اپلیکیشن اندرویدی فلش‌کارت آموزشی آمار و علم داده: از مفاهیم پایه تا تحلیل داده‌های کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آمار و علم داده: از مفاهیم پایه تا تحلیل داده‌های کاربردی

موضوع کلی: علوم داده و آمار کاربردی

موضوع میانی: مبانی و کاربردهای آمار در علم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و آمار
• 2. تعریف و دامنه علم داده
• 3. نقش آمار در علم داده
• 4. انواع داده‌ها و مقیاس‌های اندازه‌گیری
• 5. آمار توصیفی: مفاهیم اولیه
• 6. جداول توزیع فراوانی
• 7. نمودارهای آماری: هیستوگرام
• 8. نمودارهای آماری: نمودار میله‌ای
• 9. نمودارهای آماری: نمودار دایره‌ای
• 10. نمودارهای آماری: نمودار جعبه‌ای
• 11. معیارهای گرایش مرکزی: میانگین
• 12. معیارهای گرایش مرکزی: میانه
• 13. معیارهای گرایش مرکزی: نما
• 14. معیارهای پراکندگی: دامنه
• 15. معیارهای پراندگی: واریانس
• 16. معیارهای پراکندگی: انحراف معیار
• 17. معیارهای پراکندگی: ضریب تغییرات
• 18. مقدمه‌ای بر احتمال
• 19. قضایای اصلی احتمال
• 20. احتمال شرطی و استقلال
• 21. قضیه بیز
• 22. متغیرهای تصادفی گسسته
• 23. توزیع دوجمله‌ای
• 24. توزیع پواسون
• 25. متغیرهای تصادفی پیوسته
• 26. توزیع یکنواخت
• 27. توزیع نرمال
• 28. قضیه حد مرکزی
• 29. توزیع t استیودنت
• 30. توزیع کای دو
• 31. نمونه‌گیری و توزیع نمونه‌گیری
• 32. مقدمه‌ای بر استنباط آماری
• 33. برآورد نقطه‌ای
• 34. برآورد فاصله‌ای: فواصل اطمینان
• 35. آزمون فرض آماری: مفاهیم
• 36. آزمون فرض برای میانگین جامعه با واریانس معلوم
• 37. آزمون فرض برای میانگین جامعه با واریانس نامعلوم
• 38. آزمون فرض برای نسبت جامعه
• 39. مقدمه‌ای بر رگرسیون خطی ساده
• 40. برآورد پارامترهای رگرسیون
• 41. آزمون فرض در رگرسیون
• 42. ضریب همبستگی و تعیین
• 43. رگرسیون خطی چندگانه: مفاهیم
• 44. انتخاب مدل در رگرسیون چندگانه
• 45. مقدمه‌ای بر تحلیل واریانس (ANOVA)
• 46. ANOVA یک‌طرفه
• 47. ANOVA دوطرفه
• 48. آزمون‌های ناپارامتری: مفاهیم
• 49. آزمون رتبه علامت‌دار ویلکاکسون
• 50. آزمون من-ویتنی یو
• 51. آزمون کروسکال-والیس
• 52. مقدمه‌ای بر سری‌های زمانی
• 53. تجزیه و تحلیل مولفه‌های سری زمانی
• 54. مدل‌های ARIMA
• 55. مقدمه‌ای بر داده‌کاوی
• 56. فرایندهای پاکسازی داده
• 57. تشخیص و مدیریت داده‌های پرت
• 58. مقدمه‌ای بر یادگیری ماشین
• 59. یادگیری با نظارت
• 60. یادگیری بدون نظارت
• 61. الگوریتم k-نزدیک‌ترین همسایه (KNN)
• 62. درخت تصمیم
• 63. مقدمه‌ای بر ماشین بردار پشتیبان (SVM)
• 64. شبکه‌های عصبی: مفاهیم پایه
• 65. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 66. الگوریتم K-Means
• 67. خوشه‌بندی سلسله مراتبی
• 68. مقدمه‌ای بر تحلیل عامل
• 69. مقدمه‌ای بر تحلیل مولفه‌های اصلی (PCA)
• 70. کاربرد PCA در کاهش ابعاد
• 71. کاربرد PCA در علم داده
• 72. مقدمه‌ای بر تحلیل سبد خرید (Market Basket Analysis)
• 73. الگوریتم Apriori
• 74. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 75. کاربرد NLP در علم داده
• 76. مقدمه‌ای بر شبکه‌های اجتماعی
• 77. تحلیل شبکه‌های اجتماعی
• 78. مقدمه‌ای بر تحلیل داده‌های مکانی
• 79. کاربرد آمار در تحلیل داده‌های مکانی
• 80. مقدمه‌ای بر تحلیل بقا
• 81. مدل کاپلان-مایر
• 82. مقدمه‌ای بر روش‌های شبیه‌سازی
• 83. شبیه‌سازی مونت کارلو
• 84. کاربرد شبیه‌سازی در علم داده
• 85. مقدمه‌ای بر مدل‌سازی آماری پیشرفته
• 86. مدل‌های خطی تعمیم‌یافته (GLM)
• 87. مدل‌های خطی تعمیم‌یافته: رگرسیون لجستیک
• 88. مدل‌های خطی تعمیم‌یافته: پواسون
• 89. مقدمه‌ای بر یادگیری تقویتی
• 90. کاربرد یادگیری تقویتی در علم داده
• 91. مقدمه‌ای بر داده‌های کلان (Big Data)
• 92. ابزارهای پردازش داده‌های کلان
• 93. کاربرد آمار در تحلیل داده‌های کلان
• 94. مقدمه‌ای بر اخلاق در علم داده
• 95. حریم خصوصی داده‌ها
• 96. امنیت داده‌ها
• 97. کاربرد آمار در تصمیم‌گیری‌های کسب‌وکار
• 98. مدیریت ریسک با استفاده از آمار
• 99. پیش‌بینی در بازاریابی
• 100. تحلیل رفتار مشتری