اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل داده‌های آماری پیشرفته با زبان R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های آماری پیشرفته با زبان R

موضوع کلی: علوم کامپیوتر و تحلیل داده

موضوع میانی: زبان برنامه‌نویسی آماری و تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌های آماری پیشرفته با R
• 2. نصب و پیکربندی محیط R و RStudio
• 3. مبانی زبان R برای تحلیل داده
• 4. ساختارهای داده در R: بردارها، ماتریس‌ها، لیست‌ها و فریم‌های داده
• 5. عملیات پایه بر روی داده‌ها در R
• 6. مدیریت داده‌ها: وارد کردن و پاکسازی داده‌ها
• 7. کار با داده‌های گمشده و پرت
• 8. بسته‌های R برای مدیریت و دستکاری داده‌ها
• 9. دستکاری داده‌ها با dplyr
• 10. فیلتر کردن، انتخاب و مرتب‌سازی داده‌ها
• 11. تجمع و خلاصه‌سازی داده‌ها
• 12. ترکیب فریم‌های داده
• 13. کار با رشته‌ها و عبارات باقاعده
• 14. عملیات منطقی و شرطی در R
• 15. حلقه‌ها و توابع در R
• 16. نوشتن توابع سفارشی در R
• 17. مقدمه‌ای بر تجسم داده‌ها در R
• 18. اصول بصری‌سازی داده‌ها
• 19. بسته ggplot2 برای تجسم پیشرفته
• 20. نمودارهای پراکندگی و خطی
• 21. نمودارهای میله‌ای و هیستوگرام
• 22. نمودارهای جعبه‌ای و ویولون
• 23. نقشه‌های حرارتی و نمودارهای سه‌بعدی
• 24. تنظیمات پیشرفته نمودارها
• 25. بصری‌سازی داده‌های مکانی در R
• 26. مقدمه‌ای بر مدل‌سازی آماری
• 27. انواع مدل‌های آماری
• 28. رگرسیون خطی ساده
• 29. تفسیر ضرایب رگرسیون
• 30. ارزیابی مدل رگرسیون خطی
• 31. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 32. رگرسیون لجستیک
• 33. تفسیر مدل رگرسیون لجستیک
• 34. مدل‌های پواسون و شمارش
• 35. مقدمه‌ای بر تحلیل سری‌های زمانی
• 36. اجزای سری زمانی: روند، فصلی بودن، نوسانات
• 37. مدل‌های ARIMA
• 38. تشخیص و برازش مدل‌های ARIMA
• 39. پیش‌بینی با مدل‌های ARIMA
• 40. مقدمه‌ای بر یادگیری ماشین در R
• 41. انواع الگوریتم‌های یادگیری ماشین
• 42. یادگیری بدون نظارت: خوشه‌بندی
• 43. الگوریتم K-Means
• 44. یادگیری بدون نظارت: کاهش ابعاد
• 45. تحلیل مؤلفه‌های اصلی (PCA)
• 46. یادگیری با نظارت: درخت‌های تصمیم
• 47. تفسیر درخت‌های تصمیم
• 48. مقدمه‌ای بر جنگل‌های تصادفی
• 49. تنظیم پارامترهای جنگل‌های تصادفی
• 50. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 51. کاربرد SVM در طبقه‌بندی
• 52. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 53. کاربرد شبکه‌های عصبی در تحلیل داده
• 54. بهینه‌سازی پارامترها در مدل‌های آماری
• 55. اعتبارسنجی متقابل (Cross-validation)
• 56. تنظیم فراپارامترها (Hyperparameter tuning)
• 57. ارزیابی عملکرد مدل‌های طبقه‌بندی
• 58. متریک‌های ارزیابی: دقت، صحت، بازیابی، F1-score
• 59. متریک‌های ارزیابی مدل‌های رگرسیون
• 60. خطای میانگین مربعات (MSE) و ریشه خطای میانگین مربعات (RMSE)
• 61. ضریب تعیین (R-squared)
• 62. مقدمه‌ای بر تحلیل بقا
• 63. تابع بقا و تابع خطر
• 64. مدل کاکس (Cox proportional hazards model)
• 65. تفسیر ضرایب در مدل کاکس
• 66. مقدمه‌ای بر آمار بیزی در R
• 67. مبانی استنتاج بیزی
• 68. کاربرد بسته‌های بیزی در R
• 69. مدل‌سازی بیزی برای رگرسیون خطی
• 70. مدل‌سازی بیزی برای رگرسیون لجستیک
• 71. تجسم نتایج بیزی
• 72. مقدمه‌ای بر تحلیل داده‌های بزرگ (Big Data)
• 73. چالش‌های تحلیل داده‌های بزرگ
• 74. کار با بسته‌های R برای داده‌های بزرگ
• 75. مقدمه‌ای بر ادغام داده‌ها (Data Integration)
• 76. روش‌های ادغام داده‌ها
• 77. مقدمه‌ای بر پاکسازی و پیش‌پردازش داده‌های پیچیده
• 78. روش‌های پیشرفته دستکاری داده‌ها
• 79. کار با داده‌های متنی (Text Mining)
• 80. تحلیل احساسات (Sentiment Analysis)
• 81. بسته‌های R برای تحلیل متنی
• 82. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی (Social Network Analysis)
• 83. مفاهیم پایه در تحلیل شبکه‌های اجتماعی
• 84. بسته‌های R برای تحلیل شبکه‌های اجتماعی
• 85. مقدمه‌ای بر بصری‌سازی داده‌های تعاملی
• 86. بسته‌های R برای بصری‌سازی تعاملی
• 87. ساخت داشبوردهای آماری با R
• 88. کاربرد R در پروژه‌های تحلیل داده عملی
• 89. مطالعه موردی تحلیل داده در حوزه سلامت
• 90. مطالعه موردی تحلیل داده در حوزه مالی
• 91. مطالعه موردی تحلیل داده در حوزه بازاریابی
• 92. مقدمه‌ای بر تولید گزارش‌های خودکار با R
• 93. بسته R Markdown
• 94. کاربرد R Markdown در گزارش‌دهی
• 95. مقدمه‌ای بر مدیریت نسخه با Git و RStudio
• 96. اصول کار با Git
• 97. یکپارچه‌سازی Git با RStudio
• 98. اخلاق در تحلیل داده و حفظ حریم خصوصی
• 99. اصول حفظ داده‌های حساس
• 100. ملاحظات قانونی در استفاده از داده‌ها