[فارسی]

01 مقدمه
01-01 شروع به کار

02 رمز زدایی از داده ها: تجزیه و تحلیل داده ها و علم داده ها
02-01 پرسیدن سوال
02-02 جمع آوری و به دست آوردن داده ها
02-03 تمیز کردن و آماده سازی داده ها
02-04 تجزیه و تحلیل داده ها
02-05 مدل سازی پیش بینی
02-06 یادگیری ماشینی
02-07 نتایج را تفسیر کنید

03 ابزارهای تجارت
03-01 حل مسئله
03-02 آمار
03-03 الگوریتم های یادگیری ماشین
03-04 صفحات گسترده
03-05 پایتون
03-06 SQL و پایگاه داده های رابطه ای
03-07 پلت فرم های آمار
03-08 کتابخانه های یادگیری ماشین

04 تفکر درباره داده ها
04-01 داده های کمی و کیفی
04-02 داده های گسسته در مقابل داده های پیوسته
04-03 داده های دسته بندی

05 تکنیک هایی برای توصیف داده ها
05-01 اقدامات گرایش مرکزی
05-02 اقدامات گسترش
05-03 تجسم توزیع داده ها
05-04 توصیف مجموعه داده با استفاده از هوش مصنوعی مولد
05-05 چالش: توصیف داده ها
05-06 راه حل: توصیف داده ها

06 توزیع داده ها
06-01 توزیع داده ها
06-02 تجسم یک توزیع نرمال در یک صفحه گسترده
06-03 Jupyter Notebook and Colab
06-04 ایجاد یک توزیع نرمال
06-05 تجسم یک توزیع عادی در پایتون
06-06 تجسم توزیع یکنواخت در پایتون
06-07 تجسم یک توزیع دووجهی در پایتون
06-08 چالش: توزیع داده ها
06-09 راه حل: توزیع داده ها

07 داده های نمونه گیری
07-01 نمونه برداری و جمعیت زیاد
07-02 ایجاد نمونه
07-03 ذخیره نمونه در یک فایل
07-04 مقایسه جمعیت با آمار نمونه
07-05 چالش: نمونه برداری از داده ها
07-06 راه حل: داده های نمونه برداری

08 استنتاج از داده ها
08-01 آمار استنباطی
08-02 روش شناسی آزمون فرضیه
08-03 تجزیه و تحلیل ترجیحات مشتری
08-04 خطاهای نوع I و نوع II
08-05 آزمون های ANOVA برای مقایسه میانگین ها
08-06 تولید اسکریپت های پایتون برای ANOVA
08-07 آزمون استقلال متغیرهای طبقه ای
08-08 تولید اسکریپت های پایتون برای تست های مجذور کای
08-09 تحلیل همبستگی
08-10 تست نرمال بودن
08-11 تولید پایتون برای تست نرمال بودن
08-12 تولید پایتون برای تحلیل همبستگی
08-13 چالش: استنتاج از داده ها
08-14 راه حل: استنتاج از داده ها

09 تجسم داده ها
09-01 تجسم داده ها
09-02 تجسم روندها
09-03 تجسم همبستگی ها
09-04 تجسم ترکیب
09-05 تجسم توزیع ها
09-06 چالش: تجسم داده ها
09-07 راه حل: تجسم داده ها

10 رگرسیون
10-01 رگرسیون خطی
10-02 ارزیابی مدل های رگرسیون خطی
10-03 تجسم داده های فروش
10-04 ساخت مدل رگرسیون خطی
10-05 ارزیابی مدل رگرسیون خطی فروش
10-06 چالش: ساخت یک مدل رگرسیون
10-07 راه حل: ساخت مدل رگرسیون

11 تجزیه و تحلیل داده ها در فایل ها
11-01 فایل های داده
11-02 استفاده از صفحات گسترده با فایل های CSV
11-03 مرور یک نمونه فایل JSON
11-04 استفاده از jq با فایل های JSON
11-05 تولید دستورات jq با استفاده از هوش مصنوعی
11-06 Dataframes در پایتون
11-07 بارگیری داده های CSV در قالب های داده
11-08 بارگیری JSON در فریم های داده
11-09 بازرسی چارچوب های داده
11-10 کیفیت داده و پاکسازی داده ها
11-11 استفاده از هوش مصنوعی برای کیفیت داده ها و پاکسازی داده ها
11-12 چالش: داده های از دست رفته
11-13 راه حل: داده های از دست رفته

12 تجزیه و تحلیل داده ها در پایگاه های داده
12-01 پایگاه داده های رابطه ای
12-02 پایگاه داده NoSQL
12-03 استخراج، تبدیل و بارگذاری داده ها در پایگاه های داده
12-04 مقدمه ای بر SQL
12-05 ایجاد جداول و درج داده ها
12-06 پرس و جو داده ها با SQL
12-07 پیوستن داده ها با SQL
12-08 آمار توصیفی در SQL
12-09 تولید مجموعه داده های مصنوعی برای پایگاه داده رابطه ای
12-10 ایجاد یک طرحواره ستاره ای، داده های مصنوعی و پرس و جوها
12-11 چالش: یک مدل داده رابطه ای ایجاد کنید
12-12 راه حل: یک مدل داده رابطه ای ایجاد کنید

13 مقدمه ای بر یادگیری ماشینی
13-01 یادگیری تحت نظارت و بدون نظارت
13-02 طبقه بندی
13-03 رگرسیون
13-04 خوشه بندی
13-05 چرخه زندگی یادگیری ماشینی
13-06 مهندسی ویژگی
13-07 ارزیابی مدل

14 مدل یادگیری ماشین ساختمان: طبقه بندی
14-01 مدل طبقه بندی ساده
14-02 رسیدگی به داده های از دست رفته
14-03 مقایسه چند الگوریتم
14-04 طبقه بندی با شبکه های عصبی
14-05 تنظیم فراپارامتر
14-06 ارزیابی اهمیت ویژگی
14-07 چالش: پیش بینی قصد مصرف کننده
14-08 راه حل: پیش بینی قصد مصرف کننده

15 مدل یادگیری ماشین ساختمان: خوشه بندی
15-01 خوشه بندی با k-means
15-02 خوشه بندی با DBSCAN
15-03 خوشه بندی با خوشه بندی سلسله مراتبی
15-04 چالش: تقسیم بندی مشتریان
15-05 راه حل: تقسیم بندی مشتریان

16 Open Access ML Datasets
16-01 مجموعه داده های ML با دسترسی باز

17 تجزیه و تحلیل شبکه
17-01 مقدمه ای بر نظریه گراف
17-02 NetworkX
17-03 تجزیه و تحلیل یک شبکه اجتماعی
17-04 زنجیره تامین و تجزیه و تحلیل شبکه
17-05 ایجاد یک زنجیره تامین مصنوعی
17-06 تجسم یک زنجیره تامین پیچیده
17-07 یافتن بالاترین نمرات بین بودن
17-08 مباحث پیشرفته در تجزیه و تحلیل زنجیره تامین
17-09 چالش: تجزیه و تحلیل یک شبکه اجتماعی
17-10 راه حل: تجزیه و تحلیل یک شبکه اجتماعی

18 شبیه سازی
18-01 مقدمه ای بر شبیه سازی
18-02 انواع شبیه سازی
18-03 مدلسازی مدیریت موجودی
18-04 مدل سازی مبتنی بر عامل
18-05 مدل سازی شیوع بیماری های عفونی
18-06 مدل‌سازی بیماری‌های عفونی مبتنی بر عامل
18-07 چالش: شبیه سازی آتش سوزی جنگل
18-08 راه حل: شبیه سازی آتش سوزی جنگل

19 پروژه Capstone
19-01 الزامات پروژه Capstone
راه حل پروژه Capstone 19-02

20 ادامه سفر یادگیری هوش مصنوعی
20-01 مراحل بعدی و منابع اضافی

[ENGLISH]

01 Introduction
01-01 Getting started

02 Demystifying Data: Data Analysis and Data Science
02-01 Asking questions
02-02 Collecting and obtaining data
02-03 Cleaning and preparing data
02-04 Analyzing data
02-05 Predictive modeling
02-06 Machine learning
02-07 Interpret the results

03 Tools of the Trade
03-01 Problem-solving
03-02 Statistics
03-03 Machine learning algorithms
03-04 Spreadsheets
03-05 Python
03-06 SQL and relational databases
03-07 Statistics platforms
03-08 Machine learning libraries

04 Thinking About Data
04-01 Quantitative and qualitative data
04-02 Discrete vs. continuous data
04-03 Categorical data

05 Techniques for Describing Data
05-01 Measures of central tendency
05-02 Measures of spread
05-03 Visualizing data distribution
05-04 Describing a dataset using generative AI
05-05 Challenge: Describing data
05-06 Solution: Describing data

06 Distributions of Data
06-01 Distributions of data
06-02 Visualizing a normal distribution in a spreadsheet
06-03 Jupyter Notebook and Colab
06-04 Generating a normal distribution
06-05 Visualizing a normal distribution in Python
06-06 Visualizing a uniform distribution in Python
06-07 Visualizing a bimodal distribution in Python
06-08 Challenge: Distributions of data
06-09 Solution: Distribution of data

07 Sampling Data
07-01 Sampling and large populations
07-02 Creating samples
07-03 Saving samples to a file
07-04 Comparing population to sample statistics
07-05 Challenge: Sampling data
07-06 Solution: Sampling data

08 Making Inferences from Data
08-01 Inferential statistics
08-02 Hypothesis testing methodology
08-03 Analyzing customer preferences
08-04 Type I and type II errors
08-05 ANOVA tests for comparing means
08-06 Generating Python scripts for ANOVA
08-07 Testing independence of categorical variables
08-08 Generating Python Scripts for Chi-squared tests
08-09 Correlation analysis
08-10 Testing for normality
08-11 Generating Python for testing normality
08-12 Generating Python for correlation analysis
08-13 Challenge: Making inferences from data
08-14 Solution: Making inferences from data

09 Visualizing Data
09-01 Visualizing data
09-02 Visualizing trends
09-03 Visualizing correlations
09-04 Visualizing composition
09-05 Visualizing distributions
09-06 Challenge: Visualizing data
09-07 Solution: Visualizing data

10 Regression
10-01 Linear regression
10-02 Evaluating linear regression models
10-03 Visualizing sales data
10-04 Building a linear regression model
10-05 Evaluating a sales linear regression model
10-06 Challenge: Building a regression model
10-07 Solution: Building a regression model

11 Analyzing Data in Files
11-01 Data files
11-02 Using spreadsheets with CSV files
11-03 Reviewing an example JSON file
11-04 Using jq with JSON files
11-05 Generating jq commands using AI
11-06 Dataframes in Python
11-07 Loading CSV data into dataframes
11-08 Loading JSON into dataframes
11-09 Inspecting dataframes
11-10 Data quality and data cleansing
11-11 Using AI for data quality and data cleansing
11-12 Challenge: Missing data
11-13 Solution: Missing data

12 Analyzing Data in Databases
12-01 Relational databases
12-02 NoSQL databases
12-03 Extraction, transformation, and loading data into databases
12-04 Introduction to SQL
12-05 Creating tables and inserting data
12-06 Querying data with SQL
12-07 Joining data with SQL
12-08 Descriptiive statistics in SQL
12-09 Generating synthetic data sets for a relational database
12-10 Generating a star schema, synthetic data, and queries
12-11 Challenge: Generate a relational data model
12-12 Solution: Generate a relational data model

13 Introduction to Machine Learning
13-01 Supervised and unsupervised learning
13-02 Classification
13-03 Regression
13-04 Clustering
13-05 Machine learning lifecycle
13-06 Feature engineering
13-07 Model evaluation

14 Building Machine Learning Models: Classification
14-01 Simple classification model
14-02 Handling missing data
14-03 Comparing multiple algorithms
14-04 Classification with neural networks
14-05 Hyperparameter tuning
14-06 Evaluating feature importance
14-07 Challenge: Predicting consumer intent
14-08 Solution: Predicting consumer intent

15 Building Machine Learning Models: Clustering
15-01 Clustering with k-means
15-02 Clustering with DBSCAN
15-03 Clustering with hierarchical clustering
15-04 Challenge: Customer segmentation
15-05 Solution: Customer segmentation

16 Open Access ML Datasets
16-01 Open access ML datasets

17 Network Analysis
17-01 Introduction to graph theory
17-02 NetworkX
17-03 Analyzing a social network
17-04 Supply chains and network analysis
17-05 Generating a synthetic supply chain
17-06 Visualizing a complex supply chain
17-07 Finding highest betweenness scores
17-08 Advanced topics in supply chain analysis
17-09 Challenge: Analyzing a social network
17-10 Solution: Analyzing a social network

18 Simulations
18-01 Introduction to simulations
18-02 Types of simulations
18-03 Modeling inventory management
18-04 Agent-based modeling
18-05 Modeling the spread of infectious diseases
18-06 Agent-base infectious diseases modeling
18-07 Challenge: Simulating forest fires
18-08 Solution: Simulating forest fires

19 Capstone Project
19-01 Capstone project requirements
19-02 Capstone project solution

20 Continuing Your AI Learning Journey
20-01 Next steps and additional resources