اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل داده‌های بزرگ با Microsoft R: مبانی و کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های بزرگ با Microsoft R: مبانی و کاربردها

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: تحلیل داده‌های حجیم با ابزارهای آماری

📋 سرفصل‌های دوره

• 1. مبانی علم داده و تحلیل آماری
• 2. مقدمه‌ای بر تحلیل داده‌های بزرگ
• 3. نصب و راه‌اندازی Microsoft R
• 4. آشنایی با محیط RStudio
• 5. انواع داده‌ها و ساختارهای داده در R
• 6. مقدمه بر آمار توصیفی
• 7. محاسبه شاخص‌های مرکزی در R
• 8. محاسبه شاخص‌های پراکندگی در R
• 9. نمودارهای آماری در R
• 10. مقدمه بر آمار استنباطی
• 11. آزمون فرض آماری
• 12. آزمون t تک‌نمونه‌ای
• 13. آزمون t دو نمونه‌ای مستقل
• 14. آزمون t زوجی
• 15. آزمون تحلیل واریانس (ANOVA) یک‌طرفه
• 16. آزمون تحلیل واریانس (ANOVA) دو طرفه
• 17. مقدمه بر رگرسیون خطی
• 18. رگرسیون خطی ساده در R
• 19. ارزیابی مدل رگرسیون خطی ساده
• 20. رگرسیون خطی چندگانه در R
• 21. انتخاب متغیر در رگرسیون چندگانه
• 22. مقدمه بر یادگیری ماشین
• 23. طبقه‌بندی در یادگیری ماشین
• 24. مدل‌های طبقه‌بندی در R
• 25. آموزش مدل‌های طبقه‌بندی
• 26. ارزیابی مدل‌های طبقه‌بندی
• 27. مقدمه بر خوشه‌بندی
• 28. الگوریتم K-Means در R
• 29. ارزیابی نتایج خوشه‌بندی
• 30. تحلیل سری‌های زمانی
• 31. مقدمه بر مدل‌های ARIMA
• 32. پیاده‌سازی مدل‌های ARIMA در R
• 33. تحلیل داده‌های حجیم
• 34. چالش‌های تحلیل داده‌های حجیم
• 35. ابزارهای تحلیل داده‌های حجیم در R
• 36. کار با داده‌های بزرگ در R
• 37. مقدمه بر پایگاه‌های داده
• 38. اتصال R به پایگاه‌های داده
• 39. کتابخانه RODBC برای دسترسی به پایگاه داده
• 40. کار با داده‌های ساختاریافته
• 41. کار با داده‌های نیمه‌ساختاریافته
• 42. کار با داده‌های بدون ساختار
• 43. مقدمه بر پردازش زبان طبیعی
• 44. تحلیل متن در R
• 45. بسته‌های پردازش متن در R
• 46. پاکسازی و پیش‌پردازش متن
• 47. استخراج ویژگی از متن
• 48. تحلیل احساسات در R
• 49. مقدمه بر شبکه‌های عصبی
• 50. کاربرد شبکه‌های عصبی در علم داده
• 51. پیاده‌سازی شبکه‌های عصبی ساده در R
• 52. مقدمه بر یادگیری عمیق
• 53. کاربرد یادگیری عمیق در تحلیل داده
• 54. مقدمه بر الگوریتم‌های دسته‌بندی پیشرفته
• 55. الگوریتم درخت تصمیم
• 56. الگوریتم جنگل تصادفی
• 57. الگوریتم ماشین بردار پشتیبان (SVM)
• 58. مقدمه بر الگوریتم‌های خوشه‌بندی پیشرفته
• 59. خوشه‌بندی سلسله مراتبی
• 60. خوشه‌بندی DBSCAN
• 61. مقدمه بر تحلیل آماری پیشرفته
• 62. تحلیل داده‌های پرت (Outlier Detection)
• 63. روش‌های شناسایی داده‌های پرت
• 64. مدیریت داده‌های پرت
• 65. مقدمه بر مدل‌سازی پیش‌بینانه
• 66. ساخت مدل‌های پیش‌بینانه در R
• 67. ارزیابی مدل‌های پیش‌بینانه
• 68. بهینه‌سازی مدل‌های پیش‌بینانه
• 69. مقدمه بر بصری‌سازی داده‌های پیشرفته
• 70. نمودارهای تعاملی در R
• 71. کتابخانه Plotly برای نمودارهای تعاملی
• 72. کتابخانه Shiny برای داشبوردهای تعاملی
• 73. مقدمه بر مدل‌سازی احتمالاتی
• 74. مدل‌های مارکوف پنهان (HMM)
• 75. کاربرد HMM در تحلیل داده
• 76. مقدمه بر یادگیری تقویتی
• 77. کاربرد یادگیری تقویتی در علم داده
• 78. مقدمه بر پردازش تصویر
• 79. تحلیل تصاویر در R
• 80. بسته‌های پردازش تصویر در R
• 81. مقدمه بر تحلیل شبکه‌های اجتماعی
• 82. تحلیل گرافی در R
• 83. کتابخانه igraph برای تحلیل شبکه‌ها
• 84. شاخص‌های تحلیل شبکه
• 85. مقدمه بر داده‌کاوی
• 86. قوانین وابستگی (Association Rules)
• 87. الگوریتم Apriori
• 88. پیدا کردن قوانین وابستگی در R
• 89. مقدمه بر هوش مصنوعی
• 90. اخلاق در هوش مصنوعی و علم داده
• 91. امنیت داده‌ها و حریم خصوصی
• 92. کاربرد علم داده در حوزه‌های مختلف
• 93. تحلیل داده‌های مالی
• 94. تحلیل داده‌های سلامت
• 95. تحلیل داده‌های بازاریابی
• 96. تحلیل داده‌های دولتی
• 97. مقدمه بر استقرار مدل‌های آماری
• 98. مراحل استقرار مدل
• 99. پایش عملکرد مدل
• 100. به‌روزرسانی مدل‌ها