تحلیل داده با هوش مصنوعی

هدف از این ارائه، آشنایی فراگیران با مبانی تحلیل داده و کاربرد هوش مصنوعی در انجام فرایندهای مختلف تحلیل داده است. انتظار می‌رود فراگیر پس از پایان این درس، ضمن آشنایی با مفهوم تحلیل داده و نقش آن در تصمیم‌گیری مبتنی بر داده، بتواند مراحل اصلی تحلیل داده شامل جمع‌آوری، پاک‌سازی، آماده‌سازی، تحلیل و مصورسازی داده‌ها را بشناسد. همچنین فراگیر خواهد آموخت چگونه با استفاده از ابزارهای هوش مصنوعی، داده‌های موجود در فایل‌های اکسل را تحلیل کند، گزارش‌های آماری و نمودارهای مناسب تولید نماید و در صورت نیاز، کدهای تحلیل را از هوش مصنوعی دریافت کرده و در محیط محلی اجرا کند. در پایان، فراگیر با محدودیت‌ها، خطاهای رایج و اصول تفسیر صحیح نتایج تحلیل داده نیز آشنا خواهد شد.

1. مبانی تحلیل داده
   • مفهوم تحلیل داده و نقش روش‌های آماری و محاسباتی
   • انواع داده‌های ساختاریافته، نیمه‌ساختاریافته و بدون ساختار
   • تفاوت داده، اطلاعات و دانش
   • نقش تحلیل داده در استخراج الگو، کسب بینش و تصمیم‌گیری مبتنی بر داده
   • مراحل کلی فرایند تحلیل داده؛ از جمع‌آوری و آماده‌سازی تا تحلیل و مصورسازی
2. فرایند تحلیل داده در یک مثال واقعی
   • طرح مسئله و پرسش تحلیلی
   • جمع‌آوری داده‌های مرتبط
   • مصورسازی داده برای شناسایی الگوها
   • کشف روابط و الگوهای معنادار در داده
   • تبدیل یافته‌های حاصل از تحلیل به تصمیم و اقدام
   • بررسی نمونه تاریخی تحلیل داده در مطالعه شیوع وبا توسط جان اسنو
3. کاربردها و ابزارهای تحلیل داده
   • کاربرد تحلیل داده در حوزه‌هایی مانند پزشکی و سلامت، مالی، بازاریابی، آموزش، ورزش و رسانه
   • آشنایی با نقش تحلیل داده در پیش‌بینی، کشف الگو و تصمیم‌گیری
   • آشنایی مقدماتی با یادگیری ماشین و کاربرد آن در تحلیل و پیش‌بینی داده‌ها
   • معرفی Python به‌عنوان یکی از ابزارهای اصلی تحلیل داده
   • آشنایی با محیط‌های اجرای تحلیل داده و کتابخانه‌های رایج پایتون
4. آشنایی با ابزارهای تحلیل داده در پایتون
   • معرفی NumPy و مفهوم آرایه
   • انجام محاسبات و عملیات برداری با NumPy
   • معرفی Pandas و مفاهیم Series و DataFrame
   • خواندن و بررسی داده‌های موجود در فایل‌های Excel
   • آشنایی با Matplotlib و Seaborn برای مصورسازی داده
   • آشنایی اجمالی با سایر کتابخانه‌های مورد استفاده در تحلیل داده و یادگیری ماشین
5. جمع‌آوری، آماده‌سازی و پاک‌سازی داده
   • منابع مختلف جمع‌آوری داده
   • اهمیت کیفیت داده در تحلیل
   • شناسایی مقادیر گمشده و تصمیم‌گیری درباره نحوه مدیریت آن‌ها
   • شناسایی و مدیریت داده‌های تکراری
   • شناسایی و اصلاح قالب‌ها و مقادیر ناسازگار
   • شناسایی داده‌های غیرمنطقی و مقادیر پرت نامعتبر
   • استانداردسازی و آماده‌سازی داده برای تحلیل
6. تحلیل و مصورسازی داده
   • تحلیل اکتشافی داده‌ها و شناسایی الگوها و روابط
   • محاسبه آمار توصیفی مانند میانگین، میانه، کمینه، بیشینه و انحراف معیار
   • بررسی رابطه بین متغیرها و محاسبه و تفسیر همبستگی
   • گروه‌بندی و مقایسه داده‌ها
   • شناسایی داده‌های غیرعادی و الگوهای قابل توجه
   • انتخاب و تولید نمودار متناسب با پرسش تحلیلی
   • استفاده از نمودارهای خطی، ستونی، پراکندگی و سایر روش‌های مصورسازی
7. تحلیل داده با استفاده از هوش مصنوعی
   • معرفی داده و ساختار آن به مدل هوش مصنوعی
   • تعیین پرسش‌ها و اهداف تحلیل پیش از شروع کار
   • طراحی Prompt مناسب برای تحلیل داده
   • استفاده از هوش مصنوعی برای بهبود و تکمیل Prompt
   • پاک‌سازی و آماده‌سازی داده با کمک هوش مصنوعی
   • تولید آمار توصیفی، جدول‌ها و مقایسه‌های موردنیاز
   • بررسی روابط میان متغیرها و محاسبه شاخص‌هایی مانند همبستگی
   • تولید نمودار و بررسی داده‌های غیرعادی
   • ممیزی و بازبینی پاسخ و نتایج تولیدشده توسط هوش مصنوعی
8. تولید و اجرای کد تحلیل داده با کمک هوش مصنوعی
   • درخواست تولید کد تحلیل داده از مدل هوش مصنوعی
   • معرفی صحیح ساختار داده بدون نیاز به ارسال خود داده
   • مشخص‌کردن هدف تحلیل و محیط اجرای کد
   • تولید کد Python برای خواندن، آماده‌سازی و تحلیل داده
   • استفاده از Pandas و سایر کتابخانه‌های مناسب در کد تولیدشده
   • اجرای محلی کد تولیدشده، به‌ویژه برای داده‌های محرمانه یا غیرقابل‌اشتراک
   • بررسی و اصلاح کد و نتایج پیش از استفاده نهایی

1. آزمون‌های چندگزینه‌ای پایان هر بخش
2. تمرین‌های برنامه‌سازی
3. آزمون پایانی