Generated by Rank Math SEO, this is an llms.txt file designed to help LLMs better understand and index this website.

# مدرسه پردازش و تحلیل داده دقیقه: یادگیری گام به گام تحلیل داده، علوم داده و هوش مصنوعی

## Sitemaps
[XML Sitemap](https://d-learn.ir/sitemap_index.xml): Includes all crawlable and indexable pages.

## نوشته‌ها
- [دوره جامع یادگیری ماشین و مهندسی هوش مصنوعی دانشگاه صنعتی شریف](https://d-learn.ir/mlai05/): تاریخ شروع: ۱۸ شهریور ۱۴۰۵
- [انجام پروژه پیش‌بینی سفارش در شبکه خرده‌فروشی (شرکت پین‌دیس)](https://d-learn.ir/orderpredict-pindis/): مهلت تحول تا ۲۵ مرداد ۱۴۰۵
- [چطور با هوش مصنوعیِ عامل، تصمیم‌گیری را در سازمان‌مان متحول کنیم؟](https://d-learn.ir/ai-agents-in-organization/): آنچه رهبران سازمان‌ها باید بدانند
- [پنجرهٔ بازار کار دقیقه](https://d-learn.ir/about-job-win/): ما اخیرا، در مدرسه دقیقه، پروژه پنجره بازار کار را راه‌اندازی کرده‌ایم و قصد داریم از طریق آن بین دو سمت جدا، و در عین حال مکملِ، بازار کار تحلیل داده پل بزنیم و تحلیل‌های با کیفیت را به کارفرمایانِ متقاضی معرفی و فرایند همکاری‌شان را تسهیل کنیم.
- [سوال پژوهش خود را چگونه طراحی می‌کنید؟ آیا فرایند مشخصی وجود داد؟](https://d-learn.ir/p/gap-analysis/): چطور بفهمیم در حوزه پژوهشی‌مان چه خلأها یا کاستی‌هایی وجود دارد تا بتوانیم پروژه مطالعاتی جدیدی تعریف و از اصالت آن دفاع کنیم؟
چطور بتوانیم متخصصان حوزه پژوهشی‌مان را متقاعد کنیم مطالعه مجدد روی موضوعی که در گذشته بررسی شده، ارزشمند و حتی لازم است؟
- [کارگاه استنباط عِلّی در تحلیل داده‌های پزشکی و زیستی](https://d-learn.ir/ascu/): تاریخ شروع: ۲۶ شهریور ۱۴۰۵
- [اکسل برای تحلیل داده‌های کسب‌وکار](https://d-learn.ir/xlsb/): تاریخ شروع: ۱۲ شهریور ۱۴۰۵
- [آرشیو روزانه قیمت دلار از سال ۱۳۶۰ تا تیر ۱۴۰۵](https://d-learn.ir/p/usd-price/): مجموعه داده‌های قیمت روزانه دلار در ایران از مهر ماه سال ۱۳۶۰ تاکنون که توسط مدرسه پردازش و تحلیل داده دقیقه تهیه شده است به منظور دسترسی عموم مردم، برای دانلود قرار گرفت. این داده‌ها که شامل نرخ روزانه دلار آمریکا در بازه زمانی مذکور است، اولین بار سال ۱۴۰۱ منتشر شده و در همین پست به صورت دوره‌ای به‌روز می‌شود.
- [کارگاه جامع به‌کارگیری هوش مصنوعی در پژوهش‌های دانشگاهی و صنعتی](https://d-learn.ir/ai4s/): تاریخ شروع: ۵ مرداد ۱۴۰۵
- [انجام پروژه تحلیل داده‌های اشتغال زنان](https://d-learn.ir/jobwnd-wemp/): مهلت تحویل تا ۹ مرداد ۱۴۰۵​
- [دوره آموزشی تحلیل داده با پایتون دانشگاه صنعتی شریف](https://d-learn.ir/pyda/): تاریخ شروع: ۱۸ مرداد ۱۴۰۵
- [داده‌های حداقل حقوق و تورم ایران (۱۳۵۸-۱۴۰۵)](https://d-learn.ir/p/iran-minimum-wage-data/): حداقل دستمزد در ایران هر ساله بر اساس مصوبه شورای عالی کار تعیین می‌شود و به عنوان معیار پایه‌ای برای دستمزد کارگران مشمول قانون کار در نظر گرفته می‌شود. این مقدار معمولاً با در نظر گرفتن نرخ تورم و هزینه‌های معیشت مشخص شده و مبنای سایر پرداختی‌های مزدی قرار می‌گیرد.
- [اریبی و واریانس در یادگیری ماشین](https://d-learn.ir/bias-and-variance-in-machine-learning/): روش‌های مختلفی برای ارزیابی یک مدل یادگیری ماشین وجود دارد. ما می‌توانیم از MSE (خطای میانگین مربعات) برای رگرسیون، دقت، فراخوانی، و ROC (مشخصه عملکرد گیرنده) برای یک مسئله طبقه‌بندی به همراه خطای مطلق استفاده کنیم. به طور مشابه، اریبی (Bias) و واریانس (Variance) به ما در تنظیم پارامترها و تصمیم‌گیری در مورد مدل‌های با برازش بهتر در میان چندین مدل ساخته شده کمک می‌کنند.اریبی نوعی خطا است که به دلیل مفروضات نادرست درباره داده‌ها رخ می‌دهد، مانند فرض خطی بودن داده‌ها در حالی که در واقعیت، داده‌ها از یک تابع پیچیده پیروی می‌کنند. از سوی دیگر، واریانس با حساسیت بالا به تغییرات در داده‌های آموزشی معرفی می‌شود. این نیز نوعی خطا است زیرا ما می‌خواهیم مدل خود را در برابر نویز مقاوم کنیم. دو نوع خطا در یادگیری ماشین وجود دارد: خطای قابل کاهش و خطای کاهش‌ناپذیر. اریبی و واریانس تحت عنوان خطای قابل کاهش قرار می‌گیرند.
- [کارگاه تحلیل داده و کاربردهای آن در علوم اجتماعی](https://d-learn.ir/da4ss/): شنبه ۶ دی 1404
ساعت 10  تا 13 و ساعت ۱۴ تا 17
- [کارگاه معرفی و تحلیل داده‌های عمومی](https://d-learn.ir/shkh/): ۲ و ۱۶ دی ۱۴۰۴ از ساعت ۱۶:۳۰ تا ۱۹:۴۵
- [کارگاه تحلیل داده‌های کارزار](https://d-learn.ir/krzr/): سه‌شنبه ۲۵ آذر ۱۴۰۴ ساعت ۱۷:۰۰ تا ۲۰:۱۵
سه‌شنبه ۱۶ دی ۱۴۰۴ ساعت ۱۷:۰۰ تا ۲۰:۱۵ (حضوری و آنلاین)
- [داده نرخ تورم سالانه و شاخص قیمتِ مصرف‌کننده (CPI)​ در ایران از سال ۱۹۶۰ تا ۲۰۲۴](https://d-learn.ir/annual-inflation-rate-cpi/): تحلیل روند اقتصاد ایران نیازمند دسترسی به داده‌های معتبر و تاریخی است. داده حاضر شامل داده‌های سری زمانی نرخ تورم و شاخص قیمت مصرف‌کننده (CPI) ایران در بازه زمانی ۱۹۶۰ تا ۲۰۲۴ است که مستقیماً از پایگاه داده بانک جهانی  استخراج شده است. این مجموعه داده، اطلاعات جذابی در مورد نوسانات ارزش پول ملی و تغییرات سطح عمومی قیمت‌ها در گذر زمان را فراهم می‌کند.
- [مواجهه انتقادی با عدد و نمودار در روزنامه‌نگاری داده](https://d-learn.ir/djwa/): چهارشنبه ۱۹ آذر ساعت 18:۰۰ تا ۲۰:15 (آنلاین)
پنجشنبه ۲۰ آذر ۱۴۰۴ از ساعت ۹:3۰ تا ۱۷:۰۰ (حضوری)
- [داده‌های هزینه و درآمد خانوار مرکز آمار ایران](https://d-learn.ir/iran-hbs/): طرح درآمد و هزینه خانوار یکی از مهم‌ترین منابع داده برای تحلیل‌های اقتصادی، اجتماعی، سیاست‌گذاری عمومی و تحقیقات بازار است و اطلاعات متنوعی درباره خانوار مانند ویژگی‌های محل سکونت، سن، جنسیت، تحصیلات، وضعیت اشتغال اعضای خانوار و جزیئات درآمدی و هزینه‌ای آنان را در بر می‌گیرد.
- [مسیر شغلی تحلیل داده به روایت فاطمه موسوی](https://d-learn.ir/crda04/): تجربه گسترده فاطمه موسوی در کسب‌وکارهای گوناگون حاوی نکات ارزشمند و تازه‌ای است که در چهارمین نشست از سری «وبینارهای مسیر شغلی تحلیل داده» با او درباره‌اش گفتگو خواهیم کرد.
- [علوم اجتماعی محاسباتی یا علوم اجتماعی رایانشی؟](https://d-learn.ir/css2farsi/): محسن نداف در متن زیر به بررسی و نقد ترجمه‌ی رایج اصطلاح «Computational Social Science» می‌پردازد. این متن استدلال می‌کند که چرا ترجمه‌ی «علوم اجتماعی محاسباتی» نادرست بوده و واژه‌ی «رایانشی» معادل دقیق‌تری است. این دیدگاه به عنوان یک موضوع کارشناسی قابل تأمل ارائه شده است که می‌تواند زمینه‌ساز بحث و گفتگوی بیشتر میان متخصصان این حوزه باشد.
- [دوره جامع شبکه‌های عصبی عمیق با پایتون](https://d-learn.ir/dpnn/): تاریخ شروع: ۱۶ آذر ۱۴۰۴
- [P-value: چی هست و چی نیست](https://d-learn.ir/p-value-what-is-and-what-is-not/): سوءتعبیر و سوءاستفاده از p-value (در فارسی پی مقدار گفته می‌شود) دهه‌هاست که رو به افزایش است. در مارس ۲۰۱۶، انجمن آمار آمریکا(ASA) بیانیه‌ای برای هشدار در مورد استفاده و تفسیر p-value منتشر کرد. در این نوشتار، تعریفی از p-value و بحثی پیرامون آن ارائه کرده و بر اهمیت تفسیر دقیق آن تأکید نموده‌ایم.
- [کارگاه علوم اجتماعی محاسباتی با رویکردی انتقادی](https://d-learn.ir/cssw/): تاریخ شروع: ۱۲ آذر ۱۴۰۴
- [داده نرخ سود در ایران](https://d-learn.ir/iran_interest_rate/): نرخ بهره بین‌بانکی، نرخ سودی است که بانک‌ها و موسسات اعتباری در معاملات کوتاه‌مدت (معمولاً یک‌شبه یا چندروزه) با یکدیگر در بازار بین‌بانکی برای تأمین نقدینگی مبادله می‌کنند. این نرخ که توسط بانک مرکزی جمهوری اسلامی ایران نظارت و کنترل می‌شود، شاخص کلیدی سیاست پولی کشور محسوب می‌شود و عرضه و تقاضا در بازار بین‌بانکی بر آن تأثیرگذار است. بانک مرکزی با استفاده از ابزارهای عملیات بازار باز، تلاش می‌کند این نرخ را در یک کریدور مشخص (بین نرخ سپرده‌گذاری و اعتبارگیری قاعده‌مند) نگه دارد.​
- [مسیر شغلی تحلیل داده به روایت حسن حیدری](https://d-learn.ir/crda03/): حسن حیدری مدیر تیم تحلیل داده شرکت کروز است و پیش از این نیز در مهم‌ترین استارتاپ‌های ایران مانند دیوار و دیجیکالا به عنوان تحلیلگر ارشد داده و تحلیلگر ارشد هوش تجاری فعالیت داشته است. او با تحصیلات مهندسی صنایع وارد فضای کار تحلیل داده شده و نگاهی جامع به بهره‌برداری تحلیلی از داده در کسب‌وکار دارد. تجربه گسترده حسن حیدری در صنایع گوناگون حاوی نکات ارزشمند و منحصر به فردی است که در سومین نشست از سری «وبینارهای مسیر شغلی تحلیل داده» با او درباره‌اش گفتگو خواهیم کرد.
- [ابزارهای مدیریتی برای تحول دیجیتال مبتنی بر داده و شواهد](https://d-learn.ir/evidence-based-management/): هدف این یادداشت، ارائه یک جعبه‌ابزار استراتژیک و یک نقشه راه عملی برای رهبران و مدیرانی است که قصد دارند مسیر تحول دیجیتال را با اطمینان و اثربخشی طی کنند. این راهنما قرار نیست صرفاً به معرفی فناوری‌های نوین بپردازد، بلکه بر ابزارها و چارچوب‌های مدیریتی تمرکز دارد که زیربنای یک تحول پایدار را تشکیل می‌دهند. رویکرد این مقاله، ترکیبی از مبانی نظری مدیریت مبتنی بر شواهد و چارچوب‌های عملی ارزیابی عملکرد است تا پلی میان تئوری و اجرا ایجاد کند. در این مسیر، به بررسی عمیق مفاهیم، مقایسه تطبیقی ابزارها و ارائه راهکارهای عملی برای پیاده‌سازی موفق خواهیم پرداخت تا مدیران بتوانند با دیدی باز و مسلح به دانش روز، سازمان خود را به سمت آینده‌ای دیجیتال و داده‌محور هدایت کنند.
- [مستند «پایتون؛ داستان پیدایش» +زیرنویس فارسی](https://d-learn.ir/p/python-origin-story/): این مستند به بررسی جامع و تخصصی ریشه‌ها و مسیر تکاملی زبان برنامه‌نویسی پایتون می‌پردازد. داستان از دهه ۱۹۸۰ در آمستردام و در مرکز تحقیقات هلندی CWI آغاز می‌شود. گیدو فان روسوم، خالق پایتون، در طول کار بر روی پروژه سیستم عامل Amoeba و با الهام از اصول آموخته شده در پروژه شکست‌خورده ABC، نیاز به زبانی را تشخیص داد که شکاف بین زبان‌های سطح پایین مانند C و اسکریپت‌های شل را پر کند. هدف اولیه، طراحی زبانی بود که هم کاربری آن آسان باشد و هم یادگیری آن برای مبتدیان، بدون درگیر شدن در جزئیات سخت‌افزاری، میسر گردد. یکی از بارزترین ویژگی‌های پایتون که از ABC به ارث رسیده است، استفاده از تورفتگی برای گروه‌بندی دستورات است. در آن زمان، هزینه‌ی کامپیوترها بسیار بالا و هزینه‌ی برنامه‌نویسان ارزان بود، لذا زبان‌های برنامه‌نویسی عمدتاً برای بهینه‌سازی منابع کامپیوتری طراحی می‌شدند، نه سهولت برنامه‌نویسی.
- [مدیریتِ مبتنی بر داده و شواهد برای تحول دیجیتال](https://d-learn.ir/ddmt/): تاریخ شروع: ۲۰ آبان ۱۴۰۴
- [دوره جامع طراحی و تحلیل کارآزمایی بالینی با رویکرد کاربردی با استفاده از R](https://d-learn.ir/rmdat/): تاریخ شروع: ۱۵ آبان ۱۴۰۴
- [به‌روزرسانی بسته ggplot۲ +تغییرات ۴.۰](https://d-learn.ir/ggplot2-4-update/): وبلاگ TidyVerse 1 خبر از انتشار نسخه جدید بسته ggplot2 داد و تغییرات زیاد این به‌روزرسانی، دلیلی شده تا شماره اصلی این بسته را نیز به روز کنند و به ورژن 4.0 رسید.  این بسته که بر اساس کتاب The Grammar of Graphics طراحی شده است به کاربران اجازه می‌دهد تا با تعریف اجزای اصلی نمودار شامل داده‌ها، متغیرها، سیستم مختصات و عناصر گرافیکی، نمودارهای پیچیده را به صورت لایه‌ای و ماژولار بسازند. ggplot2 امکان ایجاد طیف گسترده‌ای از نمودارها - از نمودارهای پراکندگی ساده تا نقشه‌های چندلایه و نمودارهای آماری پیشرفته - را با حداقل کد و حداکثر انعطاف‌پذیری فراهم می‌کند. این بسته به دلیل قابلیت‌های سفارشی‌سازی بالا، پشتیبانی از تم‌های یکپارچه و سازگاری با اکوسیستم tidyverse، به ابزاری استاندارد در تحلیل داده‌ها و مصورسازی علمی تبدیل شده است.
- [مسیر شغلی تحلیل داده به روایت ریحانه فرجی](https://d-learn.ir/crda02/): ریحانه فرجی هم‌اکنون به عنوان تحلیلگر ارشد کسب‌وکار در دیجی‌کالا مشغول فعالیت حرفه‌ایست و پیش از این نیز به عنوان تحلیلگر داده اسنپ‌تریپ مشغول به کار بوده و از آن زمان با مسائل گوناگون تحلیل داده آشنا شده است. ریحانه با پیش‌زمینه مهندسی مکانیک وارد حوزه تحلیل داده شده و نکات شنیدنی زیادی برای علاقه‌مندان ورود به بازار کار تحلیل داده دارد.
- [منابعی برای یادگیری تحلیل داده، آمار، علوم داده و هوش مصنوعی و استفاده از آن‌ها در رشته‌های مختلف](https://d-learn.ir/stats-and-data-analysis-resources/): در این صفحه کتاب‌های نسبتا جدید و کاربردی برای یادگیری موضوعات مختلف تحلیل داده، آمار، علوم داده، هوش مصنوعی و شیوه‌های به‌کارگیری آن‌ها در حوزه‌های کاری و پژوهشی گوناگون معرفی خواهد شد. 
- [نگاهی به اکوسیستم تحلیل داده در R](https://d-learn.ir/recosystem/): افرزش افزوده تحلیلگران داده تنها هنگام جمع‌آوری داده و تحلیل آن‌ها خودش را نشان نمی‌دهد. اگر داده‌های تحلیل به روز شد و از شما خواستند نتایج تحلیل را به روزرسانی کنید، چه می‌کنید؟ آیا مسیری که برای تحلیل داده دنبال کرده‌اید، این آمادگی را دارد که با جایگزینی داده‌ها نتایج تحلیل بدون مشکل به روز شود؟
- [مهارت‌های کلیدی اکسل در بازار کار](https://d-learn.ir/xlsbw/): اکسل یکی از پرکاربردترین ابزارهای دنیای کسب‌وکار است که تسلط بر آن می‌تواند تفاوت بزرگی در مسیر شغلی و زندگی حرفه‌ای هر فرد ایجاد کند. در بسیاری از موقعیت‌های شغلی، از تحلیل داده و گزارش‌گیری گرفته تا برنامه‌ریزی و مدیریت پروژه، آشنایی عمیق با قابلیت‌های اکسل یک مهارت کلیدی به شمار می‌آید. در وبینار «مهارت‌های کلیدی اکسل در بازار کار» برخی از این مهارت‌های کلیدی را با یکدیگر بررسی می‌کنیم و نگاهی خواهیم داشت به جدیدترین امکانات استفاده از هوش مصنوعی در محیط اکسل. 
- [مسیر شغلی تحلیل داده به روایت احسان امیرزاده](https://d-learn.ir/crda01/): احسان امیرزاده یک تحلیلگر داده باتجربه در آمستردام هلند است و داستان‌های شنیدنی زیادی درباره مسیر شغلی خود از کارشناسی مهندسی برق در دانشگاه شیراز، کارشناسی ارشد فیزیک سیستم‌های پیچیده در دانشگاه بهشتی تا تحلیل داده در شرکت دقیــقه، دیوار، همکاری در پروژه‌های بزرگ تحلیل داده در حوزه سیاست‌گذاری‌های رفاهی و مدیریت مصرف انرژی، شرکت کاتاویکی (Catawiki) و ادین (Adyen) دارد.
- [دوره آموزشی تحلیل داده با R دانشگاه صنعتی شریف](https://d-learn.ir/r4da/): تاریخ شروع: ۵ شهریور ۱۴۰۴
- [داده‌های پایگاه‌ها و ایستگاه‌های مدیریت بحران در مناطق تهران](https://d-learn.ir/tehran-crisis-management/): شهرداری تهران آمار زیرساخت‌های مدیریت بحران را منتشر می‌کند. این داده شامل تعداد پایگاه پشتیبانی مدیریت بحران، تعداد ایستگاه لرزه‌نگاری سطحی، تعداد ایستگاه شتاب‌نگاری و تعداد ایستگاه لرزه‌نگاری درون‌چاهی است.
- [تبعیض در موتورهای جستجو؛ چرا تنوع‌بخش در الگوریتم‌های جستجو مهم است؟](https://d-learn.ir/p/diversification-in-search-engines/): در کسب‌وکارهای دیجیتال سرنوشت همه – از تأمین‌کننده و مشتری تا پلتفرم و متولیان زیرساخت‌های بازار  — به عملکرد یک بازیگر پنهان وابسته‌اند: الگوریتم جستجو.
- [آموزش مقدماتی علوم داده و هوش مصنوعی با پایتون دانشگاه صنعتی شریف](https://d-learn.ir/pyds/): تاریخ شروع: ۴ مرداد ۱۴۰۴
- [مسیر شغلی مدیریت محصول و نگاهی به ظرفیت‌های استفاده از هوش مصنوعی در آن](https://d-learn.ir/crpd/): دانلود فایل PDF
- [آشنایی با مسیر شغلی تحلیل داده و مهندسی داده؛ و آینده آن‌ها در دوره رشد هوش مصنوعی | حسام محمدحسینی](https://d-learn.ir/crdn/): تحلیلگر داده و مهندس داده دو موقعیت شغلی محبوب در یک دهه اخیر بوده‌اند و که با دسترسی هرچه بیشتر به داده‌ها نقش به‌سزایی در ارزش‌افرینی با بهره‌برداری از آن‌ها ایفا کرده‌اند. اما به نظر می‌رسد با برآمدن هوش مصنوعی مولد مانند ChatGPT، این دو موقعیت شغلی نیز تغییراتی را تجربه می‌کنند. به عنوان نمونه و تا پیش از این، معمولا بخش زیادی از زمان یک مهندس داده صرف پالایش داده و اطمینان از کیفیت آن می‌شده، اما احتمالا این فرایند و بسیاری از وظایف زمان‌بر و پرتکرارِ شبیه به آن، به هوش مصنوعی مولد یا Agent ها واگذار می‌شوند. از طرف دیگر استفاده گسترده از انواع تکنولوژی‌ها و ابزارهای دیجیتال، هم سرعت تولید داده را بیشتر کرده است. به علاوه، هوش مصنوعی ها به طور کلی و هوش مصنوعی مولد هم نیازمند داده با کیفیت برای رشد و توسعه است.این پویایی و دینامیسم احتمالا تقاضا برای تحلیل داده را افزایش خواهد داد و به همین خاطر بعید به نظر می‌رسد مشاغلی مانند تحلیلگر داده و مهندس داده با تهدید وجودی مواجه شوند. اما احتمالا نوع کارشان تفاوت‌های چشم‌گیری با گذشته خواهد داشت. به عنوان نمونه، تحلیلگر و مهندس داده اگرچه با اصول کدنویسی صحیح آشنا هستند، اما بیشتر از آنکه کدنویسی کنند، پرامپت‌نویسی می‌کنند و باقی وقتشان را صرف امور سطح بالاتری مثل طراحی، نظارت و ارزیابی می‌کنند.
- [آشنایی با مسیرهای شغلی یادگیری ماشین و هوش مصنوعی | سعید مجیدی](https://d-learn.ir/crmlai/): دنیای یادگیری ماشین و هوش مصنوعی در سال‌های اخیر به یکی از جذاب‌ترین و محبوب‌ترین حوزه‌های کاری تبدیل شده و تحولات سریع و گسترده‌ای را تجربه می‌کند. در این وبینار درباره مسیرهای شغلی مهندس یادگیری ماشین و مهندس هوش مصنوعی به بحث و گفتگو خواهد شد.
- [۷ نوع سوگیری در نظرسنجی‌ها و روش‌های پیشگیری از آن‌ها](https://d-learn.ir/p/types-of-bias-in-survey/): نظرسنجی‌های آنلاین، به‌خصوص در سال‌های اخیر در ایران (از طریق پلتفرم‌هایی مانند شبکه‌های اجتماعی، وب‌سایت‌ها و اپلیکیشن‌ها)، به یکی از ابزارهای رایج تحقیقات بازار تبدیل شده‌اند. این روش، راهی کم‌هزینه و سریع برای جمع‌آوری دیدگاه‌ها از تعداد زیادی از افراد است. اما مانند هر روش تحقیقی دیگری، نظرسنجی‌ها نیز مزایا و معایب خود را دارند. به‌ویژه، نظرسنجی‌های آنلاین می‌توانند دستخوش انواع مختلفی از سوگیری (Bias) یا خطاهای سیستماتیک شوند.
- [وب‌اسکرپینگ (Web Scraping) چیست؟](https://d-learn.ir/p/what-is-web-scraping/): امروزه و در عصر دیجیتال، داده‌ها شریان حیاتی کسب‌وکارها و پژوهش‌ها هستند. اسکریپینگ (scraping) در لغت به معنی خراش دادن یا ایجاد خراش است. وب اسکرپینگ (Web Scraping) یا خراش وب، که گاهی به عنوان  استخراج داده نیز شناخته می‌شود، فرآیند خودکار استخراج اطلاعات ارزشمند از وب‌سایت‌هاست. این تکنیک به شما امکان می‌دهد داده‌ها را از صفحات وب بازیابی، آنها را به فرمتی ساختاریافته تبدیل و برای تحلیل‌های بیشتر ذخیره کنید. وب اسکرپینگ به دلیل توانایی‌اش در جمع‌آوری سریع حجم زیادی از داده‌ها که می‌تواند برای تحقیق، تحلیل و تصمیم‌گیری استفاده شود، خصوصا در سال‌های اخیر اهمیت فراوانی پیدا کرده است و با پیشرفت یک باره‌ی هوش مصنوعی بیش از پیش اهمیت یافته است.
- [بهترین معادل برای «Data Science» در زبان فارسی چیست؟](https://d-learn.ir/data-science-fa/): در گزینه‌های موجود، بهترین معادل برای Data Science در زبان فارسی «علوم داده» است. به گزینه‌های دیگر اشکالاتی وارد است که در استفاده از علم به صورت اسم جمع تلاش شده تا حد ممکن راهکارهایی برای مواجهه با آن‌ها اندیشیده شود. اگر آنچه در گذشته در زبان فارسی متعارف بوده و به نوعی عرف زبانی تبدیل شده را معیار قرار دهیم، می‌توان به اختصار گفت علوم داده ترجمه بهتری از علم داده است همچنان که علوم کامپیوتر ترجمه بهتری از علم کامپیوتر  بوده است.
- [خلاصه‌ای از فعالیت‌های مدرسه دقیقه در سال ۱۴۰۳](https://d-learn.ir/p/%d8%ae%d9%84%d8%a7%d8%b5%d9%87%d8%a7%db%8c-%d8%a7%d8%b2-%d9%81%d8%b9%d8%a7%d9%84%db%8c%d8%aa%d9%87%d8%a7%db%8c-%d9%85%d8%af%d8%b1%d8%b3%d9%87-%d8%af%d9%82%db%8c%d9%82%d9%87-%d8%af/): ▫️ برگزاری ۱۱ دوره آموزشی آنلاین▫️ انتشار ۶ درسنامه جدید▫️ انتشار ۳ پروژه جدید▫️ عرضه ۱۰ دوره به صورت آفلاین▫️ برگزاری ۲ دوره سازمانی▫️ برگزاری ۶ وبینار و نشست▫️ انتشار ۱۹ عنوان جدید در مجله پرانتز▫️ انتشار ۷ مجموعه داده جدید
- [پانداس (Pandas) چیست؟](https://d-learn.ir/what-is-pandas/): پانداس کتابخانه‌ متن‌باز پایتون است که با بیش از ۱۰۰ میلیون دانلود در ماه، محبوب‌ترین ابزار برای پردازش و تحلیل اکتشافی داده‌ها محسوب می‌شود. قابلیت خواندن و نوشتن در فرمت‌های متنوع، آن را به ابزاری قدرتمند و انعطاف‌پذیر برای متخصصان علوم داده تبدیل کرده است. همچنین، توابع پردازش داده‌ی آن، pandas را به ابزاری کاربردی برای تجمیع، تحلیل و پاک‌سازی داده‌ها تبدیل می‌کند. پانداس در واقع افزونه‌ای برای پردازش و دستکاری داده‌های جدولی در پایتون است که کارهایی مانند بارگذاری، هم‌ترازی، ادغام و تبدیل مجموعه‌داده‌ها را به طور کارآمد پیاده‌سازی می‌کند.
- [مدیریت محصول](https://d-learn.ir/pdmn/): دوره آموزشی "مدیریت محصول" با هدف آماده‌سازی افراد برای تبدیل شدن به مدیران محصول حرفه‌ای طراحی شده است و به اصول، ابزارها و تکنیک‌های کلیدی این حوزه می‌پردازد. این دوره برای کارآفرینان، مدیران محصول، توسعه‌دهندگان، طراحان تجربه کاربری و علاقه‌مندان به فناوری مناسب است و مفاهیمی چون تحلیل بازار، نیازسنجی کاربران، طراحی ارزش پیشنهادی، مدیریت بک‌لاگ و استفاده از متدولوژی‌های چابک مانند Agile و Scrum را پوشش می‌دهد. با ترکیبی از آموزش تئوری، مثال‌های عملی و پروژه‌های کاربردی، شرکت‌کنندگان مهارت‌های لازم برای توسعه محصولاتی موفق و منطبق با نیاز بازار را کسب می‌کنند.
- [استفاده از هوش مصنوعی (AI) در زندگی حرفه‌ای](https://d-learn.ir/%d8%a7%d8%b3%d8%aa%d9%81%d8%a7%d8%af%d9%87-%d8%a7%d8%b2-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-ai-%d8%af%d8%b1-%d8%b2%d9%86%d8%af%da%af%db%8c-%d8%ad%d8%b1%d9%81%d9%87%d8%a7/): هوش مصنوعی در حال تغییر شیوه کار و زندگی ماست و بسیاری از مشاغل دگرگون کرده است. از انجام وظایف اداری و پشتیبانی مشتری گرفته تا تولید محتوا و تحلیل داده، هوش مصنوعی با افزایش سرعت و دقت، بهره‌وری را به سطحی جدید رسانده است. اگر دوست دارید از این تحول برای رشد حرفه‌ای خود استفاده کنید، این دوره فرصت یادگیری و تمرین آن را برای شما فراهم می‌کند. در این کارگاه آموزشی از مفاهیم پایه هوش مصنوعی و کاربردهای روزمره آن گرفته تا مواردی مثل مانند نامه‌نگاری رسمی، تنظیم قرارداد، گردآوری اطلاعات، تهیه گزارش، انواع تولید محتوا و تحلیل داده‌ در کسب‌و‌کار با استفاده از هوش مصنوعی را به‌صورت عملی یاد می‌گیرید و تمرین می‌کنید.
- [پردازش بهینه با pandas و polars](https://d-learn.ir/pyps/): پردازش داده‌های حجیم در پایتون یکی از چالش‌های تحلیلگران داده در مواجهه با داده‌های واقعی است. بخش قابل توجهی از این چالش‌ها، با استفاده کارآمد و اصولی از کتابخانه pandas همچنان قابل انجام است. عدم استفاده درست از پانداس، عملکرد پردازش را به شدت تحت تاثیر قرار می‌دهد. با در نظر گرفتن این موارد می توان به سقف عملکردی پردازش با pandas  نزدیک شد. پس از آن برای بهبود عملکرد بر روی یک سیستم، می توان سراغ پردازش موازی داده‌ها با چند هسته رفت. یکی از سرراست‌ترین راه‌ها با رسیدن به این هدف استفاده از کتابخانه polars است.
- [استخراج داده از وب](https://d-learn.ir/wbsp/): محیط وب یکی از بزرگترین منابع برای داده‌های گوناگون است. اگر می‌خواهید قیمت‌های یک فروشگاه اینترنتی را یکجا استخراج کنید، داده‌های بورس یا قیمت ارز را از وبسایت‌های مربوطه بدست آورید، یا آمار اقتصادی و محیط زیستی وبگاه یک سازمان را برای استفاده در تحقیق خود به دست آورید باید فناوری‌های استخراج داده‌ از وب را یاد بگیرید. این فرآیندها که معمولا تحت عنوان‌های کلی Web Crawling یا Web Scraping شناخته می‌شوند، در این دوره با رویکرد پروژه‌محور به شما آموزش داده خواهد شد.
- [یادگیری ماشین با پایتون](https://d-learn.ir/mlpy/): اگر می‌خواهید از قدرت هوش مصنوعی در تحلیل داده و تحقیقات خود بهره‌مند شوید، یادگیری ماشین مهم‌ترین چیزی است که به آن نیاز دارید. دوره جامع «یادگیری ماشین با پایتون» از مبانی یادگیری ماشین آغاز می‌شود و گام‌ به گام تا مباحث پیچیده‌تری مثل یادگیری گروهی، کاهش ابعاد داده و شبکه‌های عصبی پیش ‌می‌رود. در این دوره آموزشی تمامی مباحث با رویکردی عملیاتی آموزش داده خواهند شد و تمامی مفاهیم و روش‌های دوره با پردازش داده‌های واقعی در محیط پایتون پیاده‌سازی خواهند شد.
- [نشست «داده عمومی، کالای عمومی، خیر عمومی»](https://d-learn.ir/pbg/): چگونه می‌توان داده‌های عمومی را برای ارتقای خیر عمومی در ایران به کار گرفت؟
- [رقابت‌پذیری کسب‌وکار](https://d-learn.ir/p/bcmp/): رقابت‌پذیری کسب‌وکار به معنای توانایی یک کسب‌وکار در ارائه ارزش به مشتریان خود در مقایسه با رقبا است. این ارزش بر اساس عوامل مختلفی مانند هزینه، زمان، کیفیت و کمیت تعریف می‌شود. در واقع، رقابت‌پذیری به این موضوع اشاره دارد که یک کسب‌وکار چگونه می‌تواند با ارائه محصولات یا خدمات بهتر، سریع‌تر یا ارزان‌تر، مشتریان را جذب و حفظ کند.
- [وبینار استخراج داده‌ها از PDF، تصویر و سایت‌ها؛ بدون برنامه‌نویسی](https://d-learn.ir/denp/): در روزگار کنونی، داده‌ها نقش کلیدی در روایت‌های خبری ایفا می‌کنند. اما بسیاری از اطلاعات ارزشمند در قالب جداول  در منابعی مانند فایل‌های PDF و وب‌سایت‌ها پنهان شده‌اند که استخراج اطلاعات را بسیار زمان‌بر می‌کند. از سوی دیگر حجم بالای آن‌ها می‌تواند دقت عمل را کاهش دهد و در نهایت خروجی نهایی حاوی اطلاعات ناقص یا غلط باشد. اگر می‌خواهید گزارش‌های خبری یا پژوهش‌های قوی‌تر، مستندتر و مبتنی بر واقعیت ارائه دهید، تسلط بر تکنیک‌های استخراج داده از این منابع ضروری است. این وبینار طراحی شده تا با زبانی ساده و کاربردی، شما را با مهم‌ترین مهارت‌ها و ابزارهای مورد نیاز برای این کار آشنا کند.
- [شناسایی منابع عمومی داده‌ در ایران: پیش‌نیازی اساسی برای حل مسئله](https://d-learn.ir/irpd/): در این وبینار شمیم طاهری از تجربه خود از کار با داده‌های عمومی در ایران می‌گوید و مهم‌ترین منابع داده در کشور را به علاقه‌مندان تحلیل داده معرفی می‌کند. در خلال ارائه خود علاوه بر معرفی داده‌ها ایده‌هایی نیز برای تحلیل آن‌ها طرح خواهد کرد.
- [چرا کسب‌وکارها بعد از Excel سراغ PowerBI می‌روند؟](https://d-learn.ir/p/xls2pwbi/): کسب‌وکارهای کوچک و متوسط معمولا در ابتدا با به کارگیری اکسل، شاخص‌های مورد نظر خود را محاسبه می‌کنند و بر اساس آن‌ها تصمیم می‌گیرند تا موثرترین شاخص‌ها در عمل شناسایی کنند. شناخت عملی شاخص‌ها و آزمون‌و‌خطا برای وارد کردن داده‌ در تصمیم‌گیری، کسب‌وکارها را برای طراحی درست و واقع‌بینانه داشبوردهای مدیریتی و استقرار سامانه‌های هوش تجاری آماده می‌کند. در واقع کسب‌وکار‌ها زمانی سراغ استفاده از پاوربی‌آی می‌روند که بلوغ کافی برای توسعه و بهره‌برداری از سامانه‌های هوش تجاری را به دست آورده باشند.
- [وبینار داده‌ها در زندگی ما: چرا دیتاژورنالیسم اهمیت دارد؟](https://d-learn.ir/dj4a/): سردبیر مجله تحلیلی دقیقه (d-mag.ir) و دبیر دومین دوره جایزه دیتاژورنالیسم دقیقه (d-award.ir)
- [نقش اساسی بهینه‌سازی در یادگیری ماشین و هوش مصنوعی](https://d-learn.ir/p/opt-in-ml/): بهینه‌سازی قلب تپنده یادگیری ماشین و به صورت پیوسته برای بهبود و پالایش مدل‌های هوش مصنوعی مورد استفاده قرار می‌گیرد. بهینه‌سازی خطا در مسائل یادگیری ماشین نیازمند درکی عمیق از نحوهٔ ارتباط اجزای مسئله، الگوهای درون‌داده‌ای و عملکرد روش‌های بهینه‌سازی است. با توجه به پیشرفت‌های سریع در حوزهٔ یادگیری ماشین، محققان دائماً در حال توسعهٔ الگوریتم‌های این حوزه و پیشنهاد تکنیک‌ها و استراتژی‌های پیشرفته‌تری برای بهینه‌سازی خطا و استفادهٔ حداکثری از ظرفیت مدل‌های یادگیری ماشین هستند.
- [وبینار سواد داده در سازمان‌های غیرانتفاعی](https://d-learn.ir/p/dl4npo-webinar/): ویدئوی ضبط‌شده وبینار "سواد داده در سازمان‌های غیرانتفاعی" که در تاریخ ۱۷ آبان‌ماه ۱۴۰۳ برگزار گردید، در سایت مدرسه و کانال‌های مدرسه دقیقه در آپارات و یوتیوب در دسترس قرار گرفت. 
- [کمی یا کیفی؟ کدام روش برای تحقیقات بازار بهتر است؟](https://d-learn.ir/p/qualitative-or-quantitative/): در دنیایی که رقابت‌های تجاری به شدت پیچیده و پویاتر از هر زمان دیگری شده است، درک صحیح از روش‌های تحقیقاتی و انتخاب استراتژی مناسب، می‌تواند مزیتی بزرگ برای موفقیت کسب‌وکارها باشد. تحقیقات بازار یکی از ابزارهای کلیدی در دنیای کسب‌وکار است که به سازمان‌ها کمک می‌کند تا مشتریان خود را بهتر بشناسند، تصمیم‌گیری‌های آگاهانه‌تری انجام دهند و محصولات یا خدمات خود را متناسب با نیازها و خواسته‌های بازار طراحی کنند. با این حال، روش‌های مختلفی برای انجام تحقیقات بازار وجود دارد که هر کدام مزایا و معایب خاص خود را دارند. دو رویکرد اصلی در این زمینه، تحقیقات کمی و کیفی هستند.
- [مفاهیم تحلیل کسب‌ و کار؛ نیاز کاربردی تحلیلگران داده](https://d-learn.ir/business-analysis-for-data-analytics/): در دنیای پرشتاب امروز، کسب‌ و کارها به‌طور فزاینده‌ای به تحلیل داده‌ها وابسته هستند تا تصمیم‌گیری‌های خود را بهبود بخشند. اما نقش تحلیلگران داده تنها محدود به جمع‌آوری و پردازش داده‌ها نیست؛ بلکه آنها باید بتوانند این داده‌ها را در زمینه کسب‌ و کار تفسیر کنند. اینجاست که اهمیت مفاهیم تحلیل کسب‌ و کار آشکار می‌شود. بدون درک عمیق از مکانیزم‌های درونی یک کسب‌ و کار، تحلیلگران داده نمی‌توانند پرسش‌های درستی مطرح کنند و در نتیجه تحلیل‌های آنها ناقص یا بی‌اثر خواهد بود.  
- [چرا یادگیری ماشین با رویکرد بهینه‌سازی؟](https://d-learn.ir/p/ml-through-or/): اگر می‌خواهید به صورت عمیق‌تری در حوزه یادگیری ماشین فعالیت کنید از پس حل مسائل پیچیده و کاربردی دیگری بر بیاید، آشنایی با روش‌های بهینه‌سازی و تحقیق در عملیات توانایی حل مسئله شما را به صورت چشمگیری توسعه می‌دهد. ترکیب یادگیری ماشین با بهینه‌سازی برای زمینه‌هایی مانند صنایع، پزشکی، مهندسی، و علوم داده به خصوص مفید است.
- [تحلیل داده و توسعه داشبورد با PowerBI](https://d-learn.ir/pwbi/): هوش تجاری فرآیندی است که طی آن اطلاعاتی ارزشمند و قابل اطمینان از داده‌های روزمرۀ سازمان استخراج می‌شود و در زمان مناسب در قالب داشبوردهای تحلیل داده در اختیار مدیران سازمان و کسب‌وکار گذارده می‌شود تا در تصمیم‌گیری‌ به آن‌ها استناد شود. پاوربی‌آی (PowerBI) مهم‌ترین ابزار توسعه داشبورد و استقرار سامانه‌های هوش تجاری در دنیاست و در حال حاضر مهم‌ترین نیاز بازار کار داده به شمار می‌رود. با یادگیری پاوربی‌آی یک مزیت بزرگ به دست بیاورید و کسب‌وکار خود را متحول کنید.
- [سواد داده برای سازمان‌های غیرانتفاعی](https://d-learn.ir/dl4npo/): چگونه تأثیر واقعی کار غیرانتفاعی خود را اندازه‌گیری می‌کنید؟ اگر پاسخ‌های بزرگ‌ترین چالش‌های شما در داده‌هایی که از قبل دارید پنهان شده، چه؟ امروزه، سازمان‌های غیرانتفاعی با فشار زیادی برای انجام اقدامات اثرگذارتر با هزینه‌ی مالی و انسانی کمتر مواجه هستند. تصور کنید که می‌توانید الگوها را کشف کنید، روندها را پیش‌بینی کنید و تصمیم‌هایی بگیرید که مأموریت سازمان شما را به جلو می‌برد؛ با یادگیری سواد داده و کاربرد آن
- [قابلیت‌های جدید هوش مصنوعی از کجا می‌آیند؟ آیا محدودیتی وجود دارد؟](https://d-learn.ir/llm-emeging-properties/): المپیاد ریاضی یکی از قدیمی‌ترین رقابت‌های حاضر در میان علاقه‌مندان جوان ریاضیات در دنیاست. این مسابقه از سال ۱۹۵۹ میلادی (۱۳۳۸ شمسی) تاکنون، همه ساله بین بهترین دانش‌آموزان کشورهای جهان برگزار می‌شود. آزمون المپیاد شامل شش مسئله دشوار در موضوعات جبر، هندسه، ترکیبیات و تئوری اعداد است و حل آن‌ها به ساعت‌ها فکر کردن متمرکز نیاز دارد. سوالات این آزمون همیشه جدید است و غالبا توسط برجسته‌ترین ریاضی‌دانان جهان مثل برندگان مدال فیلدز طرح می‌شود تا هیچ شرکت‌کننده‌ای با مشاهده نمونه‌ای نزدیک به سوالات آزمون از امتیازی نسبت به سایر شرکت‌کنندگان برخوردار نباشد. اما در آخرین آزمون بین‌المللی المپیاد ریاضی در سال ۲۰۲۴ یک اتفاق کاملا جدید افتاد و توجه بسیاری را به خود جلب کرد. در آخرین المپیاد ریاضی، یک مدل هوش مصنوعی موفق شده امتیازی معادل مدال نقره مسابقه را کسب کند.
- [آمار پزشکان ایران (تعداد اعضای نظام پزشکی) به تفکیک رشته](https://d-learn.ir/irimc-stats/): تعداد اعضای نظام پزشکی ایران، به‌عنوان یکی از شاخص‌های کلیدی نظام سلامت کشور، اطلاعات ارزشمندی درباره توزیع تخصص‌ها و نقش جنسیت در حوزه پزشکی ارائه می‌دهد. در این گزارش، داده‌های مربوط به رشته‌های مختلف پزشکی و پیراپزشکی به تفکیک جنسیت گردآوری شده‌اند تا بتوان تصویر دقیق‌تری از وضعیت نیروی انسانی در این حوزه به دست آورد. این آمار می‌تواند در تحلیل ظرفیت‌ها، شناسایی کمبودها و برنامه‌ریزی برای آینده نظام سلامت کشور مؤثر باشد.
- [تحقیقات بازار و توسعه کسب‌وکار](https://d-learn.ir/mrbd/): یکی از بهترین نقاط شروع برای افزایش سواد کسب‌وکار، تمرکز روی بازاری است که یک کسب‌وکار در بستر آن فعالیت می‌کند. شروع از تحقیقات بازار به ما کمک می‌کند تا استراتژی‌ها و برنامه‌های توسعه با توجه به وضعیت بازار مورد ارزیابی قرار دهیم. در این دوره فشرده، بازار یک کسب‌وکار را به صورت روشمند مورد بررسی قرار می‌دهیم و پس از آن سراغ موضوع توسعه کسب‌و‌کار می‌رویم و با مهم‌ترین مفاهیم و روش‌های آن مثل برنامه‌ریزی استراتژیک، نقشه کسب‌وکار، مدل کسب‌و‎‌کار و همینطور طرح کسب‌وکار آشنا می‌شویم.
- [یادگیری ماشین با رویکرد بهینه‌سازی در پایتون](https://d-learn.ir/mlopt/): در لایه زیرین تمامی الگوریتم‌های یادگیری ماشین یک مسئله بهینه‌سازی وجود دارد. در واقع بهینه‌سازی یکی از پایه‌های فهم عمیق‌تر یادگیری ماشین است. این دوره آموزشی فرصتی منحصر به فرد برای شماست تا روش‌های یادگیری ماشین را با تمرکز بر حل مسائل بهینه‌سازیِ درون آن‌ها فرا بگیرید و به این ترتیب دانش و مهارت خود را در این حوزه تقویت کنید. در این دوره آموزشی برخی از مهم‌ترین روش‌های یادگیری ماشین با تمرکز بر چگونگی مینیمم‌سازی خطا با توجه به قیود ریاضی موجود در آن‌ها ارائه خواهند شد.
- [مبانی برنامه‌سازی کامپیوتری با زبان پایتون و مقدماتی برای تحلیل داده (دانشگاه صنعتی شریف)](https://d-learn.ir/pyp/): 1.      کامپیوتر چیست و چگونه کار می‌کند؟
- [پردازش زبان طبیعی (NLP) پل ارتباطی بین انسان و ماشین](https://d-learn.ir/nlp/): ردازش زبان طبیعی (Natural Language Processing) یا NLP مدلی است که در پردازش و تحلیل داده‌های زبان تخصص دارد. این مدل‌ها بر پایه الگوریتم‌های پیچیده و روش‌های آماری ساخته شده‌اند و معمولاً از تکنیک‌های یادگیری ماشین، به‌ویژه یادگیری عمیق، بهره می‌برند.
- [تغییر نگرش‌های مولد: نگاهی به تحولات اخیر هوش مصنوعی (۲)​](https://d-learn.ir/word-embedding/): بدون این تبدیل، امکان پردازش داده‌های متنی و انجام محاسبات پیچیده وجود ندارد. از آغاز شکل‌گیری این شاخه در علوم کامپیوتر و زبان‌شناسی محاسباتی، فرآیند کدگذاری کلمات، تغییرات چشمگیری را تجربه کرده و از یک کدگذاری ساده صفرویکی به بردارهای عددی با ابعاد بالا رسیده است. این تحولات نه‌تنها به بهبود دقت و کارایی مدل‌های زبانی کمک کرده بلکه چشم‌انداز جدیدی برای توسعه هوش مصنوعی نیز به وجود آورده است. در این مقاله، سیر تحول تبدیل واژه به عدد و تأثیر این تغییرات بر رشد سریع هوش مصنوعی مولد را در چند مرحله بررسی خواهیم کرد.
- [پنج ابزار کاربردی برای تحلیل داده در کسب‌وکار ](https://d-learn.ir/p/tools-for-business-analysis/): این یادداشت دو گروه مخاطب دارد؛ گروه اول شرکت‌ها و مدیران شرکتی که به دنبال ایجاد دپارتمان تحلیل داده در مجموعه خود هستند و گروه دوم افرادی که به دنبال آشنایی و یادگیری هستند که یا در مسیر تحلیل داده قدم بگذارند یا مهارت‌های خود را در این حوزه افزایش دهند.
- [هوش مصنوعی؛ خیر یا شر؟](https://d-learn.ir/ai-good-or-evil/): هوش مصنوعی و پیشرفت‌های مداوم آن را نمی‌توان با عبارت صرف «فناوری نوظهور» توضیح داد و امروز به پدیده‌ای تبدیل شده که آینده‌ما در دستان این ساخته بشری هست و آن را تغییر خواهد داد. تغییرات ناشی از هوش مصنوعی ترکیبی از مزایا و خطرات هست که با شناسایی آن‌ها می‌توانیم مسیر مناسب‌تری را برای مواجهه با آن انتخاب کنیم.
- [کتابخانه‌های کاربردی R برای تحلیل داده‌های پزشکی و سلامت](https://d-learn.ir/r-packages-4-med/): در این مقاله، به معرفی و بررسی چند کتابخانه کاربردی R برای تحلیل داده‌های پزشکی و سلامت خواهیم پرداخت. این کتاب‌خانه‌ها شامل ابزارهایی برای تحلیل بقا، مدل‌سازی پیش‌بینی، ارزیابی عملکرد مدل‌ها و تحلیل داده‌های اپیدمیولوژیک هستند که به تسهیل فرآیند تصمیم‌گیری مبتنی بر داده در صنعت سلامت کمک می‌کنند.
- [R محبوب‌ترین محیط برای تحلیل داده‌های پزشکی و سلامت](https://d-learn.ir/r-for-medical/): زبان R به دلیل قابلیت‌های گسترده و انعطاف‌پذیری بالا، به یکی از ابزارهای اصلی تحلیل داده‌ها در حوزه‌های مختلف از جمله پزشکی و سلامت تبدیل شده است.R به کاربران این امکان را می‌دهد که داده‌های پیچیده و بزرگ را به راحتی تحلیل و مصور کنند.
- [استخراج داده‌های جداول از PDF  بدون برنامه‌نویسی   ](https://d-learn.ir/pfd-table-2-csv/): خوب راه‌حل چیه؟ برنامه‌نویسی استخراج داده‌ها از PDF‌ها چالش‌های خاص خودش را دارد و وقتی با متن فارسی سروکله می‌زنید این چالش‌ها به طرز عجیبی قرار هست بیشتر اذیت‌تون کنه. راه دومی که پیش‌تر استفاده می‌شد، کپی و پیست دستی داده‌ها است که نه‌تنها وقت‌گیر است، بلکه می‌تواند منجر به اشتباهات انسانی شود. اما این فرایند راه‌حل ساده‌ای دارد و خوشبختانه، ابزارهایی وجود دارند که بدون نیاز به دانش برنامه‌نویسی، می‌توانند این فرآیند را ساده‌تر کنند و چندین ابزار ساده و کاربرپسند وجود دارد که به شما اجازه می‌دهد بدون نیاز به کدنویسی، داده‌های جداول را به‌راحتی از فایل‌های PDF استخراج کنید. در این یادداشت، به معرفی و آموزش 4 ابزار و روش کاربردی که می‌تواند به شما در استخراج داده‌های جدول از PDF کمک می‌کنند، می‌پردازم.
- [طراحی مطالعه و تحلیل داده در تحقیقات پزشکی و زیستی با R](https://d-learn.ir/rmda/): تحلیل داده و مدلسازی آماری بخش جدایی‌ناپذیری از تحقیقات پزشکی و مطالعات سلامت در دنیای امروز است. در این دوره آموزشی، پس از مرور R و مفاهیم اساسی در آزمون‌های آماری سراغ مدلسازی آماری می‌رویم با انواع مدل‌های رگرسیون، تحلیل بقا و آنالیز کاکس آشنا شده و سپس سراغ کارآزمایی بالینی و بررسی اثربخشی مداخلات دارویی، مطالعات موردشاهدی و مقطعی، بررسی کوهورت‌ها، مرور سیستماتیک، تحلیل فراداده و بررسی روابط عِلّی اشاره کرد.
- [تغییر نگرش‌های مولد: نگاهی به تحولات اخیر هوش مصنوعی (۱)](https://d-learn.ir/p/labeling-in-self-supervised-learning/): «هوش مصنوعی مولد» شاخه‌ای از هوش مصنوعی است که بر نوع خاصی از به کارگیری ایده «یادگیری ماشین» بنا شده است. آموزش یادگیری ماشین کتاب‌ها و درس‌های دانشگاهی معمولا با یک تقسیم‌بندی حول مقوله «دادۀ برچسب‌خورده» آغاز می‌شود: یادگیری بانظارت، یادگیری بدون‌نظارت و پس از آن‌ها یادگیری تقویتی؛ اما آنچه باعث رشد و توسعه ناگهانی هوش مصنوعی مولد شده، بازی با این تقسیم‌بندی کلاسیک و خلاقیت در تلفیق آن‌ها با یکدیگر و ارائه یک چهارچوب‌ جدید است.
- [پردازش زبان‌های طبیعی (NLP) و مدل‌های زبانی بزرگ (LLM) در پایتون](https://d-learn.ir/nlmpy/): پردازش متن و زبان طبیعی به یک ابزار ضروری برای درک و تحلیل داده‌ در سال‌های اخیر بدل شده است. این حوزه شامل ایده‌ها و الگوریتم‌های متعددی برای درک متن و زبان است، در بسیاری از زمینه‌ها مانند موتورهای جستجو در وب، تحلیل احساسات، خلاصه‌سازی، ترجمه، پاسخگویی به سوالات نقش حیاتی ایفا می‌کند. با توسعه فناوری و پیدایش مدل‌های زبانی بزرگ (LLMs) پردازش متن به بستری برای ارائه راهکارها و ایده‌های جدید برای حل مشکلات مختلف تبدیل شده است.
- [از علوم اجتماعی تا تحلیل داده](https://d-learn.ir/p/socialsciences-dataanalysis-report/): تحلیل داده چیست؟ چگونه تحلیلگر داده موفقی شویم؟ علوم اجتماعی چطور می تواند به ما کمک کند؟‌
گزارش وبینار از علوم اجتماعی تا تحلیل داده به همراه ویدیوی رویداد و جزوه علیرضا چمن زار
- [SQL برای تحلیل داده](https://d-learn.ir/sql4da/): بسیاری از تحلیلگران داده به خاطر عدم آشنایی با SQL و پایگاه داده نمی‌توانند بسیاری از کارهای مورد نیاز خود مثل استخراج داده را به تنهایی انجام دهند و همین خاطر در کارشان دچار مشکل می‌شوند. دوره آموزشی «SQL برای تحلیل داده» با برقراری ارتباط مستقیم با پایگاه داده دریچه‌های جدیدی را به روی تحلیلگران داده باز می‌کند و کارشناسان پایگاه داده را به دنیای هیجان‌انگیز تحلیل داده وارد می‌کند.
- [وبینار از علوم اجتماعی تا تحلیل داده](https://d-learn.ir/data-analyst-career-for-social-scientists/): در این وبینار با اهمیت تحلیل داده برای دانشجویان و دانش آموختگان علوم اجتماعی آشنا می‌شوید و کاربردهای شغلی تحلیل داده مانند تحلیل کسب و کار و علوم اجتماعی محاسباتی را بررسی خواهیم کرد.

## دوره‌ها
- [اکسل برای تحلیل داده‌های کسب‌وکار (۰۵)](https://d-learn.ir/courses/xlsbl/): اکسل (Excel) تنها یک ابزار حرفه‌ای تحلیل داده‌های کسب‌وکار نیست، بلکه یک ابزار عمومی برای مدیریت فعالیت‌ها نیز هست. بسیاری از ما در فعالیت‌های روزمره و کاریِ خود با موقعیت‌هایی مواجه می‌شویم که باید در آن‌ها مجموعه متنوعی از اطلاعات را مرتب کنیم؛ مثل زمانی که باید حساب و کتاب یک فعالیت را به عهده بگیریم یا مثلا زمانی که می‌خواهیم دخل و خرج‌مان را مدیریت کنیم. در بسیاری مواقع این محاسبات روی کاغذ یا ماشین‌حساب انجام می‌شوند، در حالی که اکسل فضا و امکاناتی در اختیارمان قرار می‌دهد که مدیریت داده‌ها در آن به مراتب ساده‌تر و کارآمدتر است. اکسل اساسی‌ترین ابزار در تهیه جداول، گزارش‌ها، نمودارها و داشبوردهای اطلاعاتی در بسیاری از کسب‌و‌کارها است و در شاخه‌های بسیاری مثل فروش، بازاریابی، برنامه‌ریزی تولید، منابع انسانی، حسابداری، مالی، انباداری و کنترل موجودی، طرح و برنامه، زنجیره تامین، توسعه کسب و کار، مدیریت محصول و برند، کنترل پروژه و … به صورت روزمره مورد استفاده قرار می‌گیرد. در دوره آموزشی «اکسل برای تحلیل داده‌های کسب‌وکار» قبل از هر چیزی سراغ آموزش مفاهیم ابتدایی اکسل می‌رویم و کار با اکسل را بدون هیچ پیش‌نیازی شروع می‌کنیم، بعد از آن روی روش‌های سازماندهی داده‌های کسب‌وکار در جداول اکسل تمرکز می‌کنیم، سپس جداول، نمودارها و فرمول‌های پیشرفته را فرا می‌گیریم. در نهایت بحث گزارشات مدیریتی، کاربرد هوش مصنوعی (AI) در اکسل و داشبوردهای مدیریتی را بررسی می کنیم. برای یادگیری و تسلط مناسب، در طی دوره چندین مسئله واقعی کسب‌وکار را با همکاری یکدیگر در نرم‌افزار اکسل حل می‌کنیم.
- [دوره آموزشی تحلیل داده با پایتون](https://d-learn.ir/courses/pyda): این رویداد آموزشی برای افرادی طراحی شده که می‌خواهند داده‌های واقعی را با پایتون تحلیل کنند و نتایج آن را به شکلی قابل فهم ارائه دهند، اما پیش‌زمینه‌ای در برنامه‌نویسی، آمار یا ابزارهای تحلیل داده ندارند. محتوای این دوره با رویکردی کارگاهی طراحی شده تا شرکت‌کنندگان مفاهیم و روش‌هایی که یاد می‌گیرند را بلافاصله روی داده‌های واقعی به کار ببرند و خروجی‌های ملموس تولید کنند. ابزار اصلی این دوره پایتون است که از ابتدا به طور کامل آموزش داده می‌شود. کتابخانه‌هایی مانند Pandas، NumPy و Matplotlib در بستر مسائل واقعی معرفی خواهند شد تا یادگیری آن‌ها هدفمند و کاربردی باشد. در این دوره علاوه بر تمرین‌های هفتگی در هر موضوع، یک پروژه گروهی در پایان ارائه خواهد شد تا با تحلیل یک مجموعه داده واقعی، آموخته‌های خود را در عمل محک بزنید. در طول دوره جلسات رفع اشکال و حل تمرین به صورت منظم برگزار خواهد شد تا مشکلات و سؤال‌های خود را با پشتیبان‌های آموزشی در میان بگذارید. اگر به دنبال یادگیری تحلیل داده از پایه، با تمرین و چالش و پروژه واقعی هستید، این دوره برای شماست!
- [دوره یادگیری ماشین و مهندسی هوش مصنوعی (شریف)](https://d-learn.ir/courses/mlai/)
- [کارگاه جامع به‌کارگیری هوش مصنوعی در پژوهش‌های دانشگاهی و صنعتی](https://d-learn.ir/courses/ai4sv/): هوش مصنوعی مسیرهای سنتی و زمان‌بر پژوهش را کوتاه‌تر کرده و افق‌های جدیدی را پیش روی محققان و تحلیل‌گران گشوده است؛ با این حال، به کارگیری اثربخش، دقیق و اصولی هوش مصنوعی در کارهای تخصصی، نیازمند توجه به ظرافت‌های روش‌شناختی، اصول اعتبارسنجی و شناخت دقیق چالش‌های این حوزه است. نسخه‌های قبلی این کارگاه سال گذشته با استقبال گسترده پژوهشگران در تعدادی از معتبرترین دانشگاه‌های ایران و غرب آسیا برگزار شده است. در این کارگاه، شرکت‌کنندگان علاوه بر آشنایی با مراحل مختلفِ به کارگیری هوش مصنوعی در پروژه‌های واقعی، استفاده از آن را در پژوهش‌های دانشگاهی و صنعتی تمرین می‌کنند. «کارگاه جامع به‌کارگیری هوش مصنوعی در پژوهش‌های دانشگاهی و صنعتی» برای شناخت عمیق‌تر هوش مصنوعی (مولد و عامل)، به کارگیری اثربخش و اعتبارسنجی خروجی‌های آن در حوزه‌‌‌‌های پژوهشی طراحی شده است. این رویداد آموزشی ویژه پژوهشگران، دانشجویان تحصیلات تکمیلی، تحلیل‌گران تخصصی کسب‌وکارها و استادان دانشگاه است که می‌خواهند پتانسیل واقعی این ابزارها را در مسیر ارتقای کیفیت و سرعت پروژه‌های خود به کار بگیرند. در این کارگاه، شرکت‌کنندگان ضمن آشنایی با رویکردهای تفکر انتقادی در مواجهه با ابزارهای مولد، کاملاً کاربردی و پروژه‌محور با استراتژی‌ها، نرم‌افزارها و ابزارهای کلیدی هوش مصنوعی برای مدیریت و اتوماسیون پژوهش آشنا خواهند شد.
- [ساخت سیستم پرسش‌وپاسخ هوشمند (RAG) با HuggingFace و LangChain](https://d-learn.ir/courses/ragpip/): در این پروژه شما یک سیستم پرسش‌وپاسخ مبتنی بر بازیابی اطلاعات (Retrieval-Augmented Generation - RAG) می‌سازید. این سیستم به جای اتکای صرف به دانش از پیش آموخته‌شده‌ی یک مدل زبانی بزرگ، ابتدا در یک مجموعه اسناد مشخص جستجو می‌کند، بخش‌های مرتبط را می‌یابد، و سپس با استفاده از یک مدل زبانی، پاسخی دقیق و مستند بر اساس همان اسناد تولید می‌کند. هدف اصلی پروژه، تجربه‌ی عملی ساخت یک پایپ‌لاین کامل RAG است که شامل مراحل زیر می‌شود: ۱. آماده‌سازی و تقسیم‌بندی (Chunking) اسناد ۲. ساخت بردارهای معنایی (Embedding) از اسناد و پرسش‌ها ۳. بازیابی اطلاعات مرتبط از یک پایگاه‌داده برداری (Vector Store) ۴. تولید پاسخ نهایی با یک مدل زبانی، با استفاده از LangChain و در صورت نیاز LangGraph ۵. ارائه‌ی نتیجه در قالب یک اپلیکیشن تعاملی با Gradio
- [طبقه‌بندی تصویر با شبکه عصبی پیچشی (CNN)](https://d-learn.ir/courses/cnnpr/): در این پروژه شما یک سیستم طبقه‌بندی تصویر (Image Classification) می‌سازید که تصاویر ورودی را در یکی از چند کلاس از پیش تعریف‌شده قرار می‌دهد. هدف اصلی پروژه، تجربه‌ی عملی سه مرحله‌ی کلیدی در کار با شبکه‌های عصبی پیچشی است: ۱. طراحی و آموزش یک شبکه CNN از صفر (بدون استفاده از وزن‌های از پیش آموزش‌دیده) ۲. استفاده از یک مدل از پیش آموزش‌دیده (Pretrained) با روش Transfer Learning ۳. مقایسه‌ی علمی این دو رویکرد از نظر دقت، سرعت آموزش، و رفتار مدل روی داده‌های جدید ۴. ارائه‌ی نتیجه در قالب یک اپلیکیشن تعاملی با Gradio که کاربر بتواند تصویر آپلود کند و خروجی مدل را ببیند.
- [تحلیل احساسات متن فارسی (Persian Sentiment Analysis)](https://d-learn.ir/courses/snta/): در این پروژه شما یک سیستم تحلیل احساسات می‌سازید که متن فارسی (نظر کاربر درباره یک محصول یا خدمت) را دریافت کرده و آن را در یکی از کلاس‌های احساسی (مثبت / منفی، یا مثبت/منفی/خنثی بسته به دیتاست) طبقه‌بندی می‌کند. هدف اصلی پروژه، مقایسه‌ی سه رویکرد متفاوت برای حل یک مساله‌ی واحد پردازش زبان طبیعی است: ۱. یک روش کلاسیک: ترکیب Embedding با یک الگوریتم یادگیری ماشین سنتی ۲. یک روش شبکه عصبی بازگشتی LSTM یا GRU ۳. یک روش مبتنی بر مدل از پیش آموزش‌دیده (Pretrained)
- [تحلیل داده‌های دیوار](https://d-learn.ir/courses/rslisting/): پروژه پایانی «تحلیل داده‌ آگهی‌های دیوار»، فرصتی است برای تجربه‌ی چرخه‌ی کامل تحلیل داده بر بستر یک مجموعه‌ی واقعی و بزرگ از داده‌های منتشرشده در پلتفرم دیوار — یکی از پربازدیدترین بازارهای آنلاین ایران. این پروژه بر پایه‌ی داده‌های بیش از یک میلیون آگهی املاک طراحی شده است؛ داده‌هایی که بازتابی زنده از رفتار اقتصادی، قیمت‌گذاری، ترجیحات کاربران و پویایی‌های بازار مسکن در ایران‌اند. در این پروژه، شما با مراحل اساسی پروژه‌های علوم داده از پاک‌سازی و تحلیل اکتشافی تا مدلسازی، خوشه‌بندی و پردازش زبان طبیعی در محیط پایتون آشنا می‌شوند و می‌آموزند چگونه از داده‌های خام، بینش‌های معنادار و ارزشمند از منظر کسب‌وکار استخراج کنند. در طول پروژه، شما گام‌به‌گام با پرسش‌هایی واقعی روبه‌رو می‌شوید: از ارزیابی کیفیت داده و کشف الگوهای قیمتی گرفته تا خوشه‌بندی املاک و پیش‌بینی قیمت آگهی‌ها. همچنین، با استفاده از متن آگهی‌ها و روش‌های NLP، مدلی برای تشخیص نوع ملک و نوع کاربر (شخصی یا مشاور املاک) ساخته می‌شود تا هوشمندی پنهان در زبان طبیعی آگهی‌ها آشکار شود. هدف نهایی این پروژه آن است که نشان دهد چگونه ترکیب تحلیل داده، یادگیری ماشین و پردازش زبان‌های طبیعی می‌تواند به درکی عمیق‌تر از موضوعات واقعی منجر شود و مسیر تصمیم‌گیری مبتنی بر داده را برای ذی‌نفعان مختلف در یک بازار هموار کند.
- [پردازش متن در پایتون: از واکشی داده تا مدل‌سازی زبانی](https://d-learn.ir/courses/nlmpy-project/): این پروژه با هدف آشنایی عملی با مباحث پردازش متن و مدل‌سازی زبان‌های طبیعی، به ویژه در حوزه متون موجود در اینترنت، انجام می‌شود. در این پروژه، داده‌های متنی از منابع مختلف مانند ویکی‌پدیا، سایت‌های خبری فارسی زبان، گنجور و نظرات کاربران در سایت‌های فروشگاهی جمع‌آوری و پس از پاکسازی و پیش‌پردازش، برای آموزش مدل‌های یادگیری ماشین یا فاین‌تونینگ مدل‌های پیش‌آموزش شده در محیط پایتون مورد استفاده قرار می‌گیرند. هدف از این پروژه، جمع‌آوری و پاکسازی داده‌های متنی و انجام یکی از وظایف دسته‌بندی متون، مدل‌سازی عناوین، تشخیص موجودیت‌های نامدار، تحلیل احساسات، تولید متن، خلاصه‌سازی متن یا پاسخ به سوالات است (بخش اختیاری). در نهایت، عملکرد مدل‌های آموزش دیده بر روی داده‌های آزمون ارزیابی و نتایج در قالب گزارش، اسلاید و کد کامل پروژه ارائه می‌شود.
- [پیش‌بینی خطر ابتلا به دیابت](https://d-learn.ir/courses/diabetes/): دیابت یکی از شایع‌ترین بیماری‌ها در دنیاست که هر ساله بر زندگی میلیون‌ها نفر تأثیر می‌گذارد و بار مالی قابل توجهی را بر اقتصاد کشورها به دنبال دارد. دیابت یک بیماری مزمن و پیش‌رونده است که در آن افراد قابلیت تنظیم سطح قند خون را به خوبی از دست می‌دهند. این وضعیت در نهایت منجر به کاهش کیفیت زندگی و کاهش امید به زندگی می‌شود. پیش‌بینی احتمال مبتلا شدن به دیابت می‌تواند بسیار حیاتی باشد. داده‌های موجود در خصوص سبک زندگی معمولا می‌توانند پیش‌بینی کننده مناسبی برای تشخیص ابتلا به دیابت باشد. در این پروژه ابتدا توضیحاتی در خصوص نحوه پیش‌بینی و سوالاتی که در هنگام کار با دادهه‌ها مطرح می‌شود توضیح داده می‌شود و سپس داده‌های مرتبط ارائه شده است.
- [یادگیری ماشین در پایتون: یادگیری بانظارت](https://d-learn.ir/courses/mlpy-intro): داده‌ها همه‌جا هستند، از شبکه‌های اجتماعی گرفته تا سیستم‌های مالی، پزشکی، و حتی ماشین‌های خودران. یادگیری ماشین به عنوان یکی از مهم‌ترین و داغ‌ترین شاخه‌های هوش مصنوعی، ابزاری قدرتمند برای تحلیل داده‌ها، استخراج الگوهای پنهان و پیش‌بینی بر اساس آن‌هاست. این درسنامه با هدف آشنایی با مفاهیم و الگوریتم‌های یادگیری ماشین و به کارگیری آن‌ها با استفاده از کتابخانه scikit-learn در محیط پایتون طراحی شده و مبانی یادگیری ماشین و سپس معرفی چهارچوب یادگیری بانظارت و برخی از مهم‌ترین الگوریتم‌های آن متمرکز خواهد بود.
- [آشنایی با آمار در پایتون](https://d-learn.ir/courses/stats-intro-py/): یادگیری آمار در یک محیط کارگاهی مانند محیط پایتون مفاهیم اساسی آمار را ملموس و قابل فهم می‌کند. در عین حال پایتون محبوب‌ترین ابزار کار در میان آماردانان و تحلیلگران داده است و خودش امکانات فراوانی برای تحلیل داده دارد. دسترسی به چنین قابلیت‌هایی در محیط پایتون به شما امکان آزمون و خطا درباره مفاهیم آماری می‌دهد و به همین دلیل کیفیت یادگیری را برای شما به صورت چشمگیری افزایش می‌دهد. بسیاری افراد تازه زمانی به آمار علاقه‌مند می‌شوند که امکان پردازش و تحلیل داده را در محیطی مانند پایتون پیدا می‌کنند. اگر دوست دارید با الفبای آمار آشنا شوید و شناخت اولیه‌ای از پایتون دارید این درس را از دست ندهید. در هر بخشی از علوم داده که وارد شوید آشنایی با آمار از ضروریات است.
- [کاهش ابعاد داده در پایتون](https://d-learn.ir/courses/dim-reduce-py/): در دنیای امروزی، حجم انبوهی از داده‌ها در اختیار ما قرار دارد، اما استفاده بهینه از این داده‌ها نیازمند تکنیک‌هایی است که بتوانند اطلاعات مهم را از نویز و پیچیدگی‌های اضافی جدا کنند. در این دوره، با مفاهیم و ابزارهای کاربردی کاهش ابعاد داده آشنا می‌شوید که به شما کمک می‌کنند داده‌های خود را ساده‌تر کنید، الگوهای مخفی را کشف کنید و پردازش‌ها را سریع‌تر انجام دهید. از جمله کاربردهای کاهش ابعاد داده می‌توان به موارد زیر اشاره کرد: - تشخیص تصاویر و پردازش ویدیو: کاهش ابعاد برای بهینه‌سازی مدل‌های یادگیری ماشین و شناسایی ویژگی‌های مهم. - تحلیل داده‌های ژنتیکی و زیست‌پزشکی: استخراج ویژگی‌های کلیدی برای تشخیص بیماری‌ها. - سیستم‌های توصیه‌دهنده: افزایش دقت پیشنهادات با تجزیه‌وتحلیل داده‌های کاربران. - بازارهای مالی و تحلیل کسب‌وکار: خلاصه‌سازی داده‌های پیچیده برای تصمیم‌گیری بهتر. - نمایش داده‌ها: فراهم‌کردن امکان درک بهتر از الگوهای داده با نمایش در ابعاد کمتر. این دوره، از مبانی تئوری تا پیاده‌سازی عملی الگوریتم‌هایی مانند PCA و t-SNE را پوشش می‌دهد. شما یاد خواهید گرفت چگونه این الگوریتم‌ها را در پایتون اجرا کنید و داده‌ها را به شکلی کاربردی و هوشمندانه تحلیل کنید. این دوره مناسب علاقه‌مندان به یادگیری ماشین، علم داده و تحلیل‌گران داده در صنایع مختلف است.
- [آشنایی با جبر خطی در پایتون](https://d-learn.ir/courses/linalgpy/): جبر خطی (Linear Algebra) یکی از شاخه‌های ریاضیات است که به بررسی سیستم‌های معادلات خطی و فضاهای برداری اختصاص دارد. در جبر خطی، از مفاهیمی مانند ماتریس‌ها، بردارها، فضاهای برداری و توابع خطی استفاده می‌شود، و سعی می‌شود تا با استفاده از این مفاهیم، سیستم‌های معادلات خطی حل شوند. همچنین، در جبر خطی مفاهیمی مانند فضاهای برداری، زیرفضاها، ضرب داخلی و نرم معرفی می‌شوند که در بسیاری از مسائل ریاضیاتی و علوم مختلف مورد استفاده قرار می‌گیرند. جبر خطی به عنوان یکی از ابزارهای پایه ریاضیات در علوم داده و یادگیری ماشین است. از جبرخطی در الگوریتم‌ها و مسائل مختلف یادگیری ماشین همچون رگرسیون خطی (Linear Regression)، رگرسیون لاجیستیک (Logistic Regression) ، ماشین‌های بردار پشتیبان (SVM)، شبکه‌های عصبی، کاهش ابعاد داده‌ها ... استفاده‌ی گسترده می‌شود.
- [مصورسازی داده با seaborn](https://d-learn.ir/courses/seaborn/): در دنیای علوم داده، داشتن یک ابزار قدرتمند برای بصری‌سازی اطلاعات نه‌تنها مفید است، بلکه ضروری‌ست. کتابخانه‌ی Seaborn دقیقاً همان ابزار هوشمند و زیبایی‌محور است که به شما کمک می‌کند تا داده‌ها را نه‌فقط ببینید، بلکه درک کنید و با دیگران به‌اشتراک بگذارید. Seaborn یک کتابخانه‌ی سطح‌بالا برای رسم نمودارهای آماری در پایتون است که بر پایه‌ی Matplotlib ساخته شده و با کتابخانه‌ی Pandas به‌خوبی سازگار است. این ابزار با استفاده از استایل‌های پیش‌فرض زیبا، انتخاب رنگ‌های حرفه‌ای، و توابع ساده‌سازی‌شده به شما اجازه می‌دهد داده‌ها را به شکلی چشم‌نواز و قابل‌تحلیل تجسم کنید در این دوره، با شیوه‌های مؤثر بصری‌سازی داده‌ها آشنا خواهیم شد و یاد می‌گیریم چگونه با استفاده از ابزارهای قدرتمند گرافیکی، اطلاعات خام را به‌صورت تصاویر گویا و قابل‌درک نمایش دهیم. همچنین با نکات کاربردی و ظرایف مهمی در طراحی نمودارها و ارائه‌ی حرفه‌ای داده‌ها آشنا می‌شویم—تا بتوانیم پیام خود را با دقت، وضوح و جذابیت بیشتری منتقل کنیم.
- [مشتق‌گیری و بهینه‌یابی در پایتون](https://d-learn.ir/courses/driv_opt/): مشتق‌گیری یکی از مفاهیم پایه ریاضیات است که در بسیاری از حوزه‌های ریاضیات، علوم ریاضی و مهندسی مورد استفاده قرار می‌گیرد. مشتق‌گیری به معنی محاسبه نرخ تغییر یک تابع در یک نقطه خاص است. این نرخ تغییر با مشتق یا تغییرات کوچک تابع در آن نقطه محاسبه می‌شود مشتق‌گیری را می‌توان برای بهینه‌سازی پارامترهای مدل و یافتن بهترین راه‌حل برای یک مسئله، به کار برد. به همین دلیل، مشتق‌گیری از مهم‌ترین ابزارها و تکنیک‌هایی است که در بسیاری از الگوریتم‌ها و روش‌های یادگیری ماشین همچون رگرسیون، روش‌های دسته‌بندی، شبکه‌های عصبی، و ... به‌کار می‌رود و نقش مهمی ایفا می‌کند. از مهم‌ترین الگوریتم‌های بهینه‌سازی می‌توان به الگوریتم گرادیان کاهشی (Gradient Descent) اشاره نمود که پایه و أساس آن مشتق‌گیری است. گرادیان کاهشی یک الگوریتم بهینه‌سازی است که برای پیدا کردن بهترین پارامترهای مدل در یادگیری ماشین استفاده می‌شود. در این الگوریتم، با استفاده از مشتقات جزئی تابع هزینه نسبت به پارامترهای مدل، یک مقدار برای هر پارامتر محاسبه می‌شود که با تغییر آن، تابع هزینه را به حداقل می‌رساند. با توجه به سادگی و کارایی الگوریتم گرادیان کاهشی، این الگوریتم به عنوان یکی از روش‌های محبوب برای بهینه‌سازی مدل‌های یادگیری ماشین مطرح شده است.
- [مصورسازی داده با matplotlib](https://d-learn.ir/courses/matplotlib/): کتابخانه Matplotlib یک بسته نرم‌افزاری پرکاربرد برای رسم نمودار در پایتون است. ایم کتابخانه قابلیت‌های زیادی در مصورسازی داده دارد و امکان ترسیم مجموعه متنوعی از نمودارها را در پایتون فراهم می‌کند و با ارائه خروجی‌های باکیفیت استفاده از تصاویر در نرم‌افزارهای تحلیلی و نسخه‌های چاپی را امکان‌پذیر می‌کند. در این درس علاوه بر آشنایی با امکانات کتابخانه matplotlib برای ترسیم نمودار، با برخی نکات کاربردی و ظرایف عملی مصورسازی داده برای ارائه موثر اطلاعات نیز آشنا خواهید شد.
- [پردازش و تبدیل داده با پانداس pandas](https://d-learn.ir/courses/pandas-intro/): کتابخانه پانداس (Pandas) یکی از کتابخانه‌های محبوب و پرکاربرد در زبان برنامه‌نویسی پایتون است که برای کار با داده‌های عملیاتی و تحلیل داده‌ها به کار می‌رود. این کتابخانه بسیار قدرتمند، قابلیت‌هایی مانند خواندن، نوشتن، تحلیل، تغییر و ذخیره داده‌های مختلف را فراهم می‌کند. کتابخانه Pandas درکنار کتابخانه‌های NumPy، Matplotlib، و Scikit-learn کتابخانه‌های اصلی پایتون در انجام پروژه های تحلیل داده هستند که از این میان Pandas به عنوان محبوب‌ترین و پرکاربردترین شناخته می‌شود.
- [محاسبات برداری با نامپای NumPy](https://d-learn.ir/courses/numpy-intro/): نامپای یک کتابخانۀ پایه برای محاسبات برداری و پردازش‌های حجیم در پایتون است و در شاخه‌های مختلف مهندسی و علوم کاربرد دارد. مهمترین کتابخانه‌های پایتون در علوم داده مانند pandas، matplotlib، scikit-learn،  TensorFlow و ... همگی از آرایه‌های نامپای استفاده می‌کنند و بر آن اساس ساخته شده است. در واقع، Numpy جزئی ضروری برای به کارگیری علوم داده در پایتون است و بدون آن عملا نمی‌توان داده‌ای را در پایتون تحلیل کرد. عنصر کانونی در نامپای آرایه است. در این درس خواهیم دید که کار با آرایه‌های پایتون چگونه محاسبات عددی را سریع و کارآمد می‌کند و امکان پیاده‌سازی ایده‌های متنوعی در آمار، شبیه‌سازی اعداد تصادفی، جبر خطی و بسیاری از حوزه‌های دیگر را به ما می‌دهد. 
- [آشنایی با الگوریتم و ساختار داده‌ در پایتون](https://d-learn.ir/courses/algorithm-and-data-structure-intro/): هر کسی که سراغ توسعه نرم‌افزار و علوم داده می‌رود با هیچ چیز اندازه الگوریتم سر و کار ندارد. به همین دلیل در مصاحبه‌های شغلی و ارزیابی‌های حرفه‌ای همیشه قبل از هر چیزی سراغ تفکر الگوریتمی می‌روند. کسی که تفکر الگوریتمی قوی داشته باشد چند در بند ابزار نیست. زبان‌های برنامه‌نویسی را به راحتی یاد می‌گیرد و به کار می‌برد. اگر می‌خواهید یادگیری الگوریتم را با شیوۀ عملی و کارگاهی شروع کنید، این مجموعه درس را از دست ندهید. در این درس‌ها مفاهیم مورد نیاز در تحلیل و طراحی الگورتیم با بیان مسائل ساده ارائه خواهد شد. در این درس برای حل هر مسئله برنامه‌ای به زبان پایتون توسعه داده می‌شود تا با آزمون و خطا در محیط برنامه‌نویسی تفکر الگوریتمی و مفاهیم مرتبط با آن را به خوبی فرا بگیریم.
- [کارگاه حل مسئله در پایتون](https://d-learn.ir/courses/problem-solving-py/): تقویت تفکر الگوریتمی و توان حل مسئله بدون تمرین و کار عملی ممکن نیست. تمامی کسانی که در حوزه برنامه‌نویسی، طراحی و توسعه نرم‌افزار، تحلیل داده، مدلسازی آماری و تحقیقات علمی کار می‌کنند به تفکر ساختاریافته برای ارائه راهکارهای مشخص، گام به گام و مطمئن برای حل مسائل پیش رویشان نیاز دارند. در «کارگاه حل مسأله با پایتون» مجموعه‌ای از مسئله و معما برای تمرین و تقویت تفکر الگوریتمی ارائه می‌شود.
- [آشنایی با پایتون](https://d-learn.ir/courses/intropy/): پایتون یکی از محبوب‌ترین یا شاید محبوب‌ترین زبان برنامه‌نویسی در دنیاست. در این درس‌ها می‌توایند آن را با بیانی ساده و بدون هیچ پیش‌نیازی یاد بگیرید. پایتون یک زبان همه‌منظوره است و با یادگیری دریچه‌ای به دنیای علوم داده و وتوسعه نرم‌افزار به روی شما باز می‌شود. اگر به برنامه‌نویسی علاقه دارید اما پیش‌زمینه‌ای در آن ندارید یا حتی از آن می‌ترسید و از کدنویسی وحشت دارید، پایتون گزینه مناسبی برای شروع است، چون طراحی شده تا ساده باشد و همین رمز موفقیت آن بوده و باعث اجتماعی بزرگ و قدرتمند از علاقه‌مندان را در سراسر دنیا شکل دهد.
- [تفکر محاسباتی و استنتاج آماری](https://d-learn.ir/courses/inferepy/): اگر تصور می‌کنید یادگیری آمار و تحلیل داده به معنای حفظ کردن فرمول‌های خسته‌کننده و درگیری با ریاضیات پیچیده است، این درسنامه نگاه شما را برای همیشه تغییر خواهد داد. این درسنامه ترجمه‌ای اقتباسی همراه با گزینش، خلاصه‌سازی و شرح از Computational and Inferential Thinking نخستین مرجع درسی در دوره شناخته‌شده و خوش‌نام Data 8 در دانشگاه برکلی است: یک منبع متمایز و عمیق و در عین حال ساختارشکن و ساده در آموزش علوم داده که به جای تکیه بر تئوری‌های انتزاعی، قدرت شبیه‌سازی کامپیوتری را جایگزین ریاضیات محض کرده است. متن پیش رو دو دنیای برنامه‌نویسی پایتون و استنتاج آماری را هنرمندانه در هم می‌آمیزد و خواننده از همان صفحات نخست، به جای محاسبه‌ی کورکورانه‌ی اعداد، مفاهیم را از طریق نوشتن کدهای ساده و درگیری با داده‌های واقعی در دنیای پیرامون خود تجربه می‌کند. وجه تمایز اصلی این مرجع در نحوه ایجاد «شهود آماری» است؛ جایی که به جای تدریس مفاهیمی چون فاصله اطمینان با معادلات ثقیل، از شما می‌خواهد با یک حلقه کد ساده، یک رویداد را ده‌هزار بار شبیه‌سازی کنید تا توزیع نتایج را با چشمان خود ببینید. این رویکرد مبتنی بر شبیه‌سازی، باعث می‌شود منطق پنهان داده‌ها پیش از آنکه نام تخصصی‌شان را بشنوید، در عمیق‌ترین لایه‌های ذهنی‌تان نقش ببندد. با این شیوه، شما صرفاً یک مصرف‌کننده‌ی الگوریتم‌ها نخواهید بود، بلکه به یک متفکر نقاد تبدیل می‌شوید که چرایی رفتار داده‌ها را با تمام وجود درک می‌کند و می‌تواند به شکلی مستقل به حل مسائل پیچیده بپردازد. دقیقاً به دلیل همین زبان روان و رویکرد تجربی، مطالعه این درسنامه برای طیف وسیعی از افراد، از مبتدیان مطلق علوم داده گرفته تا برنامه‌نویسانی که همیشه از کتاب‌های سنگین آماری فراری بوده‌اند، یک تجربه رهایی‌بخش است. حتی اگر هیچ پیش‌زمینه‌ای در آمار یا برنامه‌نویسی ندارید، نویسندگان شما را قدم‌به‌قدم همراهی می‌کنند تا از یک فرد کنجکاو، به تحلیل‌گری مسلط تبدیل شوید که می‌داند چگونه از دل انبوهی از داده‌های خام، گزاره‌هایی ارزشمند و قابل اتکا استخراج کند. در نهایت، این کتاب تنها یک راهنمای فنی نیست، بلکه عینکی جدید برای دیدن، فهمیدن و تحلیل کردن جهان بر پایه تفکر محاسباتی است که خواندن آن برای هر ذهن جستجوگری به شدت توصیه می‌شود. مشخصات منبع: Computational and Inferential Thinking 2nd Edition by Ani Adhikari, John DeNero, David Wagner originally developed for the UC Berkeley course Data 8: Foundations of Data Science inferentialthinking.com
- [پیش‌بینی سفارش در شبکه خرده‌فروشی](https://d-learn.ir/project/orderpredict): اگر به پیش‌بینی و مدلسازی از نوع classification با استفاده از داده‌های واقعی در خرده‌فروشی، تجارت الکترونیک، اف‌ام‌سی‌جی‌ها و مارکت‌پلیس‌ها علاقه‌مندید، انجام این پروژه فرصتی عالی برای دست‌و‌پنجه‌نرم‌کردن با مسائل علوم داده در یک کسب‌وکار است. داده‌هایی که در اختیار شما قرار می‌گیرد، حاصل رفتار واقعی شبکه‌ای از خرده‌فروشان است که پس از ناشناس‌سازی و تجمیع، برای این مسابقه آماده شده‌اند. هدف شما ساخت مدلی است که بتواند با استفاده از سوابق خرید هر خرده‌فروش، احتمال ثبت سفارش برند هدف را در آینده پیش‌بینی کند؛ مسئله‌ای که در عمل برای هدفمند کردن کمپین‌های فروش، افزایش بهره‌وری تیم‌های بازاریابی و تخصیص بهینه منابع مورد استفاده قرار می‌گیرد. این پروژه فرصتی مناسب برای دانشجویان، تحلیلگران داده و متخصصان یادگیری ماشین است تا توانایی خود را در کار با داده‌های واقعی، مهندسی ویژگی، اعتبارسنجی مدل‌ها و طراحی یک راه‌حل‌ جامع پیش‌بینی به محک بگذارند.
- [تحلیل داده‌های اشتغال زنان در ایران: تلاش برای کشف متغیرهای همبسته و روابط معنادار؛ ارائه ایده‌های راهگشا](https://d-learn.ir/courses/iran-wmn-emplymnt-da/): اشتغال زنان یکی از مسائل ریشه‌دار و تاریخی در ایران است. آمارهای گوناگون نشان می‌دهد مشارکت اقتصادی و نرخ اشتغال زنان در ایران پایین‌تر از بسیاری کشورهای دیگر است. در این پروژه باید تلاش کنید با استفاده از داده‌های عمومی و در دسترس مانند آخرین سرشماری مرکز آمار و دیگر داده‌های مرکز آمار مانند داده‌های هزینه و درآمد (+) و داده‌های بازار کار مرکز آمار این پدیده را در سطح استان و شهرستان توضیح دهید و بگویید چه متغیرهایی با اشتغال زنان همبستگی و احیانا رابطه معنادار دارد. به عنوان نمونه آیا متغیرهایی مانند سن، جمعیت، میزان شهرنشینی و درصد جمعیت تحصیل‌کرده و مانند آن‌ها با اشتغال زنان همبستگی دارد؟ آیا این روابط برای مردان نیز به همین صورت است؟ پس از آزمودن رابطه متغیرهای مختلف با اشتغال زنان، آن‌ها را در یک مدل رگرسیون قرار دهید و رابطه آن‌ها با اشتغال زنان را در حضور یکدیگر تحلیل و نتایج را گزارش کنید. آیا می‌توانید نتایج به دست آمده را با استفاده از آمارهای تجمیع‌شده با بیان ساده‌تری ارائه کنید؟ پس از تحلیل درخواست‌شده و گزارش نتایج، تحلیل خود درباره موضوع را ارائه کنید و با اتکا به نتایج به دست‌آمده ایده‌هایی برای تدوین سیاست‌های جدید به منظور افزایش اشتغال زنان پیشنهاد کنید.
- [کارگاه تحلیل داده‌های کارزار](https://d-learn.ir/courses/krzrv/): پلتفرم کارزار یک بستر آنلاین برای جمع‌آوری امضا در کمپین‌های اجتماعی است. کارزار در سال‌های گذشته میزبان میلیون‌ها امضا و هزاران کمپین بوده و به همین خاطر داده‌های ارزشمندی از مطالبات مدنی بخش‌های گسترده‌ای از مردم در نقاط مختلف کشور در اختیار دارد که تحلیل آن می‌تواند رهیافت‌های مهمی پیش روی جامعه قرار دهد. مدرسه پردازش و تحلیل داده دقیقه با همکاری کارزار و باشگاه پژوهشگران پل، کارگاهی عملی و پروژه‌محور برای تحلیل داده‌های کارزار ویژه پژوهشگران اجتماعی و تحلیلگران داده برگزار کرده است.  در روز نخست کارگاه ابتدا داده‌های کارزار معرفی شده و ارتباطات جداول آن با یکدیگر مورد بررسی قرار گرفته است. سپس شرکت‌کنندگان ایده‌های خود برای تحلیل داده‌‎های کارزار را بیان کرده تا به صورت جمعی درباره آن گفتگو شود. شرکت‌کنندگان بعد از روز اول روی انجام پروژه خود متمرکز می‌شوند و تلاش می‌کنند تا بخش‌هایی از آن را پیش ببرند. در این مدت ارتباط از طریق گروه تلگرام برقرار خواهد بود و افراد می‌توان از آن برای دریافت نظر مشورتی و رفع اشکال استفاده کنند. در روز دوم کارگاه شرکت‌کنندگان یافته‌های خود را ارائه می‌کنند و نظر دیگران را برای بهبود، تکمیل و توسعه آن دریافت می‌کنند.
- [کارگاه معرفی و تحلیل داده‌های عمومی با نگاهی به روزنامه‌نگاری داده](https://d-learn.ir/courses/djwav/): «کارگاه تشخیص نمودار از خط مار»، یک کارگاه عملی و پروژه‌محور روزنامه‌نگاری داده است و از دو بخش آنلاین و حضوری تشکیل شده است. هدف از برگزاری این رویداد آن است که شرکت‌کنندگان پس از بررسی انتقادی نمونه‌هایی از به‌کارگیری عدد و نمودار در مطالب تحلیلی، در پروژه‌های خود به بهترین صورت از آن‌ها استفاده کنند.
- [دوره جامع شبکه‌های عصبی و یادگیری عمیق](https://d-learn.ir/courses/dpnnv/): دوره جامع «شبکه‌های عصبی عمیق با پایتون» یک مسیر آموزشی کاربردی و به‌روز است که شرکت‌کنندگان را از مفاهیم پایه تا طراحی و استقرار مدل‌های پیچیده یادگیری عمیق همراهی می‌کند. این دوره با ترکیب ارائه روشن و ملموس روش‌ها و مفاهیم، تمرین‌های عملی منظم و پروژه‌های کاربردی طراحی شده است. در نتیجه شرکت‌کنندگان تنها به یادگیری نظری مفاهیم اکتفا نمی‌کنند؛ بلکه آن‌‌ها را با کدنویسی پیاده می‌کنند، با پردازش داده‌های واقعی به کار می‌گیرند. در پایان پروژه‌هایی قابل‌ارائه دارند که نشان‌دهنده میزان تسلط آن‌ها بر روش‌ها و مفاهیم و مهارت عملی آن‌هاست. در هر جلسه مفاهیم و روش‌های ارائه شده به‌صورت گام‌به‌گام با استفاده از کتابخانه‌های پایتون مانند با PyTorch ، NumPy و … به کار گرفته می‌شوند. تمرین‌ها و مثال‌ها مبتنی بر داده‌های واقعی انتخاب شده‌اند تا شرکت‌کنندگان نحوه کاربرد نظریه در مسائل عملی را بیاموزند و با ظرائف و پیچیدگی‌های آن هنگام در کاربرد آشنا شوند. دوره از مبانی ریاضی و معماری‌های ساده شبکه‌ای آغاز می‌شود و به‌صورت پیوسته به سمت موضوعات پیشرفته‌تری مانند شبکه‌های کانولوشنی، شبکه‌های بازگشتی، مکانیزم توجه، ترنسفورمرها، مدل‌های مولد و در نهایت شبکه‌های گراف می‌رود. این ترتیبِ پیوسته و مرحله به مرحله سبب می‌شود شرکت‌کنندگان هم فهم عمیق مفهومی داشته باشند و هم بتوانند مدل‌های کاربردی را طراحی، پیاده‌سازی و برای پروژه‌های حرفه‌ای یا پژوهشی آماده کنند.
- [کارگاه علوم اجتماعی محاسباتی با رویکردی انتقادی](https://d-learn.ir/courses/csswv/): در سال‌های اخیر، با توسعه ابزارهای تحلیلی ساده و در دسترس، تکنیک‌های متداول در «علوم اجتماعی محاسباتی» به روش‌هایی پرطرفدار در بررسی‌های میان‌رشته‌ای تبدیل شده و محصولات آن به حوزه‌های گوناگون از جمله حوزه عمومی نیز راه‌یافته است؛ حوزه‌ای که انبوه داده‌ در شبکه‌های اجتماعی را به منبعی جذاب برای واکاوی جامعه بدل کرده است. با این حال به کارگیری داده‌ها در علوم اجتماعی محاسباتی نیازمند توجه به ظرافت‌های نظری و اخلاقی گوناگون است. گارگاه نگاهی انتقادی به علوم اجتماعی محاسباتی برای پاسخ به همین نیاز طراح شده است. در این رویداد آموزشی شرکت‌کنندگان ضمن آشنایی با مبانی نظری و نقدهای کلیدی این حوزه، به‌صورت عملی با روش‌ها و ابزارهای اصلی در علوم محاسباتی آشنا می‌شوند؛ از استخراج داده‌های آنلاین با اتصال به APIها و ابزارهای جمع‌آوری داده، تا ساخت و پاک‌سازی دیتابیس‌ها و تحلیل داده‌های شبکه‌های اجتماعی با نرم‌افزار Gephi.
- [تحلیل هزینه‌های بهداشت و درمان در خانواده‌های ایران](https://d-learn.ir/courses/ir-hbs-med/)
- [دوره جامع طراحی و تحلیل کارآزمایی بالینی با R](https://d-learn.ir/courses/rmdatv/): با توجه به نقش حیاتی کارآزمایی‌های بالینی در تصمیم‌سازی‌های علمی و تحقیقات شرکتهای حوزه سلامت، توانمندی در طراحی، تحلیل و نگارش گزارش این مطالعات یکی از نیازهای اساسی پژوهشگران و فعالان این حوزه به شمار می‌آید. دوره آموزشی طراحی، تحلیل و گزارش‌نویسی کارآزمایی بالینی با رویکرد کاربردی با استفاده از R، یک برنامه آموزشی کامل و عملی برای همه پژوهشگران، پزشکان، داروسازان و علاقه‌مندان به پژوهش‌های بالینی است که می‌خواهند از ایده اولیه به یک مطالعه روشمند برسند. در این دوره جامع، اصول طراحی مطالعه و تحلیل داده در مطالعات پزشکی، به‌صورت گام‌به‌گام آموزش داده می‌شود.  آشنایی با انواع طراحی‌های کارآزمایی‌های بالینی، روش‌های کورسازی و تصادفی‌سازی از جمله مفاهیمی است که در ابتدای دوره ارائه خواهد شد. سپس محاسبه حجم نمونه، تهیه لیست تصادفی و تهیه فرمهای ثبت اطلاعات را به‌صورت عملی تمرین خواهید کرد. در ادامه، شرکت‌کنندگان نحوه اجرای صحیح گام‌های مطالعه با رعایت اصول GCP، مدیریت داده‌ها، پاک‌سازی و آماده‌سازی آن‌ها برای تحلیل در محیط R را می‌آموزند. سپس به برخی از مهم‌ترین تحلیل‌های آماری مثل t-test و Chi-squared، تحلیل رگرسیون، آنالیز بقا و مدل‌های مختلط خواهیم پرداخت. در پایان با چهارچوب‌های معتبر بین‌المللی مثل CONSORT برای گزارش‌نویسی، ملاحظات اخلاقی و داوری مقالات کارآزمایی بالینی آشنا خواهید شد. این دوره به‌گونه‌ای طراحی شده که علاوه بر یادگیری تئوری‌ها، مهارت‌های عملی در R را نیز کسب کنید و در پایان توانایی اجرای یک پروژه واقعی کارآزمایی بالینی را به‌دست آورید.
- [پردازش داده با data.table در R](https://d-learn.ir/courses/datatable): بسته data.table در زبان برنامه‌نویسی R، یک پیاده‌سازی بهبودیافته و جایگزین برای ساختار داده استاندارد data.frame است. این بسته به‌طور خاص برای کارایی بالا در پردازش و تحلیل مجموعه داده‌های بزرگ (Big Data) طراحی شده است. هسته اصلی data.table بر اساس یک ساختار دستوری (syntax) منحصربه‌فرد و مختصر با فرم کلی DT بنا شده است که به کاربر اجازه می‌دهد عملیات پیچیده‌ای نظیر انتخاب ردیف‌ها (i)، انجام محاسبات روی ستون‌ها (j) و گروه‌بندی داده‌ها (by) را به شیوه‌ای بسیار خوانا و فشرده اجرا کند. مهم‌ترین مزایای data.table شامل سرعت فوق‌العاده در اجرای عملیات و بهینه‌سازی مصرف حافظه> است. این بسته با استفاده از الگوریتم‌های داخلی پیشرفته و ارجاع‌دهی به ستون‌ها به‌جای کپی کردن آن‌ها، زمان پردازش را به شکل چشمگیری کاهش می‌دهد. علاوه بر این، سینتکس کوتاه‌تر آن خوانایی کد را افزایش داده و فرآیند تحلیل داده را تسریع می‌بخشد. قابلیت ویرایش و افزودن ستون‌ها به‌صورت "درجا" (in-place) با عملگر := از دیگر ویژگی‌های کلیدی آن است که از کپی‌های غیرضروری داده در حافظه جلوگیری کرده و کارایی را به حداکثر می‌رساند. این ویژگی‌ها data.table را به ابزاری حیاتی برای دانشمندان داده و تحلیلگرانی که با حجم بالای اطلاعات سروکار دارند، تبدیل کرده است.
- [دوره جامع تحلیل داده با R](https://d-learn.ir/courses/r4dahv/): این برنامه آموزشی برای کسانی طراحی شده که در کار و تحقیقات خود از تحلیل داده استفاده کنند، اما پیش‌زمینه‌هایی مثل کد‌نویسی و آمار ندارند. محتوای این دورۀ آموزشی با رویکردی کارگاهی طراحی شده تا شرکت‌کنندگان مفاهیم و روش‌هایی که یاد می‌گیرند را با حل مسئله و تمرین به کار بگیرند و در مسائل واقعی از آن‌ها‌ استفاده کنند.  ابزار اصلی در این دوره آموزشی R است. R ابزار محبوب تحلیل داده در میان بسیاری از دانش‌آموختگان آمار، ریاضیات کاربردی، علوم انسانی و همینطور علوم تجربی در دنیاست و یادگیری آن شما را به جامعه بزرگی از تحلیلگران و پژوهشگران وصل خواهد کرد. کار با این ابزار در این دوره آموزشی به طور کامل آموزش داده خواهد شد و در تحلیل‌های گوناگون مورد استفاده قرار خواهد گرفت تا درک روش‌های کمّی و مفاهیم انتزاعی را آسان و ملموس‌ کند.  در این دوره علاوه بر حل مسأله و تمرین در طول دوره در هر یک از موضوعات، یک پروژه گروهی نیز در پایان ارائه خواهد شد تا با انجام آن آموخته‌های خود را به صورت جدی‌تری محک بزنید. در طول دوره جلسات حل تمرین و رفع اشکال به صورت مستمر برگزار خواهد شد تا مسائل و مشکلات خود را با پشتیبان‌های آموزشی مطرح کنید.  اگر دنبال یک دوره آموزشی با تمرین و چالش و حل مسئله برای یادگیری تحلیل داده هستید، این دوره آموزشی برای شماست!
- [دوره جامع علوم داده و هوش مصنوعی با پایتون](https://d-learn.ir/courses/pydsaiv/): این دوره آموزشی برای افراد علاقه‌مندی طراحی شده که می‌خواهند وارد بازار کار علوم داده و هوش مصنوعی شوند یا از آن در کار و تحقیقات خود استفاده کنند، اما پیش‌زمینه‌ای در شاخه‌های مختلف آن مانند برنامه‌نویسی، آمار و یادگیری ماشین ندارند. محتوای این دورۀ آموزشی با رویکردی کارگاهی طراحی شده تا شرکت‌کنندگان مفاهیم و روش‌هایی که یاد می‌گیرند را با حل مسئله و تمرین به کار بگیرند و در مسائل واقعی از آن‌ها‌ استفاده کنند. ابزار اصلی در این دوره آموزشی، پایتون است. این ابزار از ابتدای دوره به طور کامل آموزش داده خواهد شد و در بسیاری از موضوعات مانند ریاضیاتِ هوش مصنوعی و الگوریتم‌های یادگیری ماشین مورد استفاده قرار خواهد گرفت تا درک مفاهیم انتزاعی را آسان و ملموس‌ کند. در این دوره علاوه بر حل مسأله و تمرین در طول دوره در هر یک از موضوعات، یک پروژه گروهی نیز در پایان ارائه خواهد شد تا با انجام آن آموخته‌های خود را به صورت جدی‌تری محک بزنید.
- [مدلسازی قیمت موبایل](https://d-learn.ir/courses/mobile-price/)
- [مدیریت محصول](https://d-learn.ir/courses/pdmnv/): Complete Course You have been enrolled on ۸ تیر ۱۴۰۵
- [استفاده از هوش مصنوعی در زندگی حرفه‌ای](https://d-learn.ir/courses/ai4pv/): هوش مصنوعی در حال تغییر شیوه کار و زندگی ماست و بسیاری از مشاغل دگرگون کرده است. از انجام وظایف اداری و پشتیبانی مشتری گرفته تا تولید محتوا و تحلیل داده، هوش مصنوعی با افزایش سرعت و دقت، بهره‌وری را به سطحی جدید رسانده است. اگر دوست دارید از این تحول برای رشد حرفه‌ای خود استفاده کنید، این دوره فرصت یادگیری و تمرین آن را برای شما فراهم می‌کند. در این کارگاه آموزشی از مفاهیم پایه هوش مصنوعی و کاربردهای روزمره آن گرفته تا مواردی مثل مانند نامه‌نگاری رسمی، تنظیم قرارداد، گردآوری اطلاعات، تهیه گزارش، انواع تولید محتوا و تحلیل داده‌ در کسب‌و‌کار با استفاده از هوش مصنوعی را به‌صورت عملی یاد می‌گیرید و تمرین می‌کنید.
- [پردازش بهینه با pandas و polars](https://d-learn.ir/courses/pypsv/): پردازش داده‌های حجیم در پایتون یکی از چالش‌های تحلیلگران داده در مواجهه با داده‌های واقعی است. بخش قابل توجهی از این چالش‌ها، با استفاده کارآمد و اصولی از کتابخانه pandas همچنان قابل انجام است. عدم استفاده درست از پانداس، عملکرد پردازش را به شدت تحت تاثیر قرار می‌دهد. با در نظر گرفتن این موارد می توان به سقف عملکردی پردازش با pandas  نزدیک شد. پس از آن برای بهبود عملکرد بر روی یک سیستم، می توان سراغ پردازش موازی داده‌ها با چند هسته رفت. یکی از سرراست‌ترین راه‌ها با رسیدن به این هدف استفاده از کتابخانه polars است. اگر به چالش پردازش داده‌های حجیم در پایتون برخورده‌ کرده‌اید، این دوره برای شماست. بخش عمده این دوره به بررسی زیر بخش‌های مهم pandas اختصاص دارد و با معرفی polars و انجام یک پروژه پردازش داده در انتهای دوره خاتمه‌ می‌یابد.
- [استخراج داده از وب](https://d-learn.ir/courses/wbspv/): محیط وب یکی از بزرگترین منابع برای داده‌های گوناگون است. اگر می‌خواهید قیمت‌های یک فروشگاه اینترنتی را یکجا استخراج کنید، داده‌های بورس یا قیمت ارز را از وبسایت‌های مربوطه بدست آورید، یا آمار اقتصادی و محیط زیستی وبگاه یک سازمان را برای استفاده در تحقیق خود به دست آورید باید فناوری‌های استخراج داده‌ از وب را یاد بگیرید. این فرآیندها که معمولا تحت عنوان‌های کلی Web Crawling یا Web Scraping شناخته می‌شوند، در این دوره با رویکرد پروژه‌محور به شما آموزش داده خواهد شد. در دوره آموزشی «استخراج داده‌ از وب» قبل از هر چیزی یاد می‌گیریم دنیای وب از چه تکنولوژی‌هایی ساخته شده و یک صفحه وب از چه اجزائی تشکیل شده است. چه پروتکل‌ها و فرآیندهایی در بازیابی اطلاعات از وب وجود دارد و نقش هر کدام چیست. سپس روش‌های کلاسیک برای بدست آوردن داده‌ها از وب را می‌آموزیم و در مثال‌های واقعی، اخذ داده‌ها از صفحات وب را گام به گام و با استفاده از ابزارهای Web scraping و همچنین زبان Python تمرین خواهیم کرد. پروژه پایانی دوره بهترین فرصت برای تمرین آموخته‌های شما در طول دوره خواهد بود.
- [یادگیری ماشین با پایتون](https://d-learn.ir/courses/mlpyv/): اگر می‌خواهید از قدرت هوش مصنوعی در تحلیل داده و تحقیقات خود بهره‌مند شوید، یادگیری ماشین مهم‌ترین چیزی است که به آن نیاز دارید. دوره جامع «یادگیری ماشین با پایتون» از مبانی یادگیری ماشین آغاز می‌شود و گام‌ به گام تا مباحث پیچیده‌تری مثل یادگیری گروهی، کاهش ابعاد داده و  شبکه‌های عصبی پیش ‌می‌رود. در این دوره آموزشی تمامی مباحث با رویکردی عملیاتی آموزش داده خواهند شد و تمامی مفاهیم و روش‌های دوره با پردازش داده‌های واقعی در محیط پایتون پیاده‌سازی خواهند شد.
- [تحلیل داده و توسعه داشبورد با Power BI](https://d-learn.ir/courses/pwbiv/): هوش تجاری فرآیندی است که طی آن اطلاعاتی ارزشمند و قابل اطمینان از داده‌های روزمرۀ سازمان استخراج می‌شود و در زمان مناسب در قالب داشبوردهای تحلیل داده در اختیار مدیران سازمان و کسب‌وکار گذارده می‌شود تا در تصمیم‌گیری‌ به آن‌ها استناد شود. پاوربی‌آی (PowerBI) مهم‌ترین ابزار توسعه داشبورد و استقرار سامانه‌های هوش تجاری در  دنیاست و در حال حاضر مهم‌ترین نیاز بازار کار داده به شمار می‌رود. با یادگیری پاوربی‌آی یک مزیت بزرگ به دست بیاورید و کسب‌وکار خود را متحول کنید. 
- [طراحی مطالعه و تحلیل داده در تحقیقات پزشکی با R](https://d-learn.ir/courses/rmdav): تحلیل داده و مدلسازی آماری بخش جدایی‌ناپذیری از تحقیقات پزشکی و مطالعات سلامت در دنیای امروز است. در این دوره آموزشی، پس از مرور R و مفاهیم اساسی در آزمون‌های آماری سراغ مدلسازی آماری می‌رویم با انواع مدل‌های رگرسیون، تحلیل بقا و آنالیز کاکس آشنا شده و با پیاده‌سازی آن‌ها در محیط R و تحلیل داده‌های واقعی حوزه پزشکی و سلامت برای طراحی مطالعات آماری در تحقیقات پزشکی آماده می‌شویم. از جمله موضوعاتی که در این بخش مورد بررسی قرار خواهد گرفت می‌توان به کارآزمایی بالینی و بررسی اثربخشی مداخلات دارویی، مطالعات موردشاهدی و مقطعی، بررسی کوهورت‌ها، مرور سیستماتیک، تحلیل فراداده و بررسی روابط عِلّی اشاره کرد. در انتهای دوره آنچه یاد گرفتیم را در پروژه پایانی به کار خواهیم گرفت و آموخته‌های خود را تثبیت خواهیم کرد. این دوره آموزشی از ۶ بخش (۵ بخش آموزشی و ۱ پروژه پایانی) تشکیل شده است.
- [پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ در پایتون](https://d-learn.ir/courses/nlmpyv): پردازش متن و زبان طبیعی (NLP) به یک ابزار ضروری برای درک و تحلیل داده‌ در سال‌های اخیر بدل شده است. این حوزه شامل ایده‌ها و الگوریتم‌های متعددی برای درک متن و زبان است، در بسیاری از زمینه‌ها مانند موتورهای جستجو در وب، تحلیل احساسات، خلاصه‌سازی، ترجمه، پاسخگویی به سوالات نقش حیاتی ایفا می‌کند. با توسعه فناوری و پیدایش مدل‌های زبانی بزرگ  (LLMs) پردازش متن به بستری برای ارائه راهکارها و ایده‌های جدید برای حل مشکلات مختلف تبدیل شده است. مدل‌های زبانی بزرگ (LLM) از طریق آموزش بر روی حجم عظیمی از داده‌های متنی ساخته می‌شوند و به همین خاطر قابلیت‌هایی برای درک و تولید محتوا دارند و می‌توان آن‌ها را با تمرکز بر دانش و اطلاعات یک حوزه خاص آموزش داد و به کار گرفت. در این دوره جامع، از مبانی پردازش رشته و متن در پایتون شروع می‌کنیم و به مراحل پیشرفته‌تری مانند معرفی تکنیک‌های پرکاربرد برای پردازش عبارات باقاعده  RegEX، کتابخانه‌های قدرتمند پردازش زبان‌های طبیعی مثل NLTK و  Spacy، روش‌های Embedding برای استفاده از مدل‌های یادگیری ماشین و در نهایت، معرفی و آموزش مدل‌های زبانی بزرگ (LLMs) دست یابید.
- [یادگیری ماشین با رویکرد بهینه‌سازی در پایتون](https://d-learn.ir/courses/mloptv): بهینه‌سازی یکی از پایه‌های فهم عمیق‌تر الگوریتم‌های یادگیری ماشین است. دوره آموزشی «یادگیری ماشین با رویکرد بهینه‌سازی» فرصتی منحصر به فرد برای شماست تا روش‌های متداول یادگیری ماشین را با تمرکز بر حل مسائل بهینه‌سازیِ درون آن‌ها فرا بگیرید و به این ترتیب دانش و مهارت خود در این حوزه را تقویت کنید. در لایه زیرین تمامی الگوریتم‌ها و کتابخانه‌های یادگیری ماشین یک مسئله بهینه‌سازی وجود دارد. در این دوره آموزشی برخی از مهم‌ترین روش‌های یادگیری ماشین با تمرکز بر چگونگی مینیمم‌سازی خطا با توجه به قیود ریاضی موجود در آن‌ها ارائه خواهد شد.
- [تحقیقات بازار و توسعه کسب‌وکار](https://d-learn.ir/courses/mrbdv/): یکی از بهترین نقاط شروع برای افزایش سواد کسب‌وکار، تمرکز روی بازاری است که یک کسب‌وکار در بستر آن فعالیت می‌کند. شروع از تحقیقات بازار (Market Research) به ما کمک می‌کند تا استراتژی‌ها و برنامه‌های توسعه با توجه به وضعیت بازار مورد ارزیابی قرار دهیم. در این دوره فشرده، بازار یک کسب‌وکار را به صورت روشمند مورد بررسی قرار می‌دهیم و پس از آن سراغ موضوع توسعه کسب‌و‌کار (Business Development) می‌رویم و با مهم‌ترین مفاهیم و روش‌های آن مثل برنامه‌ریزی استراتژیک (Strategic Planning)، نقشه کسب‌وکار (Business Roadmap)، مدل کسب‌و‎‌کار (Business Model) و همینطور طرح کسب‌وکار (Business Plan) آشنا می‌شویم. تحلیلگر داده‌ تنها با آشنایی با ابزارها و روش‌های آمار و تحلیل داده نمی‌تواند به نیرویی ارزشمند در یک کسب‌وکار بدل شود. برای تحلیل مؤثر داده‌های کسب‌وکار، لازم است به همان اندازه که با داده‌ها آشنایی داریم، از فرآیندها و الزامات کسب‌وکار نیز سر در بیاوریم.
- [سواد داده برای سازمان‌های غیرانتفاعی](https://d-learn.ir/courses/dl4npov): چگونه تأثیر واقعی کار غیرانتفاعی خود را اندازه‌گیری می‌کنید؟ اگر پاسخ‌های بزرگ‌ترین چالش‌های شما در داده‌هایی که از قبل دارید پنهان شده، چه؟ امروزه، سازمان‌های غیرانتفاعی با فشار زیادی برای انجام اقدامات اثرگذارتر با هزینه‌ی مالی و انسانی کمتر مواجه هستند. تصور کنید که می‌توانید الگوها را کشف کنید، روندها را پیش‌بینی کنید و تصمیم‌هایی بگیرید که مأموریت سازمان شما را به جلو می‌برد؛ با یادگیری سواد داده و کاربرد آن
- [طراحی مطالعات در حوزه‌های پزشکی، روانشناسی و علوم اجتماعی](https://d-learn.ir/courses/study-design/)
- [تحلیل بقا در R](https://d-learn.ir/courses/survival-analysis-r/)
- [SQL برای تحلیل داده](https://d-learn.ir/courses/sql4dav/): بسیاری از تحلیلگران داده به خاطر عدم آشنایی با SQL و پایگاه داده نمی‌توانند بسیاری از کارهای مورد نیاز خود مثل استخراج داده را به تنهایی انجام دهند و همین خاطر در کارشان دچار مشکل می‌شوند. از طرف دیگر آشنایی با رویکردهای تحلیلی برای کارشناسان پایگاه داده مهارت‌های شغلی آن‌ها را به صورت چشمگیری افزایش خواهد داد. دوره آموزشی «SQL برای تحلیل داده» با برقراری ارتباط مستقیم با پایگاه داده دریچه‌های جدیدی را به روی تحلیلگران داده باز می‌کند و کارشناسان پایگاه داده را به دنیای هیجان‌انگیز تحلیل داده وارد می‌کند. این دوره برای کسانی که برای اولین بار می‌خواهند سراغ SQL و پایگاه داده بروند و از این طریق وارد دنیای تحلیل داده شوند نیز توصیه می‌شود.
- [کارگاه حل مساله در SQL](https://d-learn.ir/courses/problem-solving-sql/): با تمرین در «کارگاه حل مساله در سکوئل»، مهارت‌های خود را در حل مسائل پایگاه‌های داده رابطه‌ای داده تقویت کنید و با استفاده از تکنیک‌های متعدد کوئری‌نویسی در سکوئل، بهینه‌سازی و تحلیل داده‌ها را به سطح بالاتری ببرید. این کارگاه تمرین را از سطوح مقدماتی آغاز می‌کند و قدم به قدم تا سطوح بالاتر پیش می‌برد و تا شما را برای چالش‌های مسائل واقعی آماده کند.
- [اکسل برای تحلیل داده‌های کسب و کار](https://d-learn.ir/courses/xlsbv): اکسل (Excel) تنها یک ابزار حرفه‌ای تحلیل داده نیست، بلکه یک ابزار عمومی برای مدیریت و تحلیل داده نیز هست. بسیاری از ما در فعالیت‌های روزمره و کاری خود با موقعیت‌هایی مواجه می‌شویم که باید در آن‌ها مجموعه متنوعی از اطلاعات را مرتب کنیم؛ مثل زمانی که باید حساب و کتاب یک فعالیت را به عهده بگیریم یا مثلا زمانی که می‌خواهیم دخل و خرج‌مان را مدیریت کنیم. در بسیاری مواقع این محاسبات روی کاغذ یا ماشین‌حساب انجام می‌شوند، در حالی که اکسل فضا و امکاناتی در اختیارمان قرار می‌دهد که مدیریت داده‌ها در آن به مراتب ساده‌تر و کارآمدتر است. امروزه اکسل اساسی‌ترین ابزار در تهیه جداول، گزارشات، نمودارها و داشبوردهای اطلاعاتی در بسیاری از کسب‌و‌کارها است و در شاخه‌های بسیاری مثل فروش، بازاریابی، برنامه‌ریزی تولید، منابع انسانی، حسابداری، مالی، انباداری و کنترل موجودی، طرح و برنامه، تامین، توسعه کسب و کار، مدیریت محصول و برند، کنترل پروژه و … به صورت روزمره مورد استفاده قرار می‌گیرد. در دوره آموزشی «Excel برای تحلیل داده‌های کسب‌وکار» قبل از هر چیزی سراغ آموزش مفاهیم ابتدایی اکسل می‌رویم و کار با اکسل را بدون هیچ پیش‌نیازی شروع می‌کنیم، بعد از آن روی روش‌های سازماندهی داده‌های کسب‌وکار در جداول اکسل تمرکز می‌کنیم و در نهایت چند مسئله واقعی کسب‌وکار را با همکاری یکدیگر در نرم‌افزار اکسل حل می‌کنیم.
- [بهینه‌سازی و تحقیق در عملیات با پایتون](https://d-learn.ir/courses/orpyv/): تحقیق در عملیات، هنرِ استفاده بهینه از منابع است. در تحقیق در عملیات مسائل پیچیده و چندجانبه در دنیای واقعی را با استفاده از روش‌های ریاضیاتی و تعریفِ هوشمندانه متغیرها صورت‌بندی می‌کنیم، سپس با استفاده از الگوریتم‌های بهینه‌سازی، کم‌هزینه‌ترین و پرفایده‌ترین گزینه‌ها را برای رسیدن به هدفمان پیدا می‌کنیم. تحقیق‌ در عملیات و بهینه‌سازی شاخه‌ای پرکاربرد در مهندسی صنایع، اقتصاد، مدیریت، علوم کامپیوتر، مهندسی برق و کسب‌وکار است و در برنامه‌ریزی تولید، مدیریت موجودی، زمان‌بندی فعالیت‌های پروژه، تخصیص منابع، برنامه‌ریزی حمل و نقل، مدیریت سبدهای سرمایه‌گذاری و غیره کاربرد دارد. در این دوره آموزشی پس از آشنایی با ساختار مدل‌های بهینه‌سازی و کتابخانه‌های مرتبط با آن در پایتون، به مهم‌ترین مسائل بهینه‌سازی در دنیای واقعی مثل مدیریت بهینه پروازهای فرودگاهی، بهبود عملکرد در برنامه‌ریزی عملیات، مدیریت بهینه زنجیره تامین، انبارداری بهینه، چیدمان بهینه کانتینرها در بندر، مسیریابی بهینه برای تحویل کالاهای بیشتر و چینش بهینه صندلی‌های پرواز پرداخته خواهد شد. هر یک از این مسائل نخست به صورت ریاضیاتی مدلسازی می‌شوند، سپس در محیط پایتون پیاده‌سازی و حل می‌شوند و در نهایت نتایج به دست‌آمده مصورسازی و تحلیل خواهند شد.
- [پرامپت‌نویسی برای استفاده از هوش مصنوعی](https://d-learn.ir/courses/genai-chtbts/): شما در این درسنامه: •	با نحوه کارکرد مدل های بزرگ زبانی Large Language Model ها آشنا می‌شوید، تا بتوانید درک کاملی از عملکرد چت‌باتهای ساخته شده با هوش مصنوعی داشته باشید، •	با درک این عملکرد، یاد می‌گیرید دستورالعمل‌های متنی (پرامپت Prompt) بهینه و کاربردی متناسب با الگوریتم چت‌بات بنویسید تا پاسخ‌های دقیق‌تری دریافت کنید، •	همچنین یاد می‌گیرید که چگونه در تعاملی رفت و برگشتی و دستورات متوالی به چت‌بات بفهمانید که پاسخ‌ها را بهتر کند و به فضای ذهنی سوال شما نزدیک‌تر شود، •	و در نهایت با نکات تخصصی‌تر مانند فرمت|‌های خروجی معمولی چت‌بات‌ها آشنا می‌شوید و •	محدودیت‌های زبان فارسی و دلایل آن را درک می‌کنید.
- [بررسی رابطه شاخص توده بدنی (BMI) ، بیماری‌های غیرواگیر و سبک زندگی](https://d-learn.ir/courses/bmi-data-analysis/): شاخص‌ توده بدنی یا BMI یکی از شاخص‌های مهم سلامت است که رابطه آن با سبک زندگی و بیماری‌های غیرواگیر مورد توجه ویژه پزشکان و پژوهشگران سلامت است. در این پروژه رابطه آن را با استفاده از داده‌های مرکز کنترل و پیشگیری از بیماری‌های آمریکا با دیگر متغیرها مورد بررسی قرار می‌دهیم.
- [تحلیل داده‌های بانک رفاه ایرانیان](https://d-learn.ir/courses/welfare-db-analysis/): وزارت کار، تعاون و رفاه اجتماعی ایران داده‌های مرتبط به خانوارهای کشور از منبع گوناگون گردآوری و در یک پایگاه داده به نام پایگاه رفاه ایرانیان ذخیره می‌کند و از آن در خدماتی مانند استحقاق‌سنجی در خدمات حمایتی و تحلیل‌های کلان‌تر استفاده می‌کند. این پایگاه داده، اطلاعات مهمی را از پایگاه‌های گونانگون داده مثل تامین اجتماعی، سازمان بازنشستگی، اتحادیه املاک و مانند آن‌هاست و فرصت بی‌نظیری را برای تحلیگران داده و پژوهشگران به وجود آورده است. در این پروژه سعی می‌کنیم با پاسخ به مجموعه‌ای از پرسش‌ها این داده را از زوایای گوناگون مورد بررسی قرار می‌دهیم و کار با جداول داده را تمرین می‌کنیم.
- [استنتاج آماری و آزمون فرض در R](https://d-learn.ir/courses/stats-inference-in-r/): در این درس با مفهوم آمار استنباطی آشنا می‌شوید. کاربردها و مفاهیم مهم و پایه ای آزمون فرضهای آماری را فرامی‌گیرید و در نهایت چند تست مهم آماری و کاربرد آنها را در R می‌آمورزیم.
- [نمونه‌گیری آماری در R](https://d-learn.ir/courses/sampling-r/): نمونه‌گیری یکی از مهمترین مراحل در طراحی و انجام یک پژوهش آماری است. با استفاده از نمونه‌گیری می‌توانیم از یک بخش کوچک از جامعه، استنتاج و نتیجه‌گیری در مورد کل جامعه داشته باشیم. این کار مزایایی مانند کاهش هزینه‌ها، زمان و منابع را دارد. اما برای اینکه نتایج نمونه‌گیری قابل اعتماد و نماینده باشند، باید روش‌های مناسب و علمی را بکار برد. در این دوره آموزشی، شما با انواع مختلف روش‌های نمونه‌گیری و شیوه پیاد‌ه‌سازی آن‌ها در محیط R آشنا می‌شوید. این روش‌ها را می‌توان به دو دسته تقسیم کرد: نمونه گیری تصادفی و نمونه‌گیری غیرتصادفی. در نمونه‌گیری تصادفی، هر عضو جامعه شانس برابری برای انتخاب شدن دارد. در نمونه گیری غیرتصادفی، انتخاب اعضای نمونه بر اساس قاعده یا معیار خاصی انجام می‌شود. هر کدام از این روش ها مزایا و معایب خود را در تعیمم از نمونه به جامعه آماری دارند و بسته به نوع و هدف پژوهش، می‌توان از آن‌ها استفاده کرد.
- [بررسی رابطه بین سطح تحصیلات و اشتغال](https://d-learn.ir/courses/edu_emp_interaction/): اشتغال یکی از مهمترین مسائل در اقتصاد هر کشور است. ایجاد اشتغال پایدار فاکتور مهمی برای رضایتمندی مردم و رونق اقتصاد است.  یکی از عواملی که در اشتغال تاثیر مهمی دارد سطح تحصیلات جامعه است. مشاغل جدید در مقایسه با گذشته به سطوح بالاتری از دانش و مهارت احتیاج دارند. افراد از اغلب زمینه‌های اجتماعی-اقتصادی از آموزش‌هایی که دریافت کرده‌اند برای یافتن شغل استفاده کنند. به همین خاطر انتظار می‌رود افراد با تحصیلات بالاتر احتمال بیشتری برای اشتغال داشته باشند و یا شغل ایجاد کنند.   بررسی رابطه بین سطح تحصیلات و اشتغال یک فرآیند پیچیده است که نیاز به تحلیل طیف گسترده‌ای از داده‌ها دارد. با این حال، تحلیل داده‌های تجمیع‌شده و کلی نیز می‌تواند اطلاعات ارزشمندی در مورد وضعیت اقتصادی و اجتماعی یک کشور ارائه دهد. بررسی رابطه تحصیلات و اشتغال، می‌تواند سیاست‌هایی را برای بهبود رابطه آموزش و اشتغال و تقویت اقتصاد کشور پیشنهاد دهد. این سیاست‌ها می تواند شامل موارد زیر باشد: سرمایه‌گذاری‌های هدفمند در آموزش و پرورش و آموزش عالی برای ایجاد اشتغال طراحی، حمایت و برنامه‌ریزی از برنامه‌های آموزشی منتهی به اشتغال تسهیل دسترسی به آموزش‌های لازم برای نقاط نیازمند در این پروژه با استفاده از داده‌های مركز ملی آمار ایران به تحلیل این مساله می‌پردازیم اهداف پروژه : کار با داده‌های واقعی پردازش و تجمیع داده‌ها انجام تحلیل‌های اکتشافی و مصورسازی داده‌ها مدل‌سازی مساله
- [تحلیل آمار فوت اضافه در داده‌های ثبت احوال برای تخمین کرونا](https://d-learn.ir/courses/excess-mortality-covid19/): یکی از روش‌های برای متداول در بررسی‌های آماری مقایسه تاثیر مقدار موجود یک شاخص با مقدار مورد انتظار آن در صورت عدم وجود عوامل مداخله‌گر است. این شیوه از ارزیابی تاثیر عوامل مختلف وقتی ثبت و اندازه‌گیری مستقیم مقادیر به علت گستردگی و هزینه امکان‌پذیر نباشد کاربرد فراوانی دارد. همه‌گیری کرونا یک نمونه قابل توجه برای پیاده‌سازی بررسی‌هایی از این جنس است. در دوره کرونا افراد زیادی در دنیا بر اثر ابتلا به این ویروس جان خود را از دست دادند. اما گستره جغرافیایی ابتلا و فوت بر اثر ابتلا به اندازه‌ای بزرگ‌ بود که احراز، ثبت و گزارش سریع آن به راحتی امکان‌پذیر نبود. به همین خاطر کشورها برای اطلاع از وضعیت عمومی بیماری به تخمین غیرمستقیم آمار فوت کرونا با استفاده از داده‌های فوت روی آوردند. در این پروژه خواهیم دید چگونه می‌توان بدون مراجعه به آمار کرونا و تنها با استفاده از داده‌های ثبت احوال آمار فوت کرونا را تخمین زد و به وسیله آن وضعیت کرونا را در کشور تحلیل کرد. The Art Work by Saira Malik Rahman
- [تحلیل داده‌های تحصیلات در سرشماری ۱۳۹۵](https://d-learn.ir/courses/iran-census-degree/): بسیاری ظرایف پردازش و تحلیل داده به راحتی در آموزش‌های کلاسیک به دست نمی‌آید و تنها در مواجهه با مسائل واقعی خودشان را نشان می‌دهند. یادگیری این موارد غیر از روش و ابزار نیازمند پرورش ذهنیت مناسب برای حل مسأله است. در پروژه «تحلیل داده‌های تحصیلات در سرشماری 1395» تلاش می‌کنیم تا این موارد در خلال مواجهه با داده‌های سرشماری به صورت گام به گام و طبقه‌بندی شده یاد بگیریم. تصویر فوق Road To Higher Education اثر Steve Dininno Road است.
- [کارگاه حل مسائل کسب‌وکار در اکسل](https://d-learn.ir/courses/xlsbs/): چه برای مدیریت کارآمد امور روزمره چه برای بهبود عملکرد کسب‌وکارهای خرد و کلان، نرم‌افزار اکسل بی‌اندازه کار‌راه‌انداز است. برای آشنایی با قابلیت‌های گوناگون اکسل باید کار با آن را در مواجهه با مسائل واقعی مانند ساماندهی اطلاعاتی که به صورت روزمره با آن‌ها سروکار داریم یا تحلیل داده‌های کسب‌وکار یاد بگیریم. در این دوره آموزشی مهارت استفاده از امکان اکسل با همین رویکرد یعنی به صورت عملی و با استفاده از مجموعه‌ای از تمرین‌ها به صورت گام به گام آموزش داده می‌شود. اکسل (Excel) محبوب‌ترین ابزار بهره‌برداری و مدیریت اطلاعات در دنیاست و یادگیری آن قابلیت‌های شغلی و فردی شما را متحول می‌کند. افزایش مهارت استفاده از اکسل در کسب‌وکار، نیاز جدی منابع انسانی بسیاری از از فعالیت‌‌هاست.
- [توابع پرکاربرد در R](https://d-learn.ir/courses/intermediate-r/): درس پیش رو در چند قسمت مختلف به معرفی و توابع پرکاربرد در آر می‌پردازد: ایجاد توابع دلخواه، کار با تاریخ و زمان و توابعی برای تغییر و تبدیل داده‌ها با استفاده از توابع پیش‌فرض در آر. در آر مانند دیگر زبان‌های برنامه‌نویسی شما محدود به توابع موجود در کتابخانه‌ها نیستید. در قسمت اول این درس شما یادمیگیرید چگونه در آر تابع دلخواه خود را برای کارهای تکراری ایجاد کنید. در قسمت دوم کار با تاریخ و زمان را در آر یادخواهید گرفت. فواصل زمانی و محاسبات روی تاریخ‌ها در این قسمت پوشش داده شده است. در قسمت بعدی تغییر و تبدیل داده‌ها با استفاده از توابع پیش‌فرض در آورده شده است. استفاده از این توابع در برخی موارد ممکن است به توابع کتابخانه‌های دیگر ارجحیت داشته باشد. مطالعه این درس به کاربران متوسط و پیشرفته آر توصیه می‌شود.
- [آشنایی با مفاهیم پایه مالی در پایتون](https://d-learn.ir/courses/financepy/): یک روش عالی برای یادگیری مفاهیم مالی مواجهه مستقیم با داده‌های مالی است. در این درس ابتدا با استفاده از کتابخانه yfinance به داده‌های بازار بورس آمریکا دسترسی پیدا می‌کنیم. سپس با مفاهیمی مانند بازده، ریسک، نسبت شارپ، نظریه سبد سهام مدرن، مدل‌های قیمت‌گذاری دارایی‌های سرمایه‌ای، ارزش‌های مخاطره‌پذیر و روش‌های محاسبه آن‌ها در محیط پایتون آشنا می‌شویم و در نهایت سراغ کاربردهای شبیه‌سازی مونت‌کارلو در تحلیل داده‌های مالی می‌رویم. برای استفاده هر چه بهتر از محتوای این درس، دانش مالی چندانی نیاز نیست اما تجربه کار با کتابخانه‌های pandas و matplotlib در پایتون لازم است.
- [تحلیل داده‌های کسب و کار در پایتون](https://d-learn.ir/courses/pyforbusiness): در دنیای امروز، داده‌ها به عنوان ارزشمندترین دارایی هر کسب و کاری شناخته می‌شوند. تحلیل داده کسب و کار به شما کمک می‌کند تا از این گنجینه عظیم برای بهبود عملکرد، افزایش سودآوری و ارتقای جایگاهتان در بازار استفاده کنید. در این دوره جامع، همه چیز راجع به تحلیل داده کسب و کار را از مبانی تا پیشرفته‌ترین تکنیک‌ها فرا خواهید گرفت. شما با مفاهیمی مانند تقسیم‌بندی مشتریان، پیش‌بینی فروش، قیمت‌گذاری، تشخیص تقلب، بهینه‌سازی زنجیره تامین، تحلیل احساسات و انتخاب میان گزینه‌ها آشنا خواهید شد و مهارت‌های لازم برای تبدیل داده‌ها به بینش‌های کاربردی را کسب خواهید کرد.
- [کامپیوتر چیست و چگونه کار می‌کند؟](https://d-learn.ir/courses/what-is-a-computer/): همه ما با کامپیوتر آشناییم، روزانه با انواع و اقسام آن مانند لپتاپ، کامپیوتر رومیزی، گوشی هوشمند و ... کار می‌کنیم. اما اگر بخواهیم شناختمان را عمیق‌تر کنیم و از یک کاربر روزمره به کسی که فهم دقیق‌تری از آنچه در کامپیوتر رخ می‌دهد تبدیل شویم، چه چیزهایی باید یاد بگیریم؟ اگر بخواهیم در کارهایی مانند تحلیل داده و مدلسازی از کامپیوتر به صورت گسترده استفاده کنیم، چه چیزهایی باید درباره این ابزار بدانیم؟ اگر بخواهیم وارد دنیای برنامه‌نویسی و توسعه نرم‌افزار شویم چطور؟ این درس برای کسانی طراحی شده که آشنایی چندانی با کامپیوتر ندارند یا به هر ترتیب با آن به عنوان ابزار اصلی کارشان راحت نیستند و از کار کردن با آن وحشت دارند. اگر می‌خواهید در آینده به عنوان تحلیلگر داده یا برنامه‌نویس فعالیت کنید اما احساس می‌کنید با کامپیوتر به اندازه کافی آشنا نیستید یا به هر ترتیبی دوست دارید دانش خود را درباره مفاهیم پایه‌ای کامپیوتر بیشتر کنید، روی این درس حساب کنید. در حقیقت این درس، مقدمه‌ای مختصر و مفید است برای کسانی که با کامپیوتر زیاد سر و کار دارند اما به هر دلیلی با آن احساس راحتی نمی‌کنند. 
- [مهندسی داده با پایتون](https://d-learn.ir/courses/py-data-eng/): مهندس داده (Data Engineer) ابزارها و روش‌هایی برای افزایش کیفیت و درصد اطمینان داده‌ها را اجرا می‌کند، داده‌های خام از منابع مختلف را جمع‌آوری و ترکیب می‌کند و به فرمت‌های ماشین‌خوان (Machine Readable) و سازگار (Consistent) در اختیار تحلیل‌گران قرار می‌دهد. همچنین ایجاد و تست ساختارها و معماری لازم برای استخراج و تبدیل خودکار داده‌ها برای تحلیل و مدلسازی از وظایف مهندس داده است.
- [تحلیل داده‌های کسب و کار در R](https://d-learn.ir/courses/business-data-science/): کاربرد تحلیل داده در کسب و کار بسیار گسترده است. تحلیل‌گران به مدیران کمک می‌کنند تا تصمیم‌های بهتری بگیرند. از طرفی مدیرانی که با فرایند این تحلیل‌ها و جنس سوالاتی که می‌توانند به واسطه داده‌ها به آن‌ها پاسخ دهند آشنا هستند می‌توانند چند قدم از دیگران جلو باشند. در این درس ابتدا روش برخورد با مسايل را یاد خواهیم گرفت و در ادامه چند نمونه برای آشنایی بیشتر و مواجه شدن با مسائل متنوع‌تر آورده خواهد شد. فصل اول این درس پیش‌نیازی ندارد اما برای مطالعه فصل‌های بعدی بهتر است درس‌های آشنایی با r و مصورسازی داده‌ها را مطالعه کرده باشید.
- [تحلیل داده‌های اشتغال ایران در سرشماری ۱۳۹۵](https://d-learn.ir/courses/iran-laborforce-data-analysis/): اشتغال یکی از مهم‌ترین مسائل اقتصاد ایران است. تمامی برنامه‌های توسعه در نهایت توفیقات خود را در ایجاد اشتغال پایدار می‌سنجند. تحلیل آمار اشتغال، علاوه بر ارزیابی برنامه‌های توسعه، نکات قابل توجهی برای فهم جامعه ایرانی را نیز در بر می‌گیرد. به همین دلیل، سر در آوردن از وضعیت اشتغال در کشور بسیار حائز اهمیت است. در این پروژه می‌خواهیم با مراجعه به داده‌های اشتغال در سرشماری مرکز آمار ایران در سال ۱۳۹۵ به تحلیل نیروی کار بپردازیم و به پرسش‌های مشخصی پاسخ دهیم. داده‌هایی که در این تحلیل مورد استفاده قرار خواهیم داد عبارت است از آمار نیروی کار به تفکیک وضعیت سکونت، جنسیت، گروه سنی در شهرستان‌های کشور. شاخصی که در تحلیل ما جایگاه کلیدی خواهد داشت «نسبت جمعیت شاغل به کل جمعیت بالای ۱۵ سال» است. در نتیجه، در این تحلیل در هر مرحله بعد از پاکسازی و پردازش داده‌ها مقدار این شاخص را محاسبه و از آن برای پاسخ به پرسش‌های طرح‌شده استفاده می‌کنیم. این پروژه در سه فاز پی گرفته خواهد شد. در فاز نخست داده‌های یکی از شهرستان‌های کشور را به عنوان نمونه مورد بررسی قرار می‌دهیم و به برخی سوالات خواسته شده پاسخ خواهیم داد تا روش‌های محاسباتی روی جداول را تمرین کنیم، سپس سراغ فاز دوم و سوم می‌رویم و با پردازش و تجمیع داده‌های کل کشور به مجموعۀ متنوع‌تری از پرسش‌ها پاسخ می‌دهیم و فهم خود را از وضعیت اشتغال در ایران عمیق‌تر کنیم. --------------------- * تصویر نخست از نقاشی‌های هوشنگ پزشک‌نیا انتخاب شده است.
- [تبدیل داده با dplyr](https://d-learn.ir/courses/dplyr/): یکی از مراحل مهم در تحلیل داده‌ها دستکاری و تغییر و تبدیل داده‌ها است. در این فرایند تحلیل‌گر داده‌ها را با امکاناتی که در اختیار دارد به شکلی در می‌آورد که بتواند بیشترین بینش را از دیتاست استخراج کند. این کار معمولا زمان زیادی از تحلیل‌گر می‌گیرد. کتابخانه dplyr صرفا برای این موضوع طراحی شده استو این کتابخانه با محموعه ابزارهایی که در اختیار شما قرار می‌دهد تا سرحد امکان این فرایند را ساده می‌کند. این درس شما را با ابزارهای اصلی این کتابخانه آشنا می‌کند.
- [نفرین فراوانی](https://d-learn.ir/courses/curse-of-plenty): این تصور در میان مردم غرب آسیا، شمال آفریقا و بسیاری از دیگر کشورها وجود دارد که دسترسی حکومت‌ها به منابعی مانند نفت، گاز و زغال سنگ و ... آن‌ها را به مردم بی‌نیاز می‌کند و این باعث ناکارآمد شدن اقتصاد، فساد و تضعیف دموکراسی می‌شود. بررسی این پدیده‌ در شاخه‌های مختلفی از علوم مانند اقتصاد سیاسی سابقه دارد و با عباراتی مانند «نفرین منابع» و «پارادوکس فراوانی» به آن پرداخته شده است. برای بررسی این که این ایده چقدر با واقعیت موجود در کشورهای جهان همخوانی دارد باید داده‌های مختلف درباره وضعیت آن‌ها را از هر دو زاویه در کنار هم قرار داد و تحلیل کرد. در این پروژه ابتدا منابعی برای پیدا کردن داده‌های منابع طبیعی در کشورها و تغییرات آن در سال‌های اخیر پیشنهاد خواهد شد. سپس داده‌هایی درباره عملکرد حکومت‌ها در شاخص‌هایی حول مفاهیمی مانند شفافیت، فساد و دموکراسی معرفی می‌شود. در این پروژه ابتدای باید داده‌های معرفی شده و روش تهیه آن‌ها را شناسایی کنید، سپس متغیرهای مناسب برای تحلیل رابطه مورد نظر را با استفاده از آن‌ها ایجاد کنید و در نهایت قدرت تبیین نظریه نفرین فراوانی را در قالب یک مدل آماری بیان کنید. تصویر بالا از یک نقاشی با همین نام گرفته شده است: Rodel Tapaya; The Paradox of Plenty, 2015
- [تحلیل داده‌های صادرات و واردات ایران](https://d-learn.ir/courses/iran-trade-data-analysis/): داده‌های تجارت خارجی ایران به صورت ماهانه در بخش آمار وبسایت گمرک در فایل‌های جداگانه منتشر می‌شود. این داده حاوی اطلاعات ارزشمندی درباره اقتصاد ایران و فرصت‌های موجود در آن است. پردازش و تحلیل داده‌های گمرک نه تنها برای توضیح تحولات اقتصادی در کشور کاربرد دارد، بلکه به کشف نکاتی منتهی می‌شود که در صورت آشنایی با زمینه‌های مربوطه ارزش تجاری مستقیم دارند. در این پروژه ابتدا باید جداولی که از سال‌های مختلف وجود دارد را فراخوانی کنیم و پس از پیش‌پردازش و یکسان‌سازی ساختار و اطمینان از مناسب بودن کیفیت آن‌ها را تجمیع کنیم. پس از آن بررسی کیفیت داده روی فایل یکپارچه شده آغاز می‌شود تا از محدودیت‌های موجود در داده آگاهی پیدا کنیم و در برخی موارد نیز اشکالات موجود را برطرف کنیم. پس از آن پرسش‌هایی مطرح می‌شود که باید با پردازش و تحلیل داده‌های گمرک به آن‌ها پاسخ دهیم یا خودمان پرسش‌های جدیدی مطرح کنیم و تحلیل داده را با هدف ارائه پاسخ به آن‌ها در دستور کار قرار دهیم.
- [مصورسازی داده با اکسل](https://d-learn.ir/courses/excel-viz/): اکسل یکی از پرکاربرترین ابزارهای کار با داده است که در عین سادگی، برای مدیریت داده‌های محدود و تحلیل‌های توصیفی بسیار قدرتمند است. یکی از جنبه‌های این قدرتمندی، قابلیت مصورسازی در اکسل است که مجموعه متنوعی از نمودارها با امکان قالب‌بندی و شخصی‌سازی گرافیکی را ارائه می‌کند. در این درس ابتدا به معرفی اصول مصورسازی داده خواهیم پرداخت و سپس با ذکر مثال‌های متعدد روش‌های مصورسازی در اکسل را می‌آموزیم.
- [آشنایی با آمار در R](https://d-learn.ir/courses/r-stats-intro/): یادگیری آمار در یک محیط کارگاهی مانند R مفاهیم آماری را ملموس و قابل فهم می‌کند. در عین حال R محبوب‌ترین ابزار کار در میان آماردانان و تحلیلگران داده است و خودش امکانات فراوانی برای تحلیل داده دارد. دسترسی به چنین قابلیت‌هایی در محیط R به شما امکان آزمون و خطا درباره مفاهیم آماری می‌دهد و به همین دلیل کیفیت یادگیری را برای شما به صورت چشمگیری افزایش می‌دهد. بسیاری افراد تازه زمانی به آمار علاقه‌مند می‌شوند که امکان پردازش و تحلیل داده را در محیطی مانند R پیدا می‌کنند. اگر دوست دارید با الفبای آمار آشنا شوید و شناخت اولیه‌ای از R دارید این درس را از دست ندهید. در هر بخشی از علوم داده که وارد شوید آشنایی با آمار از ضروریات است.
- [روایتگری با داده‌ و دیتاژورنالیسم](https://d-learn.ir/courses/storytelling-data-and-journalism/): در هر بخش از بازار تحلیل داده که کار کنید حتما سر و کارتان به گزارش‌نویسی، تولید مستند و تهیه ارائه افتاده است. این‌ها همه نیازمند مهارت‌هایی هستند که بیشتر از همه جا، خود را در «روایت‌گری با داده‌ها» نشان می‌دهند. باید بتوانیم دستاوردهای تحلیل داده را با خط سیر مشخص مانند یک داستان جذاب ارائه کنیم، به گونه‌ای که همه چیز برای مخاطب شفاف و قابل فهم و البته قابل نقد باشد. داده‌ها معمولا از منابع مختلف می‌آیند و مراحل زیادی را طی می‌کنند تا به اطلاعات و بینش‌های ارزشمند تبدیل شوند و به مخاطب برسند. به همین دلیل به راحتی ممکن است هنگام ارائه، مخاطب سر در گم شود و از چیزی سر در نیاورد. اینجاست که باید از هنر نویسندگی و داستان‌گویی کمک گرفت و از گسست جلوگیری کرد. ایده‌ها و داستان‌های زیادی هست که می‌توان با استفاده از داده‌ها آن‌ها را بهتر و تاثیرگذارتر تعریف کرد. از طرف دیگر، داستان‌های زیادی نیز در انبوه داده‌ها نهفته است که باید با تحلیل و موشکافی آن‌ها را استخراج کرد. به همین خاطر مهارت قصه‌گویی با داده‌ها (data story telling) را برای کسانی که با داده‌ها کار می‌‎کنند ضروری می‌دانند. ذهن تحلیلگر هیچ جا به اندازه خواندن و نوشتن متن‌های تحلیلی منسجم پرورش پیدا نمی‌کند. اگر بخواهیم این مهارت را یاد بگیریم هیچ جا بهتر از دیتاژورنالیسم (data journalism) نیست. چون در هیچ شاخه دیگری «کار با داده» تا این اندازه با «قصه‌گویی» عجین نشده است. منظور از دیتاژورنالیسم، روزنامه‌نگاری و انواع دیگر تولید محتوا با تاکید بر استفاده از داده‌هاست. در این دوره آموزشی با دیتاژورنالیسم آشنا می‌شویم، نمونه‌های جذاب و تاثیرگذار آن را بررسی می‌کنیم، امکانات تحلیل داده برای دیتاژورنالیسم را مرور می‌کنیم، انواع روایت‌گری با استفاده از داده‌ها را با مرور چند مثال معرفی می‌کنیم و استراتژی‌های موثر برای طرح سوال ارزشمند، ارائه موثر اطلاعات و گزارش‌نویسی گیرا و قابل فهم را یاد می‌گیریم.
- [وارد کردن داده در R](https://d-learn.ir/courses/data-import-in-r/): برای کار با R لازم است داده‌ها را در این محیط داشته باشید. وارد کردن داده‌ها در محیط R ساده و منعطف است. در این درس شما یاد خواهید گرفت چطور داده‌ها را از انواع فایل‌ها وارد کنید. فایل‌های csv، spss، excel، sas و stata از جمله فایل‌هایی است که شما می‌توانید آن‌ها را به راحتی در R فراخوانی کنید. این درس نحوه وارد کردن این نوع داده‌ها را به شما آموزش می‌دهد. یکی از ویژگی‌های مهم در R ارتباط گرفتن با پایگاه‌های داده مختلف و فراخوانی داده‌ از آن‌ها است. این درس شما را با مقدمات فراخوانی داده از انواع پایگاه داده مانند SQL SERVER و MY SQL نیز آشنا می‌کند.
- [آشنایی با Power BI](https://d-learn.ir/courses/powerbi-intro/): هوش تجاری فرآیندی است که در طی آن اطلاعات قابل اطمینان و قابل استفاده از مجموعه‌داده‌های موجود استخراج می‌شود و در زمان مناسب در اختیار افراد مناسب گذارده می‌شود تا مبنای تصمیم‌گیری آن‌ها قرار گیرد. هدف از هوش تجاری موارد زیر است: • کاوش برای الگوهای ناپیدا • پیدا کردن نقصان‌ها در فرآیند کسب‌وکار • تشخیص حوزه‌ها و بخش‌های دارای نقاط قوت و ضعف • تسریع و بهبود فرآیند تصمیم‌گیری مبتنی بر داده • ردیابی فرصت‌های جدید هوش تجاری ترجمه‌ی اصطلاح Business Intelligence است که بطور مخفف BI گفته می‌شود. BI در انتهای نام Power BI نیز به همین اشاره دارد.
- [آشنایی با SQL Server](https://d-learn.ir/courses/ms-sql-server-intro/): سیکوئل سرور (SQL Server یا MS SQL Server) یک پایگاه‌داده رابطه‌ای است که توسط شرکت مایکروسافت توسعه داده شده و به صورت سنتی روی سیستم عامل ویندوز اجرا می‌شود. سیکوئل سرور را در فارسی معمولاً اس‌کیو‌ال سرور تلفظ می‌کنیم اما در زبان اصلی تلفظ سیکوئل سرور (مثل sequel server) رایج‌تر است. در این دوره با این پایگاه‌داده آشنا خواهید شد. مقدمات کار با ابزار Management Studio را یاد می‌گیرید و به ویژگی‌ها، امکانات و قابلیت‌های این ابزار قدرتمند تسلط پیدا می‌کنید.
- [آشنایی با R](https://d-learn.ir/courses/r-intro/): آر (R) یک محیط پرقدرت، منعطف و در عین حال ساده برای پردازش و تحلیل داده است. در R به گسترۀ وسیعی از مدل‌های آماری، امکانات بصری‌سازی و روش‌های داده‌کاوی دسترسی خواهید داشت. با یادگیری R می‌توانید راحت و آسوده وارد دنیای تحلیل داده شوید. مهم نیست اگر هیچ سررشته‌ای از برنامه‌نویسی ندارید. همین اندازه بتوانید راحت با کامپیوتر کار کنید برای شروع یادگیری کافی است. اگر بتوانید با برنامه‌ای مانند اکسل کار کنید که دیگر چه بهتر. R برای کسانی که تجربه برنامه‌نویسی ندارند اما به تحلیل داده و به کارگیری گستردۀ آمار علاقه‌مندند بهترین انتخاب است.
- [تخمین مصرف برق ادارات و تاثیر آن در خاموشی‌ها](https://d-learn.ir/courses/power-estimation/): فرض کنید در نیمه مرداد سال 1400 هستیم و مصرف برق به اوج خود رسیده و نگرانی‌هایی بابت عدم تکافوی تولید برای تامین مصرف و بروز خاموشی‌های گسترده شده است. دولت قصد دارد برای کاهش مصرف برق، تمامی ادارات را چند روز تعطیل کند اما پیش از آن باید بداند به طور متوسط چند مگاوات از برق کشور در ادارات صرف می‌شود و تعطیلی ادارات چقدر می‌تواند در جلوگیری از ان موثر باشد.
- [آشنایی با اکسل](https://d-learn.ir/courses/excel-intro-0/): اکسل Excel یکی از محبوب‌ترین و در دسترس‌ترین ابزارهای تحلیل داده در ایران و جهان است. سازماندهی و استفاده از داده‌ها در قالب جدول‌های دو بعدی، یکی از رایج‌ترین و در عین حال کارآمدترین رویکردها در تحلیل‌های کمّی و تهیه گزارش‌های اطلاعاتی است. به همین سبب، افراد زیادی در دنیا با اکسل راحتند و از آن به عنوان ابزار تحلیل داده استفاده می‌کنند. به همین دلیل، بی‌راه نیست اگر بگوییم اکسل پرکاربرترین ابزار تحلیل داده در دنیا است. اکسل تنها ابزار کار کسانی که به صورت حرفه‌ای تحلیل داده انجام می‌دهند نیست، بلکه در درجۀ اول، یک ابزار عمومی برای مدیریت داده و تحلیل آن برای همه است. بسیاری از ما در زندگی روزمره خود با موقعیت‌هایی مواجه می‌شویم که باید در آن حساب و کتاب کنیم یا مثلا مدیریت مجموعه‌ای از محاسبات را به عهده بگیریم. در بسیاری مواقع این محاسبات روی کاغذ و با ماشین حساب انجام می‌شوند در حالی که اکسل فضا و امکاناتی در اختیارمان قرار می‌دهد که مدیریت محاسبات در آن بسیار ساده‌تر و کارآمدتر است.
- [آشنایی با SQL](https://d-learn.ir/courses/sql-intro/): در این درس می‌خواهیم زبان SQL را یاد بگیریم. تلفظ رایج ش «اِس‌ – کیو‌ – اِل» است و گاهی «سیکوئل» هم تلفظ می‌شود. این کلمه مخفف Structured Query Language به معنای زبانِ ساختاریافته پرس‌و‌جو ست. اس‌کیو‌ال یک زبان برنامه‌نویسی به معنای دقیقِ کلمه نیست، بلکه زبانی برای ارتباط با پایگاه‌های داده رابطه‌ای یا Relational Database ها به شمار می‌رود.
- [مصورسازی داده با ggplot۲](https://d-learn.ir/courses/ggplot2-intro/): R چندین سیستم برای ساخت نمودار دارد، اما ggplot2 یکی از زیباترین و همه کاره‌ترین آنهاست. این درس شروعی برای یادگیری و مهار کردن قدرت کتابخانه ggplot2 است. این کتابخانه امکان هر نوع مصورسازی داده را به شما می‌دهد و با منطق ساده‌ای که دارد کار را برای تصویر‌سازی ساده می‌کند. در انتهای این درس شما می‌توانید مجموعه‌ای از پرکاربردترین نمودارها را ترسیم کنید و تغییرات مورد نیاز خود را در آن‌ها بوجود آورید.
- [تحقیقات علمی و داده‌های بزرگ](https://d-learn.ir/courses/bigdata-scientific-research/): اگر در تعریف و توسعه یک پروژه تحقیقاتی که با داده‌های بزرگ (Big Data) سر و کار داشته مشارکت داشتید یا در حوزه علوم داده (Data Science) کار کرده باشید حتما با پرسش‌هایی از این دست مواجه شده‌اید که دسترسی به داده‌های انبوه تا کجا می‌تواند روی طراحی و انجام آزمایش‌های علمی اثر بگذارد؟ آیا می‌توان از علم داده‌ای حرف زد که انسان را از کشف و شهود و فرضیه‌سازی بی‌نیاز کند و مسئولیتِ تولید دانش و صورت‌بندی تبیین‌های علمی را خودش عهده‌دار شود؟ آیا داده‌های بزرگ می‌توانند فرایند استخراج دانش در علوم تجربی را به کلی زیر و رو کنند؟ این‌ها پرسش‌های ستبری است که نپرداختن به آن‌ها برای پژوهشگرانی که در این حوزه‌ها فعالیت می‌کنند منشا بروز تردید و گهگاه حتی بروز تشویش‌ می‌شود. برای پاسخ به این پرسش‌ها باید بین علوم داده، فلسفه و علوم اجتماعی پل زد. تولید ادبیات مناسب برای پاسخ به این پرسش‌ها برخی گزاره‌های مرسومِ هر سه طرف را تا به چالش می‌کشد و موجب غنای آن‌ها می‌شود. دانشنامه فلسفی استنفورد (SEP)، مدخلی دارد به نام Scientific Research and Big Data که در آن همین موضوعات پرداخته است. سابینا لیونلی (Sabina Leonelli) استاد تاریخ علم، پژوهشگر مطالعات داده و متخصص روش‌شناسی در فلسفه علم در دانشگاه اگزتر انگلستان این مدخل را نوشته و ادوارد زالتا (Edward Zalta) استاد فلسفه و پژوهشگر فلسفه ریاضی، معرفت‌شناسی و متافیزیک‌ِ محاسباتی در دانشگاه استنفورد آن را ویراسته است. علیرضا کدیور ترجمه این مدخل را در فروردین 1401 آغاز کرده و هر بخش را پس از تکمیل و ویراستاری در مدرسه دقیقه منتشر می‌کند. این ترجمه در نهایت به صورت یک کتاب نیز منتشر خواهد شد.

## برگه‌ها
- [Checkout](https://d-learn.ir/checkout/)
- [Cart](https://d-learn.ir/cart/)
- [تأیید گواهینامه](https://d-learn.ir/tutor-certificate-verification/)
- [گواهینامه](https://d-learn.ir/tutor-certificate/)
- [خبرنامه](https://d-learn.ir/newsletter-signup/): Thank you for confirming your subscription to our newsletter. We're excited to have you on board!
- [دانلود](https://d-learn.ir/download/): در این صفحه لینک دانلود نرم‌افزارها و ابزارهای مرتبط با تحلیل داده، مدلسازی و هوش مصنوعی به مرور قرار می‌گیرد تا در زمان‌هایی که به سایت‌های اصلی آنها دسترسی ندارید، بتوانید به آنها دسترسی داشته باشید.
- [شرایط و ضوابط استفاده از خدمات](https://d-learn.ir/terms/): به «مدرسه پردازش و تحلیل داده دقیقه» (که از این پس «مدرسه دقیقه» نامیده می‌شود) خوش آمدید. استفاده شما از وب‌سایت، خدمات، دوره‌ها و هرگونه محتوای ارائه شده توسط «مدرسه دقیقه» (به آدرس d-learn.ir و زیردامنه‌های آن) به منزله پذیرش کامل و بدون قید و شرط این «شرایط و ضوابط» (از این پس «توافق‌نامه») است.
- [همکاری با مدرسه دقیقه](https://d-learn.ir/jobs/):  
- [داده‌](https://d-learn.ir/data/): اگر داده‌ای در اختیار دارید و تمایل به انتشار آن دارید می‌توانید با ما تماس بگیرید.
- [رویدادها](https://d-learn.ir/events/): ویدئوی ضبط‌شده رویدادهای فوق در صفحه آن قابل دسترسی است.
- [لینک‌های مدرسه دقیقه](https://d-learn.ir/links/): دوره‌های امو.زشی و ...
- [دوره‌های سازمانی](https://d-learn.ir/org/): مدرسه دقیقه به شما کمک می‌کند تا با دوره‌های آموزشی اختصاصی، طراحی‌شده بر اساس نیازهای واقعی سازمان‌تان، سطح مهارت و کارایی تیم خود را به طور چشمگیری افزایش دهید.
- [کمپین پر تخفیف نوروز](https://d-learn.ir/nowruz/): تا ۲۹ اسفند فرصت دارید تا از تخفیف‌های نوروزی مدرسه دقیقه استفاده کنید. 
- [ویدئوهای آموزشی](https://d-learn.ir/training-videos/): 12 میلیون و 500 هزار تومانخرید دوره
- [بازنشانی رمز عبور](https://d-learn.ir/resetpass/): بازنشانی رمز عبور
- [ورود به حساب کاربری](https://d-learn.ir/login/): ورود استفاده از شماره تلفناستفاده از آدرس ایمیل مرا به خاطر بسپار ادامه بازیابی رمز عبور استفاده از شماره تلفناستفاده از آدرس ایمیل ادامه ثبت نام نام * رمز عبور * کپچا * ادامه قبلا عضو شده اید؟ ورود به سیستم
- [فراموشی رمز عبور](https://d-learn.ir/lostpassword/): ورود استفاده از شماره تلفناستفاده از آدرس ایمیل مرا به خاطر بسپار ادامه آیا هنوز عضو نشده اید؟ ثبت نام کنید بازیابی رمز عبور استفاده از شماره تلفناستفاده از آدرس ایمیل ادامه ثبت نام نام * رمز عبور * کپچا * ادامه قبلا عضو شده اید؟ ورود به سیستم
- [ایجاد حساب کاربری](https://d-learn.ir/register/): ورود استفاده از شماره تلفناستفاده از آدرس ایمیل مرا به خاطر بسپار ادامه آیا هنوز عضو نشده اید؟ ثبت نام کنید بازیابی رمز عبور استفاده از شماره تلفناستفاده از آدرس ایمیل ادامه ثبت نام نام * رمز عبور * کپچا * ادامه قبلا عضو شده اید؟ ورود به سیستم
- [](https://d-learn.ir/funding/): بورسیه آموزشی برای کسانی در نظر گرفته شده که امکان پرداخت هزینه‌های آموزشی را ندارند. این افراد در صورت معرفی توسط یک خیریه یا سازمان مردم‌نهاد می‌توانند از تسهیلات بورسیه استفاده کنند. پس از تاییدِ درخواست، مدرسه دقیقه با همکاری معرّف، جستجو برای منابع مالی‌ را آغاز می‌کند و در صورت پیدا کردن داوطلب برای تامین هزینه، بورسیه آموزشی به متقاضی تعلق می‌گیرد. 
- [ثبت نام دوره اختصاصی](https://d-learn.ir/sm-register/): ایجاد حساب کاربری
- [](https://d-learn.ir/future-works/): برای مشاهده مواردی که در حال حاضر در دسترس هستند به صفحه «درس‌ها» مراجعه کنید.
- [تماس](https://d-learn.ir/contact/): تماس dlearn.ir dlearn dlearn_ir dlearn_ir 98-21-88349244+ تهران، میدان هفت تیر، بلوار کریمخان، خیابان حسینی، جنب میدان سنایی، پلاک ۶۱، ساختمان ۴۹ واحد ۳۰۱
- [دوره‌های آنلاین و حضوری](https://d-learn.ir/trainings/): نسخه آفلاین (ویدئوی ضبط‌شده و سایر فایل‌ها) برای اغلب دوره‌های برگزارشده در بخش ویدئوهای ضبط‌شده موجود است. اگر عنوان مورد نظر خود را در این بخش پیدا نکردید موارد به پشتیبانی پیام بدهید: 
- [SM.LostPassword.old](https://d-learn.ir/lostpasswordold/): فراموشی رمز عبور 021-88551959 info@d-learn.ir
- [SM.Register.old](https://d-learn.ir/registerold/): ثبت نام در مدرسه خوش آمدید! 021-88551959 info@d-learn.ir
- [SM.Login.old](https://d-learn.ir/loginold/): ورود به حساب کاربری خوش آمدید! 021-88551959 info@d-learn.ir
- [اشتراک‌ها](https://d-learn.ir/plans/): با خرید اشتراک به «درسنامه‌ها» دسترسی پیدا می‌کنید.درسنامه‌ها مجموعه‌ای توضیحات متنی، کد، تمرین، داده و پروژه هستند.
- [پیشخوان](https://d-learn.ir/membership-account/your-profile/): برای ویرایش نمایهٔ خود وارد شوید.
- [طرح‌ها](https://d-learn.ir/membership-account/membership-levels/)
- [صورتحساب اشتراک](https://d-learn.ir/membership-account/membership-invoice/): صورتحساب
- [تایید اشتراک](https://d-learn.ir/membership-account/membership-confirmation/)
- [تایید و پرداخت](https://d-learn.ir/membership-account/membership-checkout/): تایید و پرداخت
- [لغو اشتراک](https://d-learn.ir/membership-account/membership-cancel/): لغو اشتراک
- [پرداخت صورتحساب](https://d-learn.ir/membership-account/membership-billing/): پرداخت صورتحساب
- [مدیریت اشتراک](https://d-learn.ir/membership-account/): مدیریت اشتراک حساب کاربری من خوش آمدید، نام کاربری: ایمیل: ویرایش پروفایل | تغییر رمز عبور | خروج عضویت های من شما اشتراک فعالی ندارید. یک سطح اشتراک انتخاب کنید.
- [پرانتز](https://d-learn.ir/p/): معرفی و مرور کتاب «علم داده» از سری کتاب‌های دانش‌های ضروری انتشارات دانشگاه ام‌آی‌تی
- [درباره مدرسه دقیقه](https://d-learn.ir/about/): مدرسه پردازش و تحلیل دادۀ دقیقه، آموزش موضوعات مختلف علومِ داده را مانند تحلیل اکتشافی داده‌‌ها، مهندسی داده، یادگیری ماشین و استنتاج آماری از آشنایی اولیه تا درس‌های کاربردی و پیشرفته پوشش می‌دهد.  
- [SM.Login.del](https://d-learn.ir/login-old/): خوش آمدید
ورود به حساب کاربری +33 877 554 332 info@website.com
- [Courses Page](https://d-learn.ir/courses/)
- [پیشخوان](https://d-learn.ir/dashboard/): ثبت‌نام به‌عنوان مدرس
- [Student Registration](https://d-learn.ir/student-registration/): نام نام خانوادگی نام کاربری ایمیل رمز عبور تأیید رمز عبور با ثبت‌نام، موافقت می‌کنید با شرایط و قوانین ثبت‌نام قبلاً حساب دارید؟ ورود
- [خانه](https://d-learn.ir/): یادگیری گام‌به‌گامِ

## دسته‌ها
- [Uncategorized](https://d-learn.ir/c/uncategorized/)
- [آموزش‌های اختصاصی](https://d-learn.ir/c/program/)
- [اخبار](https://d-learn.ir/p/news/)
- [بازار کار داده](https://d-learn.ir/p/datajobs/)
- [بازه اطمینان](https://d-learn.ir/p/confinterval/)
- [پرانتز](https://d-learn.ir/c/parantez/)
- [پنجره بازار کار](https://d-learn.ir/c/jobwin/)
- [تحلیل داده‌های مالی](https://d-learn.ir/c/parantez/%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%af%d8%a7%d8%af%d9%87%d9%87%d8%a7%db%8c-%d9%85%d8%a7%d9%84%db%8c/)
- [جعبه‌ابزار](https://d-learn.ir/p/toolbox/)
- [داده](https://d-learn.ir/p/data)
- [داده در کسب و کار](https://d-learn.ir/p/bdstory/)
- [درس‌های دانشگاهی](https://d-learn.ir/c/university-courses/)
- [دوره‌های سازمانی](https://d-learn.ir/c/program/organizations/)
- [کارگاه، وبینار، نشست](https://d-learn.ir/c/events/)
- [گزارش‌های سالانه](https://d-learn.ir/c/parantez/%da%af%d8%b2%d8%a7%d8%b1%d8%b4%d9%87%d8%a7%db%8c-%d8%b3%d8%a7%d9%84%d8%a7%d9%86%d9%87/)
- [مشترک](https://d-learn.ir/c/program/cooperation/)
- [معرفی و مرور کتاب](https://d-learn.ir/p/bookreview/)
- [معما و مسابقه](https://d-learn.ir/p/weekriddle/)
- [میدان گرانش](https://d-learn.ir/p/gravfield/)
- [نقد و بررسی](https://d-learn.ir/p/review/)
- [نقشه راه](https://d-learn.ir/p/roadmap/)
- [ویژه](https://d-learn.ir/c/parantez/sgt/)

## برچسب‌ها
- [#پایتون](https://d-learn.ir/tag/%d9%be%d8%a7%db%8c%d8%aa%d9%88%d9%86-2/)
- [#شبکه عصبی](https://d-learn.ir/tag/%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c/)
- [#شبکه عصبی گراف](https://d-learn.ir/tag/%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-%da%af%d8%b1%d8%a7%d9%81/)
- [#مدل زبانی](https://d-learn.ir/tag/%d9%85%d8%af%d9%84-%d8%b2%d8%a8%d8%a7%d9%86%db%8c/)
- [#یادگیری ماشین](https://d-learn.ir/tag/%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-2/)
- [agile scrum چیست](https://d-learn.ir/tag/agile-scrum-%da%86%db%8c%d8%b3%d8%aa/)
- [agile چیست](https://d-learn.ir/tag/agile-%da%86%db%8c%d8%b3%d8%aa/)
- [agile معنی](https://d-learn.ir/tag/agile-%d9%85%d8%b9%d9%86%db%8c/)
- [AI](https://d-learn.ir/tag/ai/)
- [AI learn](https://d-learn.ir/tag/ai-learn/)
- [Bag of Words](https://d-learn.ir/tag/bag-of-words/)
- [Beautiful Soap](https://d-learn.ir/tag/beautiful-soap/)
- [bias](https://d-learn.ir/tag/bias/)
- [bias در یادگیری ماشین](https://d-learn.ir/tag/bias-%d8%af%d8%b1-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/)
- [chart](https://d-learn.ir/tag/chart/)
- [computation](https://d-learn.ir/tag/computation/)
- [Computational Social Science](https://d-learn.ir/tag/computational-social-science/)
- [computational social sciences](https://d-learn.ir/tag/computational-social-sciences/)
- [cpi](https://d-learn.ir/tag/cpi/)
- [css](https://d-learn.ir/tag/css/)
- [data driven چیست](https://d-learn.ir/tag/data-driven-%da%86%db%8c%d8%b3%d8%aa/)
- [data visualization](https://d-learn.ir/tag/data-visualization/)
- [Data-driven culture](https://d-learn.ir/tag/data-driven-culture/)
- [Data-Driven Management](https://d-learn.ir/tag/data-driven-management/)
- [DAX](https://d-learn.ir/tag/dax/)
- [Digital Transformation](https://d-learn.ir/tag/digital-transformation/)
- [Digital Transformation Course Iran](https://d-learn.ir/tag/digital-transformation-course-iran/)
- [Evidence-Based Management](https://d-learn.ir/tag/evidence-based-management/)
- [excel](https://d-learn.ir/tag/excel/)
- [GDP](https://d-learn.ir/tag/gdp/)
- [gdp ایران](https://d-learn.ir/tag/gdp-%d8%a7%db%8c%d8%b1%d8%a7%d9%86/)
- [generative art](https://d-learn.ir/tag/generative-art/)
- [ggplot](https://d-learn.ir/tag/ggplot/)
- [ggplot example](https://d-learn.ir/tag/ggplot-example/)
- [ggplot histogram](https://d-learn.ir/tag/ggplot-histogram/)
- [ggplot style](https://d-learn.ir/tag/ggplot-style/)
- [ggplot2](https://d-learn.ir/tag/ggplot2/)
- [ggplot2 package](https://d-learn.ir/tag/ggplot2-package/)
- [HHypothesis testing](https://d-learn.ir/tag/hhypothesis-testing/)
- [Hl](https://d-learn.ir/tag/hl/)
- [KPI و شاخص‌های عملکرد](https://d-learn.ir/tag/kpi-%d9%88-%d8%b4%d8%a7%d8%ae%d8%b5%d9%87%d8%a7%db%8c-%d8%b9%d9%85%d9%84%da%a9%d8%b1%d8%af/)
- [Lemmetization](https://d-learn.ir/tag/lemmetization/)
- [LLM](https://d-learn.ir/tag/llm/)
- [LLM in Python](https://d-learn.ir/tag/llm-in-python/)
- [lq](https://d-learn.ir/tag/lq/)
- [Machine Learning](https://d-learn.ir/tag/machine-learning/)
- [market research](https://d-learn.ir/tag/market-research/)
- [market research به فارسی](https://d-learn.ir/tag/market-research-%d8%a8%d9%87-%d9%81%d8%a7%d8%b1%d8%b3%db%8c/)
- [market research چیست](https://d-learn.ir/tag/market-research-%da%86%db%8c%d8%b3%d8%aa/)
- [Microsoft Excel](https://d-learn.ir/tag/microsoft-excel/)
- [ML](https://d-learn.ir/tag/ml/)
- [NGO](https://d-learn.ir/tag/ngo/)
- [NLP in Python](https://d-learn.ir/tag/nlp-in-python/)
- [nlp tutorial](https://d-learn.ir/tag/nlp-tutorial/)
- [nlp پردازش زبان طبیعی](https://d-learn.ir/tag/nlp-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%b2%d8%a8%d8%a7%d9%86-%d8%b7%d8%a8%db%8c%d8%b9%db%8c/)
- [NLP چیست؟](https://d-learn.ir/tag/nlp-%da%86%db%8c%d8%b3%d8%aa%d8%9f/)
- [P-value](https://d-learn.ir/tag/p-value/)
- [pandas](https://d-learn.ir/tag/pandas/)
- [pandas tutorial](https://d-learn.ir/tag/pandas-tutorial/)
- [pandas پایتون](https://d-learn.ir/tag/pandas-%d9%be%d8%a7%db%8c%d8%aa%d9%88%d9%86/)
- [pandas چیست](https://d-learn.ir/tag/pandas-%da%86%db%8c%d8%b3%d8%aa/)
- [pandas در پایتون](https://d-learn.ir/tag/pandas-%d8%af%d8%b1-%d9%be%d8%a7%db%8c%d8%aa%d9%88%d9%86/)
- [pdf جدول](https://d-learn.ir/tag/pdf-%d8%ac%d8%af%d9%88%d9%84/)
- [plot](https://d-learn.ir/tag/plot/)
- [polars](https://d-learn.ir/tag/polars/)
- [Posit](https://d-learn.ir/tag/posit/)
- [Power BI](https://d-learn.ir/tag/power-bi/)
- [PowerBI](https://d-learn.ir/tag/powerbi/)
- [python](https://d-learn.ir/tag/python/)
- [R](https://d-learn.ir/tag/r/)
- [R اپیدمولوژی](https://d-learn.ir/tag/r-%d8%a7%d9%be%db%8c%d8%af%d9%85%d9%88%d9%84%d9%88%da%98%db%8c/)
- [R برای علوم داده](https://d-learn.ir/tag/r-%d8%a8%d8%b1%d8%a7%db%8c-%d8%b9%d9%84%d9%88%d9%85-%d8%af%d8%a7%d8%af%d9%87/)
- [R بیماری](https://d-learn.ir/tag/r-%d8%a8%db%8c%d9%85%d8%a7%d8%b1%db%8c/)
- [R پزشکی](https://d-learn.ir/tag/r-%d9%be%d8%b2%d8%b4%da%a9%db%8c/)
- [R سلامت](https://d-learn.ir/tag/r-%d8%b3%d9%84%d8%a7%d9%85%d8%aa/)
- [r4ds](https://d-learn.ir/tag/r4ds/)
- [regex in python](https://d-learn.ir/tag/regex-in-python/)
- [regular expression in python](https://d-learn.ir/tag/regular-expression-in-python/)
- [RStudio](https://d-learn.ir/tag/rstudio/)
- [scrum](https://d-learn.ir/tag/scrum/)
- [scrum agile چیست](https://d-learn.ir/tag/scrum-agile-%da%86%db%8c%d8%b3%d8%aa/)
- [scrum master چیست](https://d-learn.ir/tag/scrum-master-%da%86%db%8c%d8%b3%d8%aa/)
- [scrum master معنی](https://d-learn.ir/tag/scrum-master-%d9%85%d8%b9%d9%86%db%8c/)
- [scrum چیست](https://d-learn.ir/tag/scrum-%da%86%db%8c%d8%b3%d8%aa/)