فاز ۲: چهار ستون علم داده | تسلط بر پاکسازی و تحلیل اکتشافی (Data Cleaning & Inferential Statistics)

🚀 عبور از ظاهر داده‌ها و کشف حقایق پنهان

اگر در فاز ۱ یاد گرفتید چگونه “رانندگی کنید”، در فاز ۲ یاد می‌گیرید چگونه “موتور ماشین را تعمیر و تقویت کنید”. بسیاری از افراد فکر می‌کنند علم داده یعنی فقط رسم نمودار. اما در دنیای واقعی، ۸۰٪ وقت یک متخصص داده صرف تمیز کردن داده‌های کثیف (Cleaning) و ۲۰٪ باقی‌مانده صرف اثبات علمی نتایج (Statistics) می‌شود. این دوره دقیقاً برای پوشش دادن همین واقعیت طراحی شده است.

💡 چرا به این دوره نیاز دارید؟ (The Pain Point)

• داده‌های واقعی هرگز تمیز نیستند: داده‌های بازار پر از غلط املایی، مقادیر خالی (Null) و فرمت‌های اشتباه هستند. اگر نتوانید این‌ها را تمیز کنید، هیچ مدلی روی آن‌ها کار نخواهد کرد.

• نمودارها کافی نیستند: اینکه بگویید “فروش گروه A از گروه B بیشتر است” کافی نیست. مدیران از شما می‌پرسند: “آیا این اختلاف شانسی بوده یا واقعاً معنادار است؟” اینجاست که باید آمار استنباطی بلد باشید.

---

🛠️ پروژه‌های عملی این فاز (از داده‌های کثیف تا تصمیمات قطعی)

در این مسیر، ما با ۵ چالش سطح‌بالا روبرو می‌شویم:

۱. پروژه پاکسازی دیتاست پزشکی (Data Cleaning Mastery)

• چالش: یک فایل پر از داده‌های بیمار با فرمت‌های تاریخ اشتباه، اسامی تکراری و مقادیر گم‌شده.

• آنچه انجام می‌دهید: با استفاده از تکنیک‌های پیشرفته Pandas و Regex، داده‌ها را جراحی و استانداردسازی می‌کنید.

• منفعتی که می‌برید: یاد می‌گیرید چگونه با “داده‌های کثیف” (Dirty Data) نترسید و آن‌ها را رام کنید.

۲. طراحی و تحلیل A/B Test (تصمیم‌گیری تجاری)

• چالش: آیا تغییر رنگ دکمه خرید در سایت، باعث افزایش فروش شده است؟

• آنچه انجام می‌دهید: طراحی یک آزمایش علمی، جمع‌آوری داده و انجام آزمون T-test با کتابخانه SciPy برای سنجش مقدار P-value.

• منفعتی که می‌برید: یاد می‌گیرید به جای “حدس زدن”، با “ریاضیات” تصمیم بگیرید. مهارتی که شرکت‌های بزرگ برای آن پول خوبی می‌دهند.

۳. تحلیل متن و استخراج اطلاعات (Text Analysis)

• چالش: استخراج الگوها از بین هزاران کامنت مشتریان.

• آنچه انجام می‌دهید: کار با داده‌های متنی (String Manipulation) برای پیدا کردن کلمات کلیدی و دسته‌بندی نظرات.

• منفعتی که می‌برید: ورود به دنیای پردازش زبان طبیعی (NLP) در سطح مقدماتی.

۴. داشبورد کنترل کیفیت آماری (Statistical QC)

• چالش: تشخیص محصولات معیوب در خط تولید قبل از خرابی.

• آنچه انجام می‌دهید: رسم نمودارهای Box Plot و Violin Plot با Matplotlib برای شناسایی داده‌های پرت (Outliers).

• منفعتی که می‌برید: توانایی تشخیص ناهنجاری‌ها (Anomaly Detection) در هر سیستم داده‌ای.

---

🎓 خروجی شما بعد از پایان فاز ۲

شما دیگر یک مبتدی نیستید؛ شما یک «تحلیلگر داده» (Data Analyst) هستید.

1. تمیزکار حرفه‌ای: هیچ داده‌ای (هرچقدر هم به هم ریخته) نمی‌تواند شما را متوقف کند.

2. قاضی داده‌ها: می‌توانید با قاطعیت بگویید کدام استراتژی کسب‌وکار موفق بوده و کدام شکست خورده (با زبان آمار).

3. آماده برای فاز ۳: حالا که داده‌ها تمیز و تحلیل شده‌اند، آماده‌اید تا در فاز بعد مدل‌های پیچیده و داشبوردهای مدیریتی بسازید.

---

📊 شناسنامه دوره در یک نگاه

• 🎓 سطح دوره: متوسط (Intermediate)

• 👥 مخاطبان: کسانی که فاز ۱ را گذرانده‌اند یا با Pandas مقدماتی آشنا هستند.

• 🔑 پیش‌نیاز: تسلط بر ساختارهای پایه (Series, DataFrame) و رسم نمودار ساده.

• 🎯 تمرکز اصلی: Data Cleaning (پاکسازی) + Hypothesis Testing (آزمون فرضیه).

• 💼 کاربرد شغلی: ضروری برای مصاحبه‌های استخدامی (بخش سوالات آماری و فنی).

---

[وقتی این دوره موجود شد به من خبر بده] (دکمه لیست انتظار)