درس 6: آماره
درس 7: نمونه‌گیری تصادفی
درس 8: نمونه‌گیری در دسترس
درس 9: سوگیری نمونه
درس 10: نمونه نماینده
درس 1: متغیر کمی
درس 2: متغیر کیفی
درس 3: داده گسسته
درس 4: داده پیوسته
درس 5: داده اسمی
درس 6: داده ترتیبی
درس 7: متغیر دودویی
درس 8: متغیر هدف
درس 9: متغیر توضیحی
درس 10: انتخاب نمایش مناسب برای هر نوع داده
درس 1: فراوانی
درس 2: نسبت و درصد
درس 3: میانگین
درس 4: میانه
درس 5: نما
درس 6: کمینه و بیشینه
درس 7: دامنه تغییرات
درس 8: واریانس
درس 9: انحراف معیار
درس 10: چارک
درس 11: IQR
درس 12: انتخاب شاخص مرکزی مناسب
درس 1: توزیع چیست؟
درس 2: شکل توزیع
درس 3: توزیع متقارن
درس 4: چولگی
درس 5: داده پرت
درس 6: توزیع نرمال
درس 7: توزیع Bernoulli
درس 8: توزیع Binomial
درس 9: احتمال تجربی
درس 10: شبیه‌سازی توزیع با Python
درس 1: رویداد
درس 2: فضای نمونه
درس 3: احتمال رویداد
درس 4: متمم
درس 5: اجتماع و اشتراک
درس 6: رویدادهای مستقل
درس 7: احتمال شرطی
درس 8: جدول توافقی
درس 9: قضیه بیز به زبان ساده
درس 10: شبیه‌سازی پرتاب سکه و تاس
درس 1: رابطه دو متغیر
درس 2: نمودار پراکندگی
درس 3: همبستگی مثبت
درس 4: همبستگی منفی
درس 5: نبود همبستگی خطی
درس 6: ضریب همبستگی
درس 7: همبستگی رتبه‌ای
درس 8: داده پرت و همبستگی
درس 9: همبستگی به معنی علت نیست
درس 10: متغیر مخدوش‌کننده
درس 1: تغییرپذیری نمونه
درس 2: توزیع نمونه‌گیری
درس 3: خطای استاندارد
درس 4: فاصله اطمینان
درس 5: تفسیر صحیح فاصله اطمینان
درس 6: Bootstrap
درس 7: بازنمونه‌گیری
درس 8: تأثیر اندازه نمونه
درس 9: شبیه‌سازی چند نمونه
درس 10: گزارش عدم‌قطعیت
درس 1: سؤال قابل‌آزمون
درس 2: فرض صفر
درس 3: فرض مقابل
درس 4: آماره آزمون
درس 5: p-value
درس 6: سطح معناداری
درس 7: خطای نوع اول
درس 8: خطای نوع دوم
درس 9: آزمون یک‌نمونه‌ای
درس 10: مقایسه دو گروه
درس 11: آزمون کای‌دو مقدماتی
درس 12: تفاوت معناداری آماری و اهمیت عملی
درس 1: مشاهده در برابر آزمایش
درس 2: گروه کنترل
درس 3: گروه آزمایش
درس 4: تصادفی‌سازی
درس 5: متغیر مخدوش‌کننده
درس 6: A/B Test
درس 7: تعریف معیار موفقیت
درس 8: اندازه نمونه
درس 9: توقف زودهنگام
درس 10: گزارش نتیجه آزمایش
درس 1: چرا List همیشه کافی نیست؟
درس 2: نصب و Import
درس 3: ساخت Array
درس 4: نوع داده Array
درس 5: ابعاد
درس 6: Shape
درس 7: Size
درس 8: ساخت Array صفر و یک
درس 9: ساخت بازه اعداد
درس 10: تولید داده تصادفی
درس 1: Indexing یک‌بعدی
درس 2: Slicing
درس 3: Array دوبعدی
درس 4: انتخاب سطر
درس 5: انتخاب ستون
درس 6: انتخاب بخشی از ماتریس
درس 7: Boolean Mask
درس 8: انتخاب شرطی
درس 9: تغییر مقادیر
درس 10: Copy در برابر View
درس 1: جمع و تفریق Array
درس 2: ضرب عضو‌به‌عضو
درس 3: تقسیم
درس 4: توان
درس 5: عملیات بدون حلقه
درس 6: Universal Function
درس 7: مقایسه برداری
درس 8: where
درس 9: Vectorization
درس 10: مقایسه روش حلقه و برداری
درس 1: Sum
درس 2: Mean
درس 3: Median
درس 4: Min و Max
درس 5: Variance
درس 6: Standard Deviation
درس 7: Percentile
درس 8: Axis
درس 9: آمار سطری و ستونی
درس 10: مدیریت مقدارهای نامعتبر
درس 1: Reshape
درس 2: Flatten
درس 3: Transpose
درس 4: Concatenate
درس 5: Stack
درس 6: Split
درس 7: افزودن محور
درس 8: Broadcasting
درس 9: خطاهای Shape
درس 10: آماده‌سازی داده برای مدل
درس 1: بردار و ماتریس در NumPy
درس 2: ضرب داخلی
درس 3: ضرب ماتریسی
درس 4: ترانهاده
درس 5: دستگاه معادلات ساده
درس 6: فاصله بردارها
درس 7: Norm
درس 8: Eigenvalue به‌صورت شهودی
درس 9: کاربرد در کاهش ابعاد
درس 10: پیوند NumPy با ML
درس 1: داده جدولی
درس 2: Series
درس 3: DataFrame
درس 4: ساخت از Dictionary
درس 5: Index
درس 6: Column
درس 7: Shape
درس 8: نوع داده ستون‌ها
درس 9: نمایش چند سطر اول
درس 10: بررسی اطلاعات جدول
درس 1: خواندن CSV
درس 2: تنظیم جداکننده
درس 3: Encoding
درس 4: خواندن Excel
درس 5: خواندن JSON
درس 6: خواندن داده SQL
درس 7: ذخیره CSV
درس 8: ذخیره Excel
درس 9: ذخیره بدون Index
درس 10: خطاهای رایج ورود داده
درس 1: انتخاب ستون
درس 2: انتخاب چند ستون
درس 3: loc
درس 4: iloc
درس 5: انتخاب سطر
درس 6: فیلتر شرطی
درس 7: چند شرط
درس 8: isin
درس 9: between
درس 10: Query
درس 11: مرتب‌سازی
درس 12: انتخاب نمونه تصادفی
درس 1: Missing Value چیست؟
درس 2: شناسایی مقدار گمشده
درس 3: شمارش مقادیر گمشده
درس 4: حذف سطر
درس 5: حذف ستون
درس 6: پرکردن با مقدار ثابت
درس 7: پرکردن با میانگین یا میانه
درس 8: Forward Fill
درس 9: ایجاد نشانگر Missing
درس 10: خطر پنهان‌کردن داده گمشده
درس 11: تصمیم براساس علت گم‌شدن
درس 12: مستندسازی تغییرات
درس 1: فاصله‌های اضافی
درس 2: یکسان‌سازی حروف
درس 3: جایگزینی مقدار
درس 4: داده تکراری
درس 5: حذف Duplicate
درس 6: تبدیل عدد ذخیره‌شده به متن
درس 7: تبدیل تاریخ
درس 8: داده دسته‌ای
درس 9: استانداردسازی نام‌ها
درس 10: پاکسازی اعداد فارسی و انگلیسی
درس 11: تشخیص مقدار غیرمنطقی
درس 12: ساخت گزارش کیفیت داده
درس 1: ساخت ستون محاسبه‌شده
درس 2: اعمال عملگر روی ستون
درس 3: تابع apply
درس 4: شرط با where
درس 5: دسته‌بندی مقدارهای عددی
درس 6: cut و بازه‌بندی
درس 7: استخراج بخش‌های تاریخ
درس 8: استخراج متن
درس 9: Rename
درس 10: حذف ستون
درس 11: بازچینی ستون‌ها
درس 12: پرهیز از پردازش کند غیرضروری
درس 1: گروه‌بندی چیست؟
درس 2: GroupBy یک ستون
درس 3: GroupBy چند ستون
درس 4: Count
درس 5: Sum
درس 6: Mean
درس 7: چند Aggregate
درس 8: Named Aggregation
درس 9: Pivot Table
درس 10: Crosstab
درس 11: نسبت درون گروه
درس 12: ساخت جدول گزارش مدیریتی
درس 1: چرا داده در چند جدول است؟
درس 2: concat
درس 3: merge
درس 4: کلید مشترک
درس 5: Inner Join
درس 6: Left Join
درس 7: Right و Outer Join
درس 8: کلید تکراری
درس 9: اعتبارسنجی Join
درس 10: ستون‌های هم‌نام
درس 11: تشخیص رکورد بدون تطابق
درس 12: ترکیب داده دانش‌آموز و دوره
درس 1: DateTime
درس 2: تبدیل متن به تاریخ
درس 3: سال، ماه و روز
درس 4: روز هفته
درس 5: اختلاف تاریخ
درس 6: مرتب‌سازی زمانی
درس 7: Resampling
درس 8: آمار روزانه و ماهانه
درس 9: Rolling Window
درس 10: روند و فصل
درس 11: منطقه زمانی مقدماتی
درس 12: تحلیل فعالیت در طول زمان
درس 1: تعریف سؤال
درس 2: شناخت مخاطب
درس 3: تعریف معیار
درس 4: شناخت منبع داده
درس 5: بررسی کیفیت
درس 6: پاکسازی
درس 7: تحلیل توصیفی
درس 8: ساخت فرضیه
درس 9: بررسی فرضیه
درس 10: گزارش نتیجه
درس 11: ذکر محدودیت‌ها
درس 12: پیشنهاد اقدام بعدی
درس 1: نمودار چه مسئله‌ای را حل می‌کند؟
درس 2: محور افقی و عمودی
درس 3: عنوان مناسب
درس 4: برچسب محور
درس 5: Legend
درس 6: مقیاس درست
درس 7: رنگ هدفمند
درس 8: حذف شلوغی
درس 9: نمایش منبع داده
درس 10: پرهیز از نمودار گمراه‌کننده
درس 1: Bar Chart
درس 2: Horizontal Bar
درس 3: مرتب‌سازی دسته‌ها
درس 4: Grouped Bar
درس 5: Stacked Bar
درس 6: Dot Plot
درس 7: نمایش مقدار روی نمودار
درس 8: انتخاب میان Bar و Pie
درس 9: مشکل Pie Chartهای شلوغ
درس 10: پروژه مقایسه گروه‌ها
درس 1: Histogram
درس 2: انتخاب Bin
درس 3: Box Plot
درس 4: تشخیص داده پرت
درس 5: Violin Plot مقدماتی
درس 6: Scatter Plot
درس 7: رنگ براساس گروه
درس 8: اندازه نقطه
درس 9: خط روند
درس 10: Pairwise Relationship
درس 11: Heatmap همبستگی
درس 12: تفسیر بدون اغراق
درس 1: Line Chart
درس 2: چند خط
درس 3: Moving Average
درس 4: مقایسه دوره‌ها
درس 5: نشانه‌گذاری رویداد
درس 6: داده گمشده زمانی
درس 7: روند
درس 8: فصل‌پذیری
درس 9: تغییرات غیرعادی
درس 10: ساخت گزارش روند
درس 1: پایگاه داده رابطه‌ای
درس 2: جدول، سطر و ستون
درس 3: دستور SELECT
درس 4: انتخاب ستون
درس 5: WHERE
درس 6: عملگرهای مقایسه
درس 7: AND و OR
درس 8: IN و BETWEEN
درس 9: LIKE
درس 10: مرتب‌سازی
درس 11: محدودکردن نتایج
درس 12: مقدار NULL
درس 1: Count
درس 2: Sum و Average
درس 3: Min و Max
درس 4: Group By
درس 5: Having
درس 6: Inner Join
درس 7: Left Join
درس 8: چند Join
درس 9: Subquery مقدماتی
درس 10: Case When
درس 11: Window Function مقدماتی
درس 12: استخراج داده برای pandas
درس 1: مخاطب چه چیزی می‌خواهد بداند؟
درس 2: پیام اصلی
درس 3: زمینه و مقایسه
درس 4: شواهد
درس 5: نمودار پشتیبان
درس 6: نتیجه در برابر نظر
درس 7: ساختار مقدمه، یافته و پیشنهاد
درس 8: گزارش یک‌صفحه‌ای
درس 9: ارائه پنج‌دقیقه‌ای
درس 10: پاسخ به سؤال مخاطب
درس 11: پذیرش عدم‌قطعیت
درس 12: اصلاح گزارش با بازخورد
درس 1: چه زمانی ML لازم است؟
درس 2: مسئله قاعده‌محور
درس 3: مسئله داده‌محور
درس 4: نمونه یا Observation
درس 5: Feature
درس 6: Target
درس 7: Label
درس 8: مدل
درس 9: آموزش
درس 10: استنتاج یا Inference
درس 11: Classification
درس 12: Regression
درس 1: تعریف مسئله
درس 2: تعریف واحد پیش‌بینی
درس 3: تعیین زمان پیش‌بینی
درس 4: جمع‌آوری داده
درس 5: پاکسازی
درس 6: انتخاب Feature
درس 7: تقسیم داده
درس 8: ساخت Baseline
درس 9: آموزش مدل
درس 10: ارزیابی
درس 11: تحلیل خطا
درس 12: بهبود و انتشار
درس 1: چرا مدل را روی همان داده نسنجیم؟
درس 2: Training Set
درس 3: Validation Set
درس 4: Test Set
درس 5: train_test_split
درس 6: Random State
درس 7: تقسیم Stratified
درس 8: داده زمانی
درس 9: جلوگیری از دیدن Test
درس 10: ارزیابی نهایی فقط یک‌بار
درس 1: حفظ‌کردن در برابر یادگیری
درس 2: خطای آموزش
درس 3: خطای اعتبارسنجی
درس 4: Underfitting
درس 5: Overfitting
درس 6: پیچیدگی مدل
درس 7: داده بیشتر
درس 8: Feature بهتر
درس 9: Regularization
درس 10: منحنی یادگیری مقدماتی
درس 1: چرا داده خام مناسب مدل نیست؟
درس 2: داده عددی
درس 3: داده دسته‌ای
درس 4: Standardization
درس 5: Min-Max Scaling
درس 6: One-Hot Encoding
درس 7: Ordinal Encoding
درس 8: Imputation
درس 9: Featureهای متنی مقدماتی
درس 10: آموزش Transform فقط روی Train
درس 1: مشکل مراحل جداگانه
درس 2: Pipeline چیست؟
درس 3: Transformer
درس 4: Estimator
درس 5: ساخت Pipeline ساده
درس 6: ColumnTransformer
درس 7: ستون عددی و دسته‌ای
درس 8: Fit و Transform
درس 9: پیش‌بینی روی داده جدید
درس 10: ذخیره Pipeline کامل
درس 1: Data Leakage چیست؟
درس 2: استفاده از اطلاعات آینده
درس 3: پاکسازی قبل از Split
درس 4: Scaling کل داده
درس 5: Feature دارای پاسخ
درس 6: Duplicate بین Train و Test
درس 7: نشت در داده زمانی
درس 8: نشت گروهی
درس 9: بررسی منشأ هر Feature
درس 10: چک‌لیست جلوگیری از Leakage
درس 1: مسئله رگرسیون
درس 2: خط و رابطه خطی
درس 3: ضریب و عرض از مبدأ
درس 4: پیش‌بینی
درس 5: Residual
درس 6: تابع خطا
درس 7: Linear Regression
درس 8: چند Feature
درس 9: تفسیر ضریب با احتیاط
درس 10: محدودیت رابطه خطی
درس 1: خطای هر نمونه
درس 2: MAE
درس 3: MSE
درس 4: RMSE
درس 5: R²
درس 6: اثر داده پرت
درس 7: مقایسه با Baseline
درس 8: انتخاب معیار براساس مسئله
درس 9: نمودار مقدار واقعی و پیش‌بینی
درس 10: تحلیل Residual
درس 1: ضریب‌های بسیار بزرگ
درس 2: Regularization
درس 3: Ridge
درس 4: Lasso
درس 5: Elastic Net
درس 6: پارامتر قدرت جریمه
درس 7: Scaling و Regularization
درس 8: انتخاب Feature
درس 9: مقایسه مدل‌ها
درس 10: تفسیر نتیجه
درس 1: مسئله Classification
درس 2: طبقه دودویی
درس 3: چندکلاسه
درس 4: احتمال پیش‌بینی
درس 5: Threshold
درس 6: Logistic Regression
درس 7: مرز تصمیم
درس 8: کلاس مثبت و منفی
درس 9: طبقه‌بندی چندکلاسه
درس 10: خطاهای مدل
درس 1: Accuracy
درس 2: Confusion Matrix
درس 3: True Positive
درس 4: False Positive
درس 5: False Negative
درس 6: Precision
درس 7: Recall
درس 8: F1 Score
درس 9: ROC و AUC مقدماتی
درس 10: انتخاب Threshold
درس 11: هزینه متفاوت خطاها
درس 12: چرا Accuracy همیشه کافی نیست؟
درس 1: مفهوم همسایه
درس 2: فاصله
درس 3: مقدار K
درس 4: رأی‌گیری
درس 5: KNN برای Classification
درس 6: KNN برای Regression
درس 7: اهمیت Scaling
درس 8: اثر داده پرت
درس 9: هزینه پیش‌بینی
درس 10: انتخاب K مناسب
درس 1: تصمیم‌های پیاپی
درس 2: Root و Leaf
درس 3: Split
درس 4: عمق درخت
درس 5: Decision Tree Classifier
درس 6: Decision Tree Regressor
درس 7: تفسیر مسیر تصمیم
درس 8: Overfitting درخت
درس 9: محدودکردن عمق
درس 10: Feature Importance با احتیاط
درس 1: ترکیب چند مدل
درس 2: Bagging
درس 3: Random Forest
درس 4: نمونه‌گیری تصادفی
درس 5: Feature تصادفی
درس 6: Gradient Boosting به زبان ساده
درس 7: Boosting مرحله‌ای
درس 8: مقایسه با درخت منفرد
درس 9: تنظیم پارامترها
درس 10: هزینه پیچیدگی مدل
درس 1: Imbalanced Data
درس 2: Baseline گمراه‌کننده
درس 3: معیار مناسب
درس 4: Stratified Split
درس 5: Class Weight
درس 6: Oversampling مقدماتی
درس 7: Undersampling مقدماتی
درس 8: تنظیم Threshold
درس 9: Precision-Recall
درس 10: پرهیز از دست‌کاری Test Set
درس 1: داده بدون Label
درس 2: کشف ساختار
درس 3: خوشه‌بندی
درس 4: کاهش ابعاد
درس 5: تشخیص ناهنجاری
درس 6: تفاوت با Classification
درس 7: نبود پاسخ قطعی
درس 8: ارزیابی کیفی
درس 9: کاربردهای واقعی
درس 10: خطر تفسیر بیش از حد
درس 1: مرکز خوشه
درس 2: تخصیص نقطه
درس 3: به‌روزرسانی مرکز
درس 4: تعداد خوشه
درس 5: مقداردهی اولیه
درس 6: Scaling
درس 7: Inertia
درس 8: Elbow Method
درس 9: Silhouette Score
درس 10: تفسیر خوشه‌ها
درس 11: نام‌گذاری خوشه با احتیاط
درس 12: بخش‌بندی کاربران
درس 1: محدودیت خوشه کروی
درس 2: Hierarchical Clustering
درس 3: Dendrogram
درس 4: DBSCAN
درس 5: نقطه نویزی
درس 6: چگالی
درس 7: انتخاب فاصله
درس 8: مقایسه الگوریتم‌ها
درس 9: ارزیابی بصری
درس 10: انتخاب روش متناسب با داده
درس 1: داده پربعد
درس 2: Featureهای مرتبط
درس 3: فشرده‌سازی اطلاعات
درس 4: PCA به زبان ساده
درس 5: مؤلفه اصلی
درس 6: Explained Variance
درس 7: Scaling قبل از PCA
درس 8: نمایش دوبعدی
درس 9: استفاده در Pipeline
درس 10: محدودیت تفسیر مؤلفه‌ها
درس 1: Feature Engineering چیست؟
درس 2: Feature خام و مشتق‌شده
درس 3: نسبت‌ها
درس 4: اختلاف‌ها
درس 5: تجمیع تاریخی
درس 6: Feature زمانی
درس 7: تعامل دو Feature
درس 8: تبدیل لگاریتمی
درس 9: دسته‌بندی بازه‌ای
درس 10: Feature دارای اطلاعات آینده
درس 11: انتخاب Feature قابل‌دسترسی در Production
درس 12: مستندسازی تعریف Feature
درس 1: محدودیت یک تقسیم داده
درس 2: K-Fold
درس 3: Stratified K-Fold
درس 4: Cross-validation Score
درس 5: میانگین و پراکندگی Score
درس 6: Grouped Cross-validation
درس 7: Time Series Split
درس 8: انتخاب روش براساس داده
درس 9: هزینه محاسباتی
درس 10: حفظ Test نهایی
درس 1: Parameter و Hyperparameter
درس 2: جست‌وجوی دستی
درس 3: Grid Search
درس 4: Randomized Search
درس 5: فضای جست‌وجو
درس 6: معیار انتخاب
درس 7: Cross-validation داخلی
درس 8: خطر جست‌وجوی بیش از حد
درس 9: مقایسه با Baseline
درس 10: ثبت نتیجه آزمایش‌ها
درس 1: نمونه‌های اشتباه
درس 2: گروه‌بندی خطا
درس 3: خطا براساس دسته
درس 4: خطا براساس بازه عددی
درس 5: بررسی داده ورودی
درس 6: Permutation Importance
درس 7: Partial Dependence مقدماتی
درس 8: توضیح محلی و کلی
درس 9: تفسیر به معنی علیت نیست
درس 10: مستندسازی محدودیت مدل
درس 11: بررسی عملکرد گروه‌های مختلف
درس 12: تصمیم برای بهبود بعدی
درس 1: چرا مدل خطی کافی نیست؟
درس 2: نورون مصنوعی
درس 3: ورودی و وزن
درس 4: Bias
درس 5: جمع وزن‌دار
درس 6: Activation Function
درس 7: لایه
درس 8: شبکه چندلایه
درس 9: خروجی مدل
درس 10: پارامترهای قابل‌یادگیری
درس 1: Tensor چیست؟
درس 2: ساخت Tensor
درس 3: Shape
درس 4: نوع داده
درس 5: عملیات Tensor
درس 6: Indexing
درس 7: Reshape
درس 8: Broadcasting
درس 9: CPU و GPU
درس 10: تبدیل NumPy و Tensor
درس 1: Dataset
درس 2: نمونه و Label
درس 3: ساخت Dataset ساده
درس 4: تقسیم داده
درس 5: Batch
درس 6: DataLoader
درس 7: Shuffle
درس 8: Batch Size
درس 9: پیمایش Batchها
درس 10: Transform داده
درس 1: nn.Module
درس 2: تعریف لایه
درس 3: Linear Layer
درس 4: تابع forward
درس 5: Activation
درس 6: ساخت شبکه چندلایه
درس 7: مشاهده پارامترها
درس 8: اجرای Forward Pass
درس 9: شکل ورودی و خروجی
درس 10: خطاهای Shape
درس 1: Loss Function
درس 2: Loss رگرسیون
درس 3: Loss طبقه‌بندی
درس 4: Gradient
درس 5: Autograd
درس 6: backward
درس 7: Optimizer
درس 8: SGD
درس 9: Adam
درس 10: Learning Rate
درس 11: پاک‌کردن Gradient
درس 12: یک مرحله آموزش
درس 1: Epoch
درس 2: حلقه Batch
درس 3: Forward
درس 4: محاسبه Loss
درس 5: Backward
درس 6: Update وزن
درس 7: ثبت Loss
درس 8: Validation Loop
درس 9: Accuracy
درس 10: نمودار روند آموزش
درس 11: تشخیص Overfitting
درس 12: ذخیره بهترین مدل
درس 1: تغییر تعداد لایه
درس 2: تغییر تعداد نورون
درس 3: ReLU
درس 4: Dropout
درس 5: Batch Normalization مقدماتی
درس 6: Weight Decay
درس 7: Early Stopping
درس 8: Learning Rate Scheduler
درس 9: Data Augmentation
درس 10: مقایسه آزمایش‌ها
درس 1: تصویر به‌عنوان داده
درس 2: کانال رنگ
درس 3: Convolution به زبان ساده
درس 4: Filter
درس 5: Feature Map
درس 6: Pooling
درس 7: CNN ساده
درس 8: آماده‌سازی تصویر
درس 9: آموزش طبقه‌بندی تصویر
درس 10: Confusion Matrix
درس 11: بررسی تصویرهای اشتباه
درس 12: محدودیت داده آموزشی
درس 1: مدل از پیش آموزش‌دیده
درس 2: Feature Extractor
درس 3: جایگزینی لایه خروجی
درس 4: Freeze کردن وزن
درس 5: Fine-tuning
درس 6: Learning Rate کوچک
درس 7: داده کم
درس 8: خطر تفاوت دامنه داده
درس 9: مقایسه با مدل از صفر
درس 10: ذخیره و بارگذاری مدل
درس 1: متن چگونه به داده تبدیل می‌شود؟
درس 2: پاکسازی متن
درس 3: Token
درس 4: Tokenization
درس 5: واژگان
درس 6: Bag of Words
درس 7: TF-IDF
درس 8: بردار متن
درس 9: شباهت کسینوسی
درس 10: طبقه‌بندی متن با scikit-learn
درس 1: محدودیت شمارش کلمات
درس 2: نمایش فشرده معنا
درس 3: Word Embedding
درس 4: Sentence Embedding
درس 5: شباهت معنایی
درس 6: جست‌وجوی معنایی
درس 7: نزدیک‌ترین متن‌ها
درس 8: خوشه‌بندی متن
درس 9: محدودیت زبان و دامنه
درس 10: ارزیابی دستی نتایج
درس 1: محدودیت مدل‌های ترتیبی ساده
درس 2: Attention به زبان ساده
درس 3: Transformer چیست؟
درس 4: مدل زبانی
درس 5: پیش‌بینی Token بعدی
درس 6: Context Window
درس 7: مدل Encoder
درس 8: مدل Decoder
درس 9: مدل Encoder-Decoder
درس 10: Inference در برابر Training
درس 1: Model Hub چیست؟
درس 2: Model Card
درس 3: License
درس 4: Pipeline
درس 5: تحلیل احساس
درس 6: دسته‌بندی متن
درس 7: خلاصه‌سازی
درس 8: پرسش‌وپاسخ
درس 9: پردازش دسته‌ای
درس 10: محدودیت حافظه و سرعت
درس 11: انتخاب مدل متناسب
درس 12: ثبت نسخه مدل
درس 1: چه زمانی مدل آماده کافی نیست؟
درس 2: داده برچسب‌دار
درس 3: تقسیم داده
درس 4: Tokenizer
درس 5: Dataset
درس 6: Training Argument
درس 7: معیار ارزیابی
درس 8: آموزش
درس 9: Overfitting
درس 10: مقایسه قبل و بعد
درس 11: ذخیره مدل
درس 12: مستندسازی داده و محدودیت‌ها
درس 1: مدل مولد چیست؟
درس 2: Prompt
درس 3: Instruction
درس 4: Context
درس 5: مثال ورودی و خروجی
درس 6: خروجی ساختاریافته
درس 7: Temperature به زبان ساده
درس 8: پاسخ ساختگی
درس 9: درخواست منبع
درس 10: ارزیابی پاسخ
درس 11: Prompt Injection مقدماتی
درس 12: عدم ارسال داده حساس
درس 1: محدودیت دانش مدل
درس 2: بازیابی اطلاعات
درس 3: تقسیم سند به بخش
درس 4: Embedding سند
درس 5: ذخیره بردار
درس 6: بازیابی نزدیک‌ترین بخش
درس 7: افزودن Context به Prompt
درس 8: پاسخ همراه منبع
درس 9: سؤال بدون پاسخ
درس 10: ارزیابی بازیابی
درس 11: ارزیابی پاسخ
درس 12: محدودیت RAG
درس 1: Classification تصویر
درس 2: Object Detection
درس 3: Segmentation
درس 4: OCR
درس 5: مدل ازپیش‌آموزش‌دیده
درس 6: آماده‌سازی تصویر
درس 7: اجرای Inference
درس 8: Confidence
درس 9: Threshold
درس 10: خطا در نور و زاویه
درس 11: حریم خصوصی تصویر
درس 12: ساخت پروژه تشخیص تصویر
درس 1: سوگیری مدل
درس 2: داده نماینده
درس 3: تبعیض الگوریتمی
درس 4: حریم خصوصی
درس 5: رضایت برای استفاده از داده
درس 6: حق نشر
درس 7: محتوای تولیدشده
درس 8: جعل و Deepfake
درس 9: توضیح محدودیت
درس 10: حضور انسان در تصمیم
درس 11: ارزیابی گروه‌های مختلف
درس 12: Model Card ساده
درس 1: محدودیت Notebook در محصول
درس 2: تبدیل کد به تابع
درس 3: ساخت فایل آماده‌سازی داده
درس 4: ساخت فایل آموزش
درس 5: ساخت فایل پیش‌بینی
درس 6: تنظیمات پروژه
درس 7: مسیر داده
درس 8: Logging
درس 9: مدیریت خطا
درس 10: اجرای پروژه از Terminal
درس 1: Model Artifact
درس 2: ذخیره مدل scikit-learn
درس 3: ذخیره Pipeline
درس 4: بارگذاری مدل
درس 5: ذخیره مدل PyTorch
درس 6: نسخه مدل
درس 7: نسخه کد
درس 8: نسخه داده
درس 9: ناسازگاری Dependency
درس 10: آزمون پیش‌بینی پس از بارگذاری
درس 1: API مدل چیست؟
درس 2: نصب FastAPI
درس 3: ساخت Endpoint
درس 4: ورودی تایپ‌شده
درس 5: مدل درخواست
درس 6: اعتبارسنجی ورودی
درس 7: بارگذاری مدل هنگام شروع
درس 8: Endpoint پیش‌بینی
درس 9: پاسخ احتمال
درس 10: مدیریت خطا
درس 11: مستندات خودکار
درس 12: تست API
درس 1: قرارداد ورودی
درس 2: قرارداد خروجی
درس 3: Featureهای الزامی
درس 4: داده نامعتبر
درس 5: مقدار گمشده
درس 6: Batch Prediction
درس 7: شناسه نسخه مدل
درس 8: زمان پاسخ
درس 9: ثبت درخواست بدون داده حساس
درس 10: محدودیت نرخ درخواست
درس 11: پاسخ قابل‌توضیح
درس 12: Fallback هنگام خرابی
درس 1: چرا آزمایش‌ها گم می‌شوند؟
درس 2: Experiment
درس 3: Run
درس 4: ثبت Parameter
درس 5: ثبت Metric
درس 6: ثبت Artifact
درس 7: ثبت Model
درس 8: مقایسه Runها
درس 9: Autologging
درس 10: انتخاب بهترین مدل
درس 11: Model Registry مقدماتی
درس 12: مستندسازی تصمیم مدل
درس 1: مشکل تفاوت محیط‌ها
درس 2: Container چیست؟
درس 3: Image
درس 4: Dockerfile
درس 5: نصب Dependency
درس 6: کپی فایل مدل
درس 7: اجرای API
درس 8: Port
درس 9: Environment Variable
درس 10: ساخت Image
درس 11: اجرای Container
درس 12: مشاهده Log
درس 1: مدل بعد از انتشار تمام نمی‌شود
درس 2: ثبت خطاهای سرویس
درس 3: زمان پاسخ
درس 4: نرخ خطا
درس 5: تغییر داده ورودی
درس 6: Data Drift
درس 7: Concept Drift
درس 8: تغییر عملکرد
درس 9: داده دارای Label با تأخیر
درس 10: تعیین هشدار
درس 11: زمان بازآموزی
درس 12: بازگشت به مدل قبلی
درس 1: معرفی مسئله
درس 2: معرفی داده
درس 3: Data Dictionary
درس 4: مراحل پاکسازی
درس 5: یافته‌های EDA
درس 6: Baseline
درس 7: مدل‌های بررسی‌شده
درس 8: معیار انتخاب
درس 9: نتیجه Test
درس 10: تحلیل خطا
درس 11: محدودیت‌ها
درس 12: ملاحظات اخلاقی
درس 13: روش اجرای پروژه
درس 14: مستندات API
درس 15: تصاویر خروجی
درس 16: برنامه توسعه آینده
درس 1: تفاوت تحلیلگر داده، دانشمند داده و مهندس ML
درس 2: انتخاب مسیر تخصصی
درس 3: انتخاب سه پروژه مناسب
درس 4: پاکسازی Repository
درس 5: نوشتن README
درس 6: نمایش Notebook نهایی
درس 7: ساخت گزارش کوتاه
درس 8: ساخت ویدئوی معرفی
درس 9: توضیح مدل برای فرد غیرفنی
درس 10: ساخت رزومه دانش‌آموزی
درس 11: معرفی خود در یک دقیقه
درس 12: سؤال‌های Python
درس 13: سؤال‌های pandas و SQL
درس 14: سؤال‌های آمار
درس 15: سؤال‌های ML
درس 16: تمرین تحلیل Case Study
درس 17: تمرین Debugging
درس 18: کارآموزی یا پروژه واقعی کوچک
یک فایل اکسل یا CSV داده فروش را دانلود کن، پرفروش‌ترین محصول و پردرآمدترین روز هفته را مشخص کن.
۶ تا ۹ ماه تمرین مداوم با منابع آنلاین مفت یا دورههای آموزشی.
شیوه‌های کاری: غالباً استخدام در شرکت‌های متوسط و بزرگ، امکان دورکاری مناسب.
خیر! این تصور یکی از باورهای اشتباهی است که افراد تازه‌کار درباره data-ai دارند. با آموزش گام‌به‌گام موازی و تمرین مستمر، هر علاقمندی می‌تواند بر مفاهیم تسلط پیدا کند.
خیر! این تصور یکی از باورهای اشتباهی است که افراد تازه‌کار درباره data-ai دارند. با آموزش گام‌به‌گام موازی و تمرین مستمر، هر علاقمندی می‌تواند بر مفاهیم تسلط پیدا کند.
