۱. تفکر الگوریتمی و برنامه‌نویسی با پایتون (۱۰ جلسه)

مقدمه‌ای درباره کامپیوتر و تفکر محاسباتی
برنامه‌نویسی به زبان Python

• مقدارها و عملگرهای پایه
• شرط و حلقۀ تکرار
• توابع پیش‌ساخته و جدید
• متغیرهای پیمایش‌پذیر
• مجموعه و دیکشنری

آشنایی با روش‌های تحلیل و طراحی الگوریتم
برنامه‌نویسی پیمانه‌ای و استفاده از کتابخانه
تولید اعداد تصادفی و شبیه‌سازی مونت‌کارلو
تحلیل و مصورسازی مقدماتی داده با کتابخانه‌های Numpy و Matplotlib

۲. مبانی علوم داده، پردازش، مصورسازی (۱۰ جلسه)

علوم داده چیست و چه گرایش‌هایی دارد؟

• تحلیل موضوع / کسب‌وکار
• مهندسی داده
• تحلیل داده

احیای چرخه علوم داده در کسب و کار با طرح سوال اثرگذار و ارزشمند
ریاضیات علوم داده

• مشتق‌گیری و بهینه‌یابی
• جبر خطی
• احتمال
• آشنایی با مفاهیم آماری

آشنایی با مهندسی داده

• روش‌ها و ساختارهای ذخیره‌سازی داده
• پایگاه‌های داده رابطه‌ای و غیررابطه‌ای و انبار داده
• سازماندهی داده در قالب جدول
• آشنایی با ساختار طولی و عرضی در جداول
• کار با ساختارهای جدولی با کتابخانه Pandas

مصورسازی داده و ترسیم نمودار

• چند ملاحظه مهم درباره مصورسازی داده
• انواع مصورسازی داده: معرفی نمونه‌های جذاب
• ترسیم نمودار در پایتون با کتابخانه‌های Matplotlib و Seaborn و plotly
• مصورسازی خوب و مصورسازی بد: مرور چند نمونه واقعی

اتصال به پایگاه‌های داده رابطه‌ای با Pandas
آشنایی با عبارات قاعده‌مند (Regular Expressions)

۳. داده‌کاوی و یادگیری ماشین (۱۲ جلسه)

مبانی و مفاهیم
مدل‌های پیش‌بینی

• رگرسیون
• رگرسیون لجستیک
• درخت تصمیم
• نزدیک‌ترین k-همسایه
• بردار پشتیبان
• بیز ساده

خوشه‌بندی

• k-میانگین
• روش سلسله‌مراتبی
• روش‌های مبتنی بر چگالی

پیدا کردن داده‌های پرت
قواعد همبستگی (تحلیل سبد خرید)
یادگیری جمعی
کاهش ابعاد داده
آشنایی با مبانی شبکه‌های عصبی و یادگیری عمیق

۴. پروژه پایانی (۱ جلسه):

تعریف پروژه پایانی و گروه‌بندی
برنامه‌ریزی برای تحویل پروژه و ارائه بازخورد